Data-Driven Optimization for Deposition with Degradable Tools

要約

分解可能なツールを使用したロボット制御蒸着のためのデータ駆動型の最適化アプローチを紹介します。
既存の方法では、ツールチップが変化しないか、頻繁に交換されることを前提としています。
ツールが磨耗するにつれて誤差が時間の経過とともに蓄積される可能性があり、これは、堆積中にツールの劣化が考慮されていない場合、パフォーマンスの低下につながります。
提案されたアプローチでは、視覚的なフィードバックと力によるフィードバックを利用して、ツールチップの未知のモデルパラメーターを更新します。
続いて、基準堆積プロファイルを追跡するための制約付き有限時間最適制御問題を解決します。この問題では、学習したツール劣化ダイナミクスを使用してロボットが計画を立てます。
説明的な例として、ロボットによる描画問題に焦点を当てます。
実際の実験を使用して、学習した劣化モデルを制御設計に使用すると、ターゲットと実際の堆積の誤差が減少することを示します。

要約(オリジナル)

We present a data-driven optimization approach for robotic controlled deposition with a degradable tool. Existing methods make the assumption that the tool tip is not changing or is replaced frequently. Errors can accumulate over time as the tool wears away and this leads to poor performance in the case where the tool degradation is unaccounted for during deposition. In the proposed approach, we utilize visual and force feedback to update the unknown model parameters of our tool-tip. Subsequently, we solve a constrained finite time optimal control problem for tracking a reference deposition profile, where our robot plans with the learned tool degradation dynamics. We focus on a robotic drawing problem as an illustrative example. Using real-world experiments, we show that the error in target vs actual deposition decreases when learned degradation models are used in the control design.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google