Learning-based adaption of robotic friction models

要約

人工知能と機械の自動化が中心的な役割を占める第4産業革命では、ロボットの展開は不可欠です。
ただし、特に人間との協力において、ロボットを使用した製造プロセスは非常に複雑です。
特に、ロボットジョイントの摩擦トルクのモデリングは、良い数学的説明がないため、長年の問題です。
これは、最近の作品でデータ駆動型の方法の使用を動機付けます。
ただし、モデルベースおよびデータ駆動型モデルは、このペーパーで示すように、訓練された特定のダイナミクスを超えて一般化する能力に制限を示すことがよくあります。
この課題に対処するために、既存の摩擦モデルを可能な限り少ないデータを使用して新しいダイナミクスに適応させることを目的とする残留学習に基づいた新しいアプローチを紹介します。
対称摩擦データセットでベースニューラルネットワークをトレーニングすることにより、速度と摩擦トルクの正確な関係を学習することにより、アプローチを検証します。
その後、より複雑な非対称設定に適応するために、初期ネットワークの出力の残差の予測に焦点を当てて、小さなデータセットで2番目のネットワークをトレーニングします。
両方のネットワークの出力を適切な方法で組み合わせることにより、提案された推定器は、従来のモデルベースのアプローチ、拡張ルーグルモデル、および基本ニューラルネットワークを大幅に上回ります。
さらに、外部負荷を含む軌跡に関する方法を評価し、従来のアプローチよりも約60〜70％の大幅な改善を観察します。
私たちの方法は、トレーニング中に外部負荷を伴うデータに依存しておらず、外部トルクセンサーの必要性を排除します。
これは、さまざまな設定での摩擦に関する事前知識に基づいて、多様なシナリオへの適応を有効にするために、1分ではなく、少量のデータがある場合でも、アプローチの一般化能力を示しています。

要約(オリジナル)

In the Fourth Industrial Revolution, wherein artificial intelligence and the automation of machines occupy a central role, the deployment of robots is indispensable. However, the manufacturing process using robots, especially in collaboration with humans, is highly intricate. In particular, modeling the friction torque in robotic joints is a longstanding problem due to the lack of a good mathematical description. This motivates the usage of data-driven methods in recent works. However, model-based and data-driven models often exhibit limitations in their ability to generalize beyond the specific dynamics they were trained on, as we demonstrate in this paper. To address this challenge, we introduce a novel approach based on residual learning, which aims to adapt an existing friction model to new dynamics using as little data as possible. We validate our approach by training a base neural network on a symmetric friction data set to learn an accurate relation between the velocity and the friction torque. Subsequently, to adapt to more complex asymmetric settings, we train a second network on a small dataset, focusing on predicting the residual of the initial network’s output. By combining the output of both networks in a suitable manner, our proposed estimator outperforms the conventional model-based approach, an extended LuGre model, and the base neural network significantly. Furthermore, we evaluate our method on trajectories involving external loads and still observe a substantial improvement, approximately 60-70%, over the conventional approach. Our method does not rely on data with external load during training, eliminating the need for external torque sensors. This demonstrates the generalization capability of our approach, even with a small amount of data–less than a minute–enabling adaptation to diverse scenarios based on prior knowledge about friction in different settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google