DFL-TORO: A One-Shot Demonstration Framework for Learning Time-Optimal Robotic Manufacturing Tasks

要約

この論文では、ワンショット運動感覚デモンストレーションを介して時間最適化されたロボット タスクを学習するための新しいデモンストレーション フレームワークである DFL-TORO を紹介します。
製造部門に適用されるデモンストレーションからの学習 (LfD) プロセスを最適化することを目的としています。
LfD の有効性は人間によるデモンストレーションの質と効率によって左右されるため、私たちのアプローチは複数のデモンストレーションの必要性を減らし、人間の教師からタスクの要件を直感的に把握するための合理化された方法を提供します。
さらに、ロボットの運動学的制約を遵守しながら、時間的に最適でジャーク制御されたデモンストレーション軌道を保証する、最適化ベースの平滑化アルゴリズムを提案します。
その結果、騒音が大幅に低減され、ロボットの作業効率が向上します。
Franka Emika Research 3 (FR3) ロボットをさまざまなタスクに使用した評価では、フレームワークの有効性がさらに実証され、現代の製造環境における運動感覚のデモンストレーションを変革する可能性が強調されています。
さらに、私たちは提案したフレームワークをABB YuMiロボットによって操作される実際の製造現場に導入し、ダイナミック・ムーブメント・プリミティブ(DMP)を介したケーススタディを実行することで、LfDの成果に対するそのプラスの影響を紹介します。

要約(オリジナル)

This paper presents DFL-TORO, a novel Demonstration Framework for Learning Time-Optimal Robotic tasks via One-shot kinesthetic demonstration. It aims at optimizing the process of Learning from Demonstration (LfD), applied in the manufacturing sector. As the effectiveness of LfD is challenged by the quality and efficiency of human demonstrations, our approach offers a streamlined method to intuitively capture task requirements from human teachers, by reducing the need for multiple demonstrations. Furthermore, we propose an optimization-based smoothing algorithm that ensures time-optimal and jerk-regulated demonstration trajectories, while also adhering to the robot’s kinematic constraints. The result is a significant reduction in noise, thereby boosting the robot’s operation efficiency. Evaluations using a Franka Emika Research 3 (FR3) robot for a variety of tasks further substantiate the efficacy of our framework, highlighting its potential to transform kinesthetic demonstrations in contemporary manufacturing environments. Moreover, we take our proposed framework into a real manufacturing setting operated by an ABB YuMi robot and showcase its positive impact on LfD outcomes by performing a case study via Dynamic Movement Primitives (DMPs).

arxiv情報

著者 Alireza Barekatain,Hamed Habibi,Holger Voos
発行日 2024-08-09 13:48:49+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO パーマリンク