Physics-data hybrid dynamic model of a multi-axis manipulator for sensorless dexterous manipulation and high-performance motion planning

要約

さまざまなシナリオで計画および動作する多関節マニピュレーターのための、実装可能な物理学とデータのハイブリッド動的モデルの開発について報告します。
一方、この研究では、計画に最適なモデルを選択するために、物理ベースの動的モデルとデータ駆動型の動的モデルが研究されています。
物理ベースのモデルはラグランジュ法を使用して構築され、損失項には慣性損失、粘性損失、摩擦損失が含まれます。
データ駆動型モデルに関しては、DNN、LSTM、XGBoost を含む 3 つの方法が検討されています。
私たちのモデリング結果は、包括的なハイパーパラメーターの最適化の後、XGBoost アーキテクチャがマニピュレーターのダイナミクスを正確に表現する点で DNN や LSTM よりも優れていることを示しています。
物理ベースの項とデータ駆動型の項を備えたハイブリッド モデルは、RMSE 基準に基づくすべてのモデルの中で最高のパフォーマンスを示し、必要なトレーニング データは約 24,000 のみです。
さらに、動的モデルから導出された観測された外部トルクを使用してマニピュレータの仮想力センサーを開発し、物理データとハイブリッド動的モデルを通じて動作プランナーを設計しました。
外部トルクはエンドエフェクタにかかる力とトルクに寄与し、周囲との相互作用を促進します。一方、内部トルクはマニピュレータの運動ダイナミクスを制御し、内部損失を補償します。
測定された関節トルクと内部損失の差を介して外部トルクを推定することにより、ペグインホールタスクを通じて実証されるセンサーレス制御戦略を実装します。
最後に、ハイブリッド動的モデルに基づく学習ベースの動作プランナーは、マニピュレーターの時間効率の高い軌道の計画を支援します。
この包括的なアプローチは、産業環境における高度なマニピュレーターの制御と計画のために、物理ベースのモデルとデータ駆動型のモデルを統合することの有効性を強調しています。

要約(オリジナル)

We report on the development of an implementable physics-data hybrid dynamic model for an articulated manipulator to plan and operate in various scenarios. Meanwhile, the physics-based and data-driven dynamic models are studied in this research to select the best model for planning. The physics-based model is constructed using the Lagrangian method, and the loss terms include inertia loss, viscous loss, and friction loss. As for the data-driven model, three methods are explored, including DNN, LSTM, and XGBoost. Our modeling results demonstrate that, after comprehensive hyperparameter optimization, the XGBoost architecture outperforms DNN and LSTM in accurately representing manipulator dynamics. The hybrid model with physics-based and data-driven terms has the best performance among all models based on the RMSE criteria, and it only needs about 24k of training data. In addition, we developed a virtual force sensor of a manipulator using the observed external torque derived from the dynamic model and designed a motion planner through the physics-data hybrid dynamic model. The external torque contributes to forces and torque on the end effector, facilitating interaction with the surroundings, while the internal torque governs manipulator motion dynamics and compensates for internal losses. By estimating external torque via the difference between measured joint torque and internal losses, we implement a sensorless control strategy which is demonstrated through a peg-in-hole task. Lastly, a learning-based motion planner based on the hybrid dynamic model assists in planning time-efficient trajectories for the manipulator. This comprehensive approach underscores the efficacy of integrating physics-based and data-driven models for advanced manipulator control and planning in industrial environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google