要約
ロボットを正確かつ高速に動作させることは、ロボット研究の長年の目標でした。
これらの競合する要求のバランスをとることが、ロボットと人間のシームレスなコラボレーションを可能にし、タスクのパフォーマンスを向上させる鍵となります。
ただし、従来のモーター駆動システムでは、このバランス調整が不十分なことがよくあります。
ロボットの剛性が高く、多くの場合重い設計のため、関節内にモーターを配置することでさらに悪化するため、このようなロボットの動きが高速になると、衝撃時に大きな力が伝達されます。
正確かつ安全な動的動作を可能にするために、4 自由度 (DoF) の腱駆動ロボット アームを導入します。
腱を使用すると、アクチュエーションをベースに配置してロボットの慣性を低減できます。これにより、関節の近くにモーターを配置した従来のロボットと比較して、ピーク衝突力が大幅に低減されることがわかります。
当社のロボットと空気圧マッスルを組み合わせることで、受動的コンプライアンスによる衝撃弾性の恩恵を受けながら、大きな力と高度に加速された動作を生成することができます。
腱はさらなる摩擦にさらされ、磨耗しやすいため、長期にわたる動的動作を含むさまざまな実験でロボット アームの信頼性を検証します。
また、システムの非線形性と、強化学習を使用してゼロから学習した挑戦的な動的卓球タスクのパフォーマンスを定量化することで、その制御の容易さを実証します。
私たちは、大部分を 3D プリントできるハードウェア設計全体、制御ソフトウェア、および 25 日間のさまざまなロボット動作の固有受容データセットを webdav.tuebingen.mpg.de/pamy2 でオープンソース化しています。
要約(オリジナル)
Operating robots precisely and at high speeds has been a long-standing goal of robotics research. Balancing these competing demands is key to enabling the seamless collaboration of robots and humans and increasing task performance. However, traditional motor-driven systems often fall short in this balancing act. Due to their rigid and often heavy design exacerbated by positioning the motors into the joints, faster motions of such robots transfer high forces at impact. To enable precise and safe dynamic motions, we introduce a four degree-of-freedom~(DoF) tendon-driven robot arm. Tendons allow placing the actuation at the base to reduce the robot’s inertia, which we show significantly reduces peak collision forces compared to conventional robots with motors placed near the joints. Pairing our robot with pneumatic muscles allows generating high forces and highly accelerated motions, while benefiting from impact resilience through passive compliance. Since tendons are subject to additional friction and hence prone to wear and tear, we validate the reliability of our robotic arm on various experiments, including long-term dynamic motions. We also demonstrate its ease of control by quantifying the nonlinearities of the system and the performance on a challenging dynamic table tennis task learned from scratch using reinforcement learning. We open-source the entire hardware design, which can be largely 3D printed, the control software, and a proprioceptive dataset of 25 days of diverse robot motions at webdav.tuebingen.mpg.de/pamy2.
arxiv情報
| 著者 | Simon Guist,Jan Schneider,Hao Ma,Le Chen,Vincent Berenz,Julian Martus,Heiko Ott,Felix Grüninger,Michael Muehlebach,Jonathan Fiene,Bernhard Schölkopf,Dieter Büchler |
| 発行日 | 2024-07-02 11:03:26+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google