Sensorless Physical Human-robot Interaction Using Deep-Learning

要約

人間とロボットの物理的なインタラクションは、数十年にわたって関心が寄せられている分野です。
関節のコンプライアンスなどの共同作業では、高品質の関節トルク センシングが必要です。
外部トルク センサーは信頼性が高い一方で、高価で衝撃に弱いという欠点があります。
これらの問題に対処するために、関節の状態や電流測定などの内部信号のみを使用して外部トルクを推定する研究が行われています。
しかし、広範な動的状態から静的状態への遷移を伴うタスクにとって重要である摩擦ヒステリシスの近似については、十分な注意が払われてきませんでした。
この論文では、新しい長期記憶スキームを利用して動的識別を実現し、静的ヒステリシスを正確に近似する深層学習ベースの方法を提案します。
また、よく知られた残差学習アーキテクチャに修正を導入し、推論時間を短縮しながら高精度を維持します。
提案された方法の堅牢性は、共同コンプライアンスとタスク コンプライアンスの実験を通じて示されます。

要約(オリジナル)

Physical human-robot interaction has been an area of interest for decades. Collaborative tasks, such as joint compliance, demand high-quality joint torque sensing. While external torque sensors are reliable, they come with the drawbacks of being expensive and vulnerable to impacts. To address these issues, studies have been conducted to estimate external torques using only internal signals, such as joint states and current measurements. However, insufficient attention has been given to friction hysteresis approximation, which is crucial for tasks involving extensive dynamic to static state transitions. In this paper, we propose a deep-learning-based method that leverages a novel long-term memory scheme to achieve dynamics identification, accurately approximating the static hysteresis. We also introduce modifications to the well-known Residual Learning architecture, retaining high accuracy while reducing inference time. The robustness of the proposed method is illustrated through a joint compliance and task compliance experiment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google