Tactile-Morph Skills: Energy-Based Control Meets Data-Driven Learning

要約

ロボット操作は、工場を近代化し、高度な触覚能力を必要とする研磨などの工業作業を自動化するために不可欠です。
これらのロボットは、簡単にセットアップでき、人間と安全に作業でき、自律的にタスクを学習し、同様のタスクにスキルを継承できる必要があります。
これらのニーズに対処するために、統一された力インピーダンス制御とデータ駆動型学習を統合する触覚モーフ スキル フレームワークを導入します。
当社のシステムは、望ましい軌道と力のプロファイルの推定エネルギー レベルに基づいてロボットの動きと力の適用を調整し、制御に割り当てられたエネルギーがなくなった場合に停止することで安全性を確保します。
時間畳み込みネットワークを使用して、特定の動作と力のプロファイルのエネルギー分布を推定し、さまざまなタスクや表面にわたるスキルの伝達を可能にします。
当社のアプローチは、同様の摩擦特性を持つ不慣れな形状であっても安定性とパフォーマンスを維持し、実際のシナリオで精度の向上、ゼロショット伝達可能なパフォーマンス、および安全性の強化を実証します。
このフレームワークは、産業環境におけるロボットの機能を強化し、インテリジェントロボットをより利用しやすく価値あるものにすることを約束します。

要約(オリジナル)

Robotic manipulation is essential for modernizing factories and automating industrial tasks like polishing, which require advanced tactile abilities. These robots must be easily set up, safely work with humans, learn tasks autonomously, and transfer skills to similar tasks. Addressing these needs, we introduce the tactile-morph skill framework, which integrates unified force-impedance control with data-driven learning. Our system adjusts robot movements and force application based on estimated energy levels for the desired trajectory and force profile, ensuring safety by stopping if energy allocated for the control runs out. Using a Temporal Convolutional Network, we estimate the energy distribution for a given motion and force profile, enabling skill transfer across different tasks and surfaces. Our approach maintains stability and performance even on unfamiliar geometries with similar friction characteristics, demonstrating improved accuracy, zero-shot transferable performance, and enhanced safety in real-world scenarios. This framework promises to enhance robotic capabilities in industrial settings, making intelligent robots more accessible and valuable.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google