Efficient and Safe Contact-rich pHRI via Subtask Detection and Motion Estimation using Deep Learning

要約

この論文では、穴あけ、研磨、切断などの厳しい環境との接触を伴う小バッチ製造における物理的ヒューマンロボットインタラクション (pHRI) タスクの効率と安全性を向上させるための適応アドミタンス コントローラーを提案します。私たちは人間の労力を最小限に抑えることを目指しています。
ロボットのエンドエフェクタに取り付けられた工作機械とワークピースとの接触時の精度と安定性を最大化しながら、タスクの完了時間を短縮します。
この目的を達成するために、ロボットと 2 つの力センサーからの運動学的および運動学的データのみを利用する、2 層の学習ベースの人間の意図認識メカニズムが提案されます。
「サブタスク検出器」は、\textit{Idle}、\textit{Tool-Attachment}、\textit{Driving}、\textit{Contact} など、タスクのどのフェーズが実行されているかを推定することで人間の意図を認識します。
同時に、「動作推定器」が \textit{運転} 中の意図を継続的により正確に定量化し、\textit{接触} がいつ始まるかを予測します。
コントローラーはサブタスクに従ってオンラインで適応されますが、 \textit{Contact} の前に早期に適応できるようにして、精度と安全性を最大化し、潜在的な不安定性を防ぎます。
3 セットの pHRI 実験が、さまざまな条件下で複数の被験者を対象に実施されました。
データ駆動型モデルをトレーニングし、提案された適応システムを検証するために、仮想環境でバネ圧縮実験が実行され、現実のシナリオにおける提案された方法の有効性をテストするために、物理世界で掘削実験が実行されました。
実験結果は、サブタスク分類精度が 84\%、動き推定 R\textsuperscript{2} スコアが 0.96 であることを示しています。
さらに、提案されたシステムの結果として、\textit{運転中}の人的労力が 57\% 減少し、\textit{接触} での振動振幅が 53\% 減少しました。

要約(オリジナル)

This paper proposes an adaptive admittance controller for improving efficiency and safety in physical human-robot interaction (pHRI) tasks in small-batch manufacturing that involve contact with stiff environments, such as drilling, polishing, cutting, etc. We aim to minimize human effort and task completion time while maximizing precision and stability during the contact of the machine tool attached to the robot’s end-effector with the workpiece. To this end, a two-layered learning-based human intention recognition mechanism is proposed, utilizing only the kinematic and kinetic data from the robot and two force sensors. A “subtask detector’ recognizes the human intent by estimating which phase of the task is being performed, e.g., \textit{Idle}, \textit{Tool-Attachment}, \textit{Driving}, and \textit{Contact}. Simultaneously, a “motion estimator’ continuously quantifies intent more precisely during the \textit{Driving} to predict when \textit{Contact} will begin. The controller is adapted online according to the subtask while allowing early adaptation before the \textit{Contact} to maximize precision and safety and prevent potential instabilities. Three sets of pHRI experiments were performed with multiple subjects under various conditions. Spring compression experiments were performed in virtual environments to train the data-driven models and validate the proposed adaptive system, and drilling experiments were performed in the physical world to test the proposed methods’ efficacy in real-life scenarios. Experimental results show subtask classification accuracy of 84\% and motion estimation R\textsuperscript{2} score of 0.96. Furthermore, 57\% lower human effort was achieved during \textit{Driving} as well as 53\% lower oscillation amplitude at \textit{Contact} as a result of the proposed system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google