An Adaptive Grasping Force Tracking Strategy for Nonlinear and Time-Varying Object Behaviors

要約

正確な把握力制御は、オブジェクトの成功と損傷のないロボット把握を確保するための重要なスキルの1つです。
既存の方法は、スリップ検出と把握力計画に関する詳細な研究を実施していますが、異なる材料特性を持つオブジェクトを処理する際に、実際の力の実際の力の適応追跡の問題をターゲット力に順応させる問題を見落としていることがよくあります。
力追跡コントローラーの最適なパラメーターは、オブジェクトの剛性に大きく影響され、多くの適応力追跡アルゴリズムは剛性の推定に依存しています。
ただし、実際のオブジェクトは、粘性、プラスチック、またはその他のより複雑な非線形の時変を示すことがよくあり、既存の研究は、剛性の定義と推定の観点からこれらの材料を不十分なサポートを提供します。
これに対処するために、このペーパーでは、一般化された剛性の概念を紹介し、剛性の定義を非線形時間変動システムモデルに拡張し、長期的な短期メモリ（LSTM）ネットワークに基づいたオンライン一般化剛性推定器を提案します。
一般化された剛性に基づいて、このペーパーでは、PIコントローラーを使用した適応パラメーター調整戦略を例として提案し、さまざまな特性を持つオブジェクトの動的な力追跡を可能にします。
実験結果は、提案された方法が高精度と短いプローブ時間を達成し、既存の方法と比較して非理想的なオブジェクトに対するより良い適応性を示していることを示しています。
この方法は、未知、非線形、および時変把握システムでの力追跡の問題を効果的に解決し、ニューラルネットワークの一般化能力を実証し、非構造化環境でのロボットの把握能力を高めます。

要約(オリジナル)

Accurate grasp force control is one of the key skills for ensuring successful and damage-free robotic grasping of objects. Although existing methods have conducted in-depth research on slip detection and grasping force planning, they often overlook the issue of adaptive tracking of the actual force to the target force when handling objects with different material properties. The optimal parameters of a force tracking controller are significantly influenced by the object’s stiffness, and many adaptive force tracking algorithms rely on stiffness estimation. However, real-world objects often exhibit viscous, plastic, or other more complex nonlinear time-varying behaviors, and existing studies provide insufficient support for these materials in terms of stiffness definition and estimation. To address this, this paper introduces the concept of generalized stiffness, extending the definition of stiffness to nonlinear time-varying grasp system models, and proposes an online generalized stiffness estimator based on Long Short-Term Memory (LSTM) networks. Based on generalized stiffness, this paper proposes an adaptive parameter adjustment strategy using a PI controller as an example, enabling dynamic force tracking for objects with varying characteristics. Experimental results demonstrate that the proposed method achieves high precision and short probing time, while showing better adaptability to non-ideal objects compared to existing methods. The method effectively solves the problem of grasp force tracking in unknown, nonlinear, and time-varying grasp systems, demonstrating the generalization capability of our neural network and enhancing the robotic grasping ability in unstructured environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google