Learning Compliant Stiffness by Impedance Control-Aware Task Segmentation and Multi-objective Bayesian Optimization with Priors

要約

デモからプログラムされた産業用ロボットの安全な動作を確保するには、従来の位置制御よりもインピーダンス制御が好まれます。
ただし、可変剛性学習の研究は、安全性 (またはコンプライアンス) ではなく、タスクのパフォーマンスに焦点を当ててきました。
そこで本論文では、タスクパフォ​​ーマンスとコンプライアンスの両方の要件を満たす新しい剛性学習方法を提案します。
提案された方法は、多目的ベイジアン最適化を通じてタスク目標とコンプライアンス目標 (T/C 目標) を同時に最適化します。
デモンストレーションをタスクフェーズに分割し、各フェーズに一定の責任のある剛性を持たせることで、剛性の検索空間を定義します。
セグメンテーションは、デモからインピーダンス制御を意識したスイッチング線形ダイナミクス (IC-SLD) を特定することによって実行されます。
また、提案した IC-SLD によって得られた剛性を効率的な最適化のための事前分布として利用します。
シミュレートされたタスクと実際のロボットの実験では、IC-SLD ベースのセグメンテーションと事前分布の使用により、既存のベースライン手法と比較して最適化効率が向上することが実証されました。

要約(オリジナル)

Rather than traditional position control, impedance control is preferred to ensure the safe operation of industrial robots programmed from demonstrations. However, variable stiffness learning studies have focused on task performance rather than safety (or compliance). Thus, this paper proposes a novel stiffness learning method to satisfy both task performance and compliance requirements. The proposed method optimizes the task and compliance objectives (T/C objectives) simultaneously via multi-objective Bayesian optimization. We define the stiffness search space by segmenting a demonstration into task phases, each with constant responsible stiffness. The segmentation is performed by identifying impedance control-aware switching linear dynamics (IC-SLD) from the demonstration. We also utilize the stiffness obtained by proposed IC-SLD as priors for efficient optimization. Experiments on simulated tasks and a real robot demonstrate that IC-SLD-based segmentation and the use of priors improve the optimization efficiency compared to existing baseline methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google