Robotic Grinding Skills Learning Based on Geodesic Length Dynamic Motion Primitives

要約

模倣学習を介した人間の職人からの学習スキルは、ロボット加工の重要な研究トピックになりました。
それらの強力な一般化と外乱に対する堅牢性により、動的運動プリミティブ（DMP）は、ロボット研削スキル学習のための有望なアプローチを提供します。
ただし、DMPを粉砕タスクに直接適用すると、低い方向の精度、非シヌーライズされた位置指向力、表面軌跡の限られた一般化などの課題に直面します。
これらの問題に対処するために、このホワイトペーパーでは、測地性長DMP（GEO-DMP）に基づいたロボット研削スキル学習方法を提案します。
第一に、複数のデモから幾何学的特徴を抽出するために、正規化された2D加重ガウスカーネルと固有の平均クラスタリングアルゴリズムが開発されました。
次に、方向マニホールド距離メトリックにより、従来の方向DMPの時間依存性が削除され、GEO-DMPを介した正確な方向学習が可能になります。
測地線の長さベースの位相関数を使用して、共同モデルの位置、方向、および力を共同でモデル化するように、同期エンコードフレームワークがさらに提案されます。
このフレームワークにより、任意の2つの表面点の間でロボット研削アクションを生成できます。
ロボット面積の研削と自由形式の表面研削の実験では、提案された方法がスキルエンコーディングと生成において高い幾何学的精度と一般化を達成することを検証します。
私たちの知る限り、これはDMPを使用して、モデルのない表面の位置、方向、および力を共同で学習し、生成するために最初の試みであり、ロボット研削のための新しいパスを提供します。

要約(オリジナル)

Learning grinding skills from human craftsmen via imitation learning has become a key research topic in robotic machining. Due to their strong generalization and robustness to external disturbances, Dynamical Movement Primitives (DMPs) offer a promising approach for robotic grinding skill learning. However, directly applying DMPs to grinding tasks faces challenges, such as low orientation accuracy, unsynchronized position-orientation-force, and limited generalization for surface trajectories. To address these issues, this paper proposes a robotic grinding skill learning method based on geodesic length DMPs (Geo-DMPs). First, a normalized 2D weighted Gaussian kernel and intrinsic mean clustering algorithm are developed to extract geometric features from multiple demonstrations. Then, an orientation manifold distance metric removes the time dependency in traditional orientation DMPs, enabling accurate orientation learning via Geo-DMPs. A synchronization encoding framework is further proposed to jointly model position, orientation, and force using a geodesic length-based phase function. This framework enables robotic grinding actions to be generated between any two surface points. Experiments on robotic chamfer grinding and free-form surface grinding validate that the proposed method achieves high geometric accuracy and generalization in skill encoding and generation. To our knowledge, this is the first attempt to use DMPs for jointly learning and generating grinding skills in position, orientation, and force on model-free surfaces, offering a novel path for robotic grinding.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google