Optimization of Trajectories for Machine Learning Training in Robot Accuracy Modeling

要約

最近、ロボット機構の精度を高めるために機械学習（ML）手法が開発されています。
非線形摩擦、バックラッシュ、構造伝達要素の柔軟性などの複雑な機械的問題がこれらの誤差を引き起こす可能性があり、モデル化が困難です。
ML にはトレーニング データが必要であり、上記の機械的現象はワークスペース内のロボットの位置とその速度、特にストライベック摩擦やクーロン摩擦などの非線形性が最も顕著になる両方向のゼロ付近の速度に大きく依存します。
ML 手法の成功はトレーニング データの量に依存し、物理的なロボットの動きからデータを収集するには費用と時間がかかることはよく知られています。
したがって、私たちは、最小限の時間で最大限の情報を収集する位置と速度の 6D 空間での軌道を検索する問題に取り組みます。
これは、位置速度位相空間内のサンプル点を最も効率的に訪問するようにロボットをプログラムする必要があるという点で、巡回セールスマン問題の特殊なケースに帰着します。
この研究の 2 つの目標は、1) 3D 空間 (6D 位相空間) 内の X、Y、Z 運動に適用することにより、このアプリケーションにおける TSP の難易度を計算機的に研究することと、2) 非常に単純な最近傍探索アルゴリズムの有効性を評価することです。
検索空間のランダム サンプリングと比較します。
結果は、このアプリケーションでは、最近傍ヒューリスティック検索がランダム サンプリングよりも大幅に優れた軌道を生成することを確認しています。

要約(オリジナル)

Recently, machine learning (ML) methods have been developed for increasing the accuracy of robot mechanisms. Complex mechanical issues such as non-linear friction, backlash, flexibility of structure transmission elements can cause these errors and they are hard to model. ML requires training data and the above mechanical phenomena are highly dependent on position of the robot in the workspace and also on its velocity, especially near zero velocity in both directions where non-linearities such as Streibek and Coulomb friction are most pronounced. It is well known that success of ML methods depends on amount of training data and it is expensive/time consuming to collect data from physical robot motion. We therefore address the problem of searching for trajectories in the 6D space of positions and velocities which collect the most information in the least amount of time. This reduces to a special case of the traveling-salesman problem in that the robot must be programmed to visit sampled points in the position-velocity phase space most efficiently. Two goals of this work are 1) Computationally study the difficulty of the TSP in this application by applying it to X, Y, Z motion in 3D space (6D phase space) and 2) assess the effectiveness of an extremely simple Nearest Neighbor search algorithm compared to random sampling of the search space. Results confirm that Nearest Neighbor heuristic searching produces significantly better trajectories than random sampling in this application.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google