Learning-based adaption of robotic friction models

要約

人工知能と機械の自動化が中心的な役割を占める第 4 次産業革命では、ロボットの導入が不可欠です。
しかし、ロボットを使用した製造プロセス、特に人間との共同作業は非常に複雑です。
特に、ロボット関節の摩擦トルクのモデル化は、適切な数学的記述が不足しているため、長年の問題となっています。
これが、最近の研究でデータ駆動型の手法を使用する動機となっています。
ただし、この論文で実証しているように、モデルベースのモデルやデータ駆動型モデルは、トレーニングされた特定のダイナミクスを超えて一般化する能力に限界があることがよくあります。
この課題に対処するために、残差学習に基づく新しいアプローチを導入します。これは、できる限り少ないデータを使用して、既存の摩擦モデルを新しい力学に適応させることを目的としています。
対称摩擦データ セットでベース ニューラル ネットワークをトレーニングし、速度と摩擦トルクの正確な関係を学習することで、アプローチを検証します。
次に、より複雑な非対称設定に適応するために、最初のネットワークの出力の残差を予測することに重点を置き、小さなデータセットで 2 番目のネットワークをトレーニングします。
両方のネットワークの出力を適切な方法で組み合わせることで、私たちが提案する推定器は、従来のモデルベースのアプローチやベース ニューラル ネットワークよりも大幅に優れた性能を発揮します。
さらに、外部荷重を伴う軌道でこの方法を評価しましたが、それでも従来のアプローチと比較して約 60 ～ 70% という大幅な改善が観察されました。
私たちの方法では、トレーニング中に外部負荷のデータに依存しないため、外部トルク センサーが不要になります。
これは、ロボットの動作に関する 43 秒間の少量のデータであっても、さまざまな設定における摩擦に関する事前知識に基づいて多様なシナリオに適応できる、私たちのアプローチの一般化機能を示しています。

要約(オリジナル)

In the Fourth Industrial Revolution, wherein artificial intelligence and the automation of machines occupy a central role, the deployment of robots is indispensable. However, the manufacturing process using robots, especially in collaboration with humans, is highly intricate. In particular, modeling the friction torque in robotic joints is a longstanding problem due to the lack of a good mathematical description. This motivates the usage of data-driven methods in recent works. However, model-based and data-driven models often exhibit limitations in their ability to generalize beyond the specific dynamics they were trained on, as we demonstrate in this paper. To address this challenge, we introduce a novel approach based on residual learning, which aims to adapt an existing friction model to new dynamics using as little data as possible. We validate our approach by training a base neural network on a symmetric friction data set to learn an accurate relation between the velocity and the friction torque. Subsequently, to adapt to more complex asymmetric settings, we train a second network on a small dataset, focusing on predicting the residual of the initial network’s output. By combining the output of both networks in a suitable manner, our proposed estimator outperforms the conventional model-based approach and the base neural network significantly. Furthermore, we evaluate our method on trajectories involving external loads and still observe a substantial improvement, approximately 60-70\%, over the conventional approach. Our method does not rely on data with external load during training, eliminating the need for external torque sensors. This demonstrates the generalization capability of our approach, even with a small amount of data-only 43 seconds of a robot movement-enabling adaptation to diverse scenarios based on prior knowledge about friction in different settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google