要約
過去数十年にわたり、私たちは人間と安全に対話し、複雑な環境に適応する能力のおかげで、ソフトで再構成可能なロボットが急速に出現するのを目の当たりにしてきました。
ただし、その柔らかさにより、正確な制御が非常に困難になります。
高忠実度のセンシングは、制御パフォーマンス、特に姿勢と接触の推定を向上させる上で重要です。
この目的を達成するために、従来のカメラベースのセンサーとロードセルは可搬性と精度が限られており、必然的にロボットのコストと重量が増加します。
この研究では、特殊なセンサーを使用する代わりに、空気圧駆動のソフトアーム内の分布圧力データのみを収集し、物理的リザーバーコンピューティング原理を適用して、その運動学的姿勢 (つまり、曲げ角度) とペイロードの状態 (つまり、ペイロードの質量) を同時に予測します。
)。
私たちの結果は、注意深い読み出しトレーニングを行うことで、圧力測定値の単純な重み付き線形合計を介して正確な曲げ角度とペイロード質量の予測を取得できることを示しています。
さらに、比較分析により、10\% 以内の低い予測誤差を保証するために、曲げ角度予測の方がペイロード予測よりも少ないトレーニング データが必要であることがわかりました。
この結果は、物理的貯蔵庫が複雑な固有受容および外受容の情報認識タスクを達成するには、バランスの取れた線形および非線形の身体ダイナミクスが重要であることを明らかにしています。
最後に、この論文で提示した最も効率的な読み出しトレーニング方法を探索する方法は、他のソフト ロボット システムにも拡張して、その知覚能力を最大化することができます。
要約(オリジナル)
Over the past decades, we have witnessed a rapid emergence of soft and reconfigurable robots thanks to their capability to interact safely with humans and adapt to complex environments. However, their softness makes accurate control very challenging. High-fidelity sensing is critical in improving control performance, especially posture and contact estimation. To this end, traditional camera-based sensors and load cells have limited portability and accuracy, and they will inevitably increase the robot’s cost and weight. In this study, instead of using specialized sensors, we only collect distributed pressure data inside a pneumatics-driven soft arm and apply the physical reservoir computing principle to simultaneously predict its kinematic posture (i.e., bending angle) and payload status (i.e., payload mass). Our results show that, with careful readout training, one can obtain accurate bending angle and payload mass predictions via simple, weighted linear summations of pressure readings. In addition, our comparative analysis shows that, to guarantee low prediction errors within 10\%, bending angle prediction requires less training data than payload prediction. This result reveals that balanced linear and nonlinear body dynamics are critical for the physical reservoir to accomplish complex proprioceptive and exteroceptive information perception tasks. Finally, the method of exploring the most efficient readout training methods presented in this paper could be extended to other soft robotic systems to maximize their perception capabilities.
arxiv情報
著者 | Jun Wang,Zhi Qiao,Wenlong Zhang,Suyi Li |
発行日 | 2024-11-11 19:05:46+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google