MeshDMP: Motion Planning on Discrete Manifolds using Dynamic Movement Primitives

要約

産業用自動化のオープンな問題は、現在のソリューションがワークピースジオメトリにシームレスに適応する能力がないため、複雑なワークピースでコンタクト内の動きを必要とするタスクを確実に実行することです。
このホワイトペーパーでは、ロボットマニピュレーターが離散マニホールド上の微分数学演算子を活用して、三角メッシュから抽出されたワークピースのジオメトリに関する情報を埋め込み、動的な動的を拡張することにより、複雑な表面全体の動きを学習および一般化できるようにするデモンストレーションアプローチからの学習を提案します。
メッシュサーフェスで動きを生成するための動きのプリミティブ（DMP）フレームワーク。
また、学習した強制項の等尺性変換を導入することにより、動きを異なる表面に適応させる効果的な戦略を提案します。
結果として得られるアプローチ、すなわちMeshDMPは、シミュレーションと実際の実験の両方で評価され、車の表面研磨などの典型的な産業自動化タスクで有望な結果を示しています。

要約(オリジナル)

An open problem in industrial automation is to reliably perform tasks requiring in-contact movements with complex workpieces, as current solutions lack the ability to seamlessly adapt to the workpiece geometry. In this paper, we propose a Learning from Demonstration approach that allows a robot manipulator to learn and generalise motions across complex surfaces by leveraging differential mathematical operators on discrete manifolds to embed information on the geometry of the workpiece extracted from triangular meshes, and extend the Dynamic Movement Primitives (DMPs) framework to generate motions on the mesh surfaces. We also propose an effective strategy to adapt the motion to different surfaces, by introducing an isometric transformation of the learned forcing term. The resulting approach, namely MeshDMP, is evaluated both in simulation and real experiments, showing promising results in typical industrial automation tasks like car surface polishing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google