A Synergistic Framework for Learning Shape Estimation and Shape-Aware Whole-Body Control Policy for Continuum Robots

要約

この論文では、形状推定を学習するための新しい相乗的フレームワークと、腱駆動の連続体ロボットのための形状認識全身制御ポリシーを紹介します。
私たちのアプローチは、2 つの拡張ニューラル常微分方程式 (ANODE) (Shape-NODE と Control-NODE) 間の相互作用を利用して、連続的な形状推定と形状認識制御を実現します。
Shape-NODE はコセラット桿体理論からの事前知識を統合し、モデルの不一致を適応させて説明できるようにします。一方、Control-NODE はこの形状情報を使用して、モデル予測制御 (MPC) 方式でトレーニングされた全身制御ポリシーを最適化します。
。
この統合フレームワークは、不十分な形状認識や複雑な非線形ダイナミクスを捉える際の課題など、既存のデータ駆動型手法の制限を効果的に克服します。
シミュレーション環境と現実世界の両方の環境での広範な評価により、形状推定、軌道追跡、障害物回避におけるフレームワークの堅牢なパフォーマンスが実証されています。
提案された方法は、特に追跡精度と一般化機能の点で、最先端のエンドツーエンド、ニューラル ODE、およびリカレント ニューラル ネットワーク (RNN) モデルよりも常に優れています。

要約(オリジナル)

In this paper, we present a novel synergistic framework for learning shape estimation and a shape-aware whole-body control policy for tendon-driven continuum robots. Our approach leverages the interaction between two Augmented Neural Ordinary Differential Equations (ANODEs) — the Shape-NODE and Control-NODE — to achieve continuous shape estimation and shape-aware control. The Shape-NODE integrates prior knowledge from Cosserat rod theory, allowing it to adapt and account for model mismatches, while the Control-NODE uses this shape information to optimize a whole-body control policy, trained in a Model Predictive Control (MPC) fashion. This unified framework effectively overcomes limitations of existing data-driven methods, such as poor shape awareness and challenges in capturing complex nonlinear dynamics. Extensive evaluations in both simulation and real-world environments demonstrate the framework’s robust performance in shape estimation, trajectory tracking, and obstacle avoidance. The proposed method consistently outperforms state-of-the-art end-to-end, Neural-ODE, and Recurrent Neural Network (RNN) models, particularly in terms of tracking accuracy and generalization capabilities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google