Interpretable Robotic Friction Learning via Symbolic Regression

要約

ロボットジョイントの摩擦トルクを正確にモデリングすることは、堅牢な数学的説明を要求するため、長い間困難でした。
従来のモデルベースのアプローチは、多くの場合、労働集約的であり、広範な実験と専門知識が必要であり、新しいシナリオや依存関係に適応することは困難です。
一方、ニューラルネットワークに基づいたデータ駆動型の方法は実装が容易ですが、多くの場合、堅牢性、解釈可能性、信頼性を欠いています。ロボットハードウェアの重要な考慮事項、および人間とロボットの相互作用などの安全性が批判的なアプリケーションです。
両方のアプローチの制限に対処するために、摩擦トルクを推定するためにシンボリック回帰（SR）の使用を提案します。
SRは、さまざまな動的効果と依存関係に対応するために柔軟になりながら、モデルベースの方法によって生成されるものと同様の解釈可能なシンボリック式を生成します。
この作業では、SRアルゴリズムを適用して、Kuka LWR-IV+ロボットから収集されたデータを使用して摩擦トルクを近似します。
我々の結果は、SRがモデルベースのアプローチに匹敵する複雑さを持つ式を生成するだけでなく、より高い精度を達成することを示しています。
さらに、SR由来の式は、負荷依存関係やその他の動的要因を含むようにシームレスに拡張できます。

要約(オリジナル)

Accurately modeling the friction torque in robotic joints has long been challenging due to the request for a robust mathematical description. Traditional model-based approaches are often labor-intensive, requiring extensive experiments and expert knowledge, and they are difficult to adapt to new scenarios and dependencies. On the other hand, data-driven methods based on neural networks are easier to implement but often lack robustness, interpretability, and trustworthiness–key considerations for robotic hardware and safety-critical applications such as human-robot interaction. To address the limitations of both approaches, we propose the use of symbolic regression (SR) to estimate the friction torque. SR generates interpretable symbolic formulas similar to those produced by model-based methods while being flexible to accommodate various dynamic effects and dependencies. In this work, we apply SR algorithms to approximate the friction torque using collected data from a KUKA LWR-IV+ robot. Our results show that SR not only yields formulas with comparable complexity to model-based approaches but also achieves higher accuracy. Moreover, SR-derived formulas can be seamlessly extended to include load dependencies and other dynamic factors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google