Learning-based Position and Stiffness Feedforward Control of Antagonistic Soft Pneumatic Actuators using Gaussian Processes

要約

可変剛性アクチュエータ (VSA) の設計は多岐にわたります。
これらの非線形システムの従来のモデルベースの制御は、多大な労力と設計に依存する仮定を伴います。
対照的に、機械学習は、モデルが実際に測定されたデータに基づいてトレーニングされ、非線形性が本質的に考慮されるため、有望な代替手段を提供します。
私たちの研究は、ソフト アクチュエータの位置と剛性を制御するための普遍的な学習ベースのアプローチを示しています。
ソフト空気圧 VSA を導入した後、モデルは入出力データで学習されます。
この目的のために、可変ジョイント剛性の自動測定を可能にするテストベンチがセットアップされました。
制御中に、ガウス プロセスを使用して、望ましい位置と剛性を達成するための圧力を予測します。
フィードフォワード誤差は平均して全圧力範囲の 11.5% であり、フィードバック制御によって補償されます。
ソフトアクチュエータを使った実験では、学習ベースのアプローチにより、モデルの知識がなくても位置と剛性を継続的に調整できることがわかりました。

要約(オリジナル)

Variable stiffness actuator (VSA) designs are manifold. Conventional model-based control of these nonlinear systems is associated with high effort and design-dependent assumptions. In contrast, machine learning offers a promising alternative as models are trained on real measured data and nonlinearities are inherently taken into account. Our work presents a universal, learning-based approach for position and stiffness control of soft actuators. After introducing a soft pneumatic VSA, the model is learned with input-output data. For this purpose, a test bench was set up which enables automated measurement of the variable joint stiffness. During control, Gaussian processes are used to predict pressures for achieving desired position and stiffness. The feedforward error is on average 11.5% of the total pressure range and is compensated by feedback control. Experiments with the soft actuator show that the learning-based approach allows continuous adjustment of position and stiffness without model knowledge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google