要約
動的運動プリミティブ(DMP)は、参照モーションに基づいて適応を必要とするロボットタスクをエンコードするための確立された効率的な方法です。
通常、名目上の軌道は、デモンストレーション(PBD)によるプログラミングを通じて取得されます。ここでは、ロボットは運動感覚のガイダンスを介してタスクを学習し、幾何学的経路とタイミング法の両方の観点からそれを再現します。
標準のDMPでの実行期間を変更することは、モデルの時定数を調整することにより達成されます。
このペーパーでは、Spatial Samplingと呼ばれるアルゴリズムを使用して、その時間情報からタスクの幾何学的情報を完全に分離するための新しいアプローチを紹介します。
これは、幾何学DMP(GDMP)の定義につながります。
提案された空間サンプリングアルゴリズムは、実証された曲線の規則性を保証し、ループ内のシナリオでタスク全体に人間の力の一貫した投影を保証します。
GDMPは位相の独立性を示します。その位相変数は、デモンストレーションのタイミング法に制約されなくなり、位相最適化問題やループインザループアプリケーションなど、幅広いアプリケーションを可能にします。
第一に、速度と加速制約の対象となる最小タスク期間最適化問題が策定されます。
GDMPのパスと速度のデカップリングにより、制約に違反することなく最適な時間期間を達成できます。
第二に、GDMPは人間のループアプリケーションで検証されており、共操作タスクにおける理論的受動性分析と実験的安定性評価を提供します。
最後に、GDMPは、フェーズ最適化問題と実験的に挿入タスクを参照して、文献で利用可能な他のDMPアーキテクチャと比較され、他のソリューションに関するGDMPのパフォーマンスの強化を紹介します。
要約(オリジナル)
Dynamic Movement Primitives (DMP) are an established and efficient method for encoding robotic tasks that require adaptation based on reference motions. Typically, the nominal trajectory is obtained through Programming by Demonstration (PbD), where the robot learns a task via kinesthetic guidance and reproduces it in terms of both geometric path and timing law. Modifying the duration of the execution in standard DMPs is achieved by adjusting a time constant in the model. This paper introduces a novel approach to fully decouple the geometric information of a task from its temporal information using an algorithm called spatial sampling, which allows parameterizing the demonstrated curve by its arc-length. This leads to the definition of the Geometric DMP (GDMP). The proposed spatial sampling algorithm guarantees the regularity of the demonstrated curve and ensures a consistent projection of the human force throughout the task in a human-in-the-loop scenario. GDMP exhibits phase independence, as its phase variable is no longer constrained to the demonstration’s timing law, enabling a wide range of applications, including phase optimization problems and human-in-the-loop applications. Firstly, a minimum task duration optimization problem subject to velocity and acceleration constraints is formulated. The decoupling of path and speed in GDMP allows to achieve optimal time duration without violating the constraints. Secondly, GDMP is validated in a human-in-the-loop application, providing a theoretical passivity analysis and an experimental stability evaluation in co-manipulation tasks. Finally, GDMP is compared with other DMP architectures available in the literature, both for the phase optimization problem and experimentally with reference to an insertion task, showcasing the enhanced performance of GDMP with respect to other solutions.
arxiv情報
著者 | Giovanni Braglia,Davide Tebaldi,Luigi Biagiotti |
発行日 | 2025-02-23 18:51:44+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google