Modeling Kinematic Uncertainty of Tendon-Driven Continuum Robots via Mixture Density Networks

要約

腱駆動の連続体ロボットの運動学モデルは、多くの場合、計算コストが高くついたり、モデル化されていない影響により不正確になったり、あるいはその両方が発生します。
特に、モデル化されていない効果は、ロボットの動作中に生じる不確実性を生み出し、結果として生じるジオメトリの変動につながります。
我々は、ガウス混合運動学モデルの開発を通じて、これらの問題に対する新しい解決策を提案します。
混合密度ネットワークをトレーニングして、現在の腱の変位を考慮したロボット ジオメトリのガウス混合モデル表現を出力します。
このモデルは、単一のジオメトリを出力するモデルよりも、特定の構成におけるジオメトリの真の分布をよりよく表す確率分布を計算し、同時に計算時間を短縮します。
衝突の確率を最小限に抑えるためにワークスペースの不確実性について明示的に推論する軌道最適化手法を通じて、このモデルの 1 つの使用法を示します。

要約(オリジナル)

Tendon-driven continuum robot kinematic models are frequently computationally expensive, inaccurate due to unmodeled effects, or both. In particular, unmodeled effects produce uncertainties that arise during the robot’s operation that lead to variability in the resulting geometry. We propose a novel solution to these issues through the development of a Gaussian mixture kinematic model. We train a mixture density network to output a Gaussian mixture model representation of the robot geometry given the current tendon displacements. This model computes a probability distribution that is more representative of the true distribution of geometries at a given configuration than a model that outputs a single geometry, while also reducing the computation time. We demonstrate one use of this model through a trajectory optimization method that explicitly reasons about the workspace uncertainty to minimize the probability of collision.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google