要約
変形可能なオブジェクト操作（DOM）は、適切なモデルベースの制御戦略を開発することの複雑さのため、ロボット工学における重要な課題のままです。
変形可能なツール操作（DTM）は、ロボットとその環境の間に追加の不確実性を導入することにより、このタスクをさらに複雑にします。
人間はタッチとエクスペリエンスを使用して楽に変形可能なツールを操作しますが、ロボットシステムは安定性と精度を維持するのに苦労しています。
これらの課題に対処するために、食品の安全性のための環境スワブサンプリングのケーススタディを通じて実証された、リアルタイムの変形可能なツール操作のための新しい状態に適したKoopman LQR（SA-KLQR）制御フレームワークを提示します。
この方法は、Koopmanオペレーターベースの制御を活用して、ツールの変形と接触力の状態依存の変動に適応しながら、非線形ダイナミクスを線形化します。
触覚ベースのフィードバックシステムは、SWABツールの角度、接触圧、および表面カバレッジを動的に推定および調節し、食品安全基準の遵守を確保します。
さらに、センサー埋め込まれたコンタクトパッドモニターは、ツールのピボットと変形を緩和するために力分布を強制し、動的相互作用中の安定性を改善します。
実験結果は、SA-KLQRアプローチを検証し、正確な接触角の推定、堅牢な軌跡追跡、信頼できる力の規制を実証します。
提案されたフレームワークは、変形可能なツール操作における精度、適応性、およびリアルタイム制御を強化し、データ駆動型の学習とロボット相互作用タスクにおける最適な制御とのギャップを埋めます。
要約(オリジナル)
Deformable Object Manipulation (DOM) remains a critical challenge in robotics due to the complexities of developing suitable model-based control strategies. Deformable Tool Manipulation (DTM) further complicates this task by introducing additional uncertainties between the robot and its environment. While humans effortlessly manipulate deformable tools using touch and experience, robotic systems struggle to maintain stability and precision. To address these challenges, we present a novel State-Adaptive Koopman LQR (SA-KLQR) control framework for real-time deformable tool manipulation, demonstrated through a case study in environmental swab sampling for food safety. This method leverages Koopman operator-based control to linearize nonlinear dynamics while adapting to state-dependent variations in tool deformation and contact forces. A tactile-based feedback system dynamically estimates and regulates the swab tool’s angle, contact pressure, and surface coverage, ensuring compliance with food safety standards. Additionally, a sensor-embedded contact pad monitors force distribution to mitigate tool pivoting and deformation, improving stability during dynamic interactions. Experimental results validate the SA-KLQR approach, demonstrating accurate contact angle estimation, robust trajectory tracking, and reliable force regulation. The proposed framework enhances precision, adaptability, and real-time control in deformable tool manipulation, bridging the gap between data-driven learning and optimal control in robotic interaction tasks.
arxiv情報
| 著者 | Siavash Mahmoudi,Amirreza Davar,Dongyi Wang |
| 発行日 | 2025-03-27 13:27:46+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google