Data-driven Force Observer for Human-Robot Interaction with Series Elastic Actuators using Gaussian Processes

要約

安全性を確保し、ユーザーの行動に適応することは、人間とロボットの物理的なインタラクションにおいて最も重要です。
したがって、ロボットの機械設計に弾性アクチュエータを組み込むことが一般的になりました。これは、本質的なコンプライアンスを提供し、さらに弾性コンポーネントの変形を測定することで相互作用力の大まかな推定値を提供するためです。
オブザーバーベースの方法はこれらの推定値を改善することが示されていますが、それらはシステムの正確なモデルに依存しているため、複雑な動作環境ではモデルを取得するのが困難です。
この研究では、ガウス過程 (GP) 回帰を使用して未知のダイナミクス成分を学習することで、この問題を克服しました。
ベイジアン フィルタリング フレームワークで学習したモデルを使用することにより、推定精度が向上し、さらに状態推定の信頼度においてローカル モデルの不確実性を明示的に考慮するオブザーバーが得られます。
さらに、保証された推定誤差限界を導き出すことで、安全性が重要なアプリケーションでの使用を容易にします。
提案されたアプローチの有効性を、人間と外骨格の相互作用シナリオで実験的に実証します。

要約(オリジナル)

Ensuring safety and adapting to the user’s behavior are of paramount importance in physical human-robot interaction. Thus, incorporating elastic actuators in the robot’s mechanical design has become popular, since it offers intrinsic compliance and additionally provide a coarse estimate for the interaction force by measuring the deformation of the elastic components. While observer-based methods have been shown to improve these estimates, they rely on accurate models of the system, which are challenging to obtain in complex operating environments. In this work, we overcome this issue by learning the unknown dynamics components using Gaussian process (GP) regression. By employing the learned model in a Bayesian filtering framework, we improve the estimation accuracy and additionally obtain an observer that explicitly considers local model uncertainty in the confidence measure of the state estimate. Furthermore, we derive guaranteed estimation error bounds, thus, facilitating the use in safety-critical applications. We demonstrate the effectiveness of the proposed approach experimentally in a human-exoskeleton interaction scenario.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google