Fast Payload Calibration for Sensorless Contact Estimation Using Model Pre-training

要約

力とトルクのセンシングは、共同作業環境と産業環境の両方におけるロボット操作において重要です。
従来のダイナミクス識別方法を使用すると、高価なセンサーを必要とせずに、外力とトルクの検出と制御が可能になります。
ただし、これらのアプローチは、ロボットのダイナミクス、特にエンドエフェクターのペイロードが変化するシナリオでは限界があります。
さらに、既存のキャリブレーション技術は、ジョイントスペースの適用範囲に関する懸念により、効率と精度の間のトレードオフに直面しています。
この論文では、事前にトレーニングされたニューラル ネットワーク モデルを活用して、広範囲の関節空間にわたる調整されたダイナミクスを事前に学習するキャリブレーション スキームを紹介します。
このオフライン学習戦略により、最適なモデルの選択やペイロードの特徴の特定など、オンライン データ収集の必要性が大幅に軽減され、オンライン キャリブレーションに必要な軌跡はわずか 4 秒です。
この方法は、正確な接触推定のために頻繁なダイナミクスの再調整が必要なタスクに特に効果的です。
さらに、センサーレスジョイントおよびタスクコンプライアンスにおけるアプリケーションを通じて、ペイロードの変動を考慮したこのアプローチの有効性を実証します。

要約(オリジナル)

Force and torque sensing is crucial in robotic manipulation across both collaborative and industrial settings. Traditional methods for dynamics identification enable the detection and control of external forces and torques without the need for costly sensors. However, these approaches show limitations in scenarios where robot dynamics, particularly the end-effector payload, are subject to changes. Moreover, existing calibration techniques face trade-offs between efficiency and accuracy due to concerns over joint space coverage. In this paper, we introduce a calibration scheme that leverages pre-trained Neural Network models to learn calibrated dynamics across a wide range of joint space in advance. This offline learning strategy significantly reduces the need for online data collection, whether for selection of the optimal model or identification of payload features, necessitating merely a 4-second trajectory for online calibration. This method is particularly effective in tasks that require frequent dynamics recalibration for precise contact estimation. We further demonstrate the efficacy of this approach through applications in sensorless joint and task compliance, accounting for payload variability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google