Task Space Control of Hydraulic Construction Machines using Reinforcement Learning

要約

建設業界では、離れた場所から安全に機械を操作できる遠隔操作が不可欠です。
ただし、関節レベルで機械を制御するには、機械の自由度が複雑であるため、広範なトレーニングが必要です。
タスク スペース制御により直感的な操作が可能になりますが、正確な制御には動的モデルが必要になることが多く、油圧機械にとって課題となります。
これに対処するために、データ駆動型アクチュエータ モデルを使用して、現実世界の操作における機械のダイナミクスをキャプチャします。
このモデルをシミュレーションと強化学習に統合することで、タスク空間制御の最適な制御ポリシーが得られます。
Brokk 170 を使用した実験では、よく知られているヤコビアン ベースのアプローチと比較して、フレームワークを検証します。

要約(オリジナル)

Teleoperation is vital in the construction industry, allowing safe machine manipulation from a distance. However, controlling machines at a joint level requires extensive training due to their complex degrees of freedom. Task space control offers intuitive maneuvering, but precise control often requires dynamic models, posing challenges for hydraulic machines. To address this, we use a data-driven actuator model to capture machine dynamics in real-world operations. By integrating this model into simulation and reinforcement learning, an optimal control policy for task space control is obtained. Experiments with Brokk 170 validate the framework, comparing it to a well-known Jacobian-based approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google