External-Wrench Estimation for Aerial Robots Exploiting a Learned Model

要約

このペーパーでは、第一原理モデルとニューラルネットワークで構成されるハイブリッドダイナミクスモデルを使用する外部レンチ推定器を紹介します。
このフレームワークは、最先端のモデルベースのレンチオブザーバーの制限の1つに対処します。これらのオブザーバーのレンチの推定は、外部レンチ（衝突、物理的相互作用、風）で構成されています。
残留レンチに加えて（例：モデルパラメーターの不確実性またはモデルのダイナミクスなど）。
これは、これらのレンチの推定が、たとえばフォースコントローラーへのレンチフィードバックとして使用される場合、問題です。
提案されたフレームワークでは、ニューラルネットワークを第一原理モデルと組み合わせて、モデルのダイナミクスとパラメーターの不確実性から生じる残留ダイナミクスを推定します。その後、ハイブリッドトレーニングモデルを使用して、外部レンチを推定するために使用され、残留ダイナミクスからの寄付が少なくなり、外部レンチによって影響を受けます。
この方法は、さまざまな飛行シナリオおよびさまざまなタイプの残留ダイナミクスでの空中ロボットの数値シミュレーションで検証されており、結果の統計分析は、第一原理モデルのみを使用してモデルベースのレンチオブザーバーと比較してレンチ推定誤差が大幅に改善されたことを示しています。

要約(オリジナル)

This paper presents an external wrench estimator that uses a hybrid dynamics model consisting of a first-principles model and a neural network. This framework addresses one of the limitations of the state-of-the-art model-based wrench observers: the wrench estimation of these observers comprises the external wrench (e.g. collision, physical interaction, wind); in addition to residual wrench (e.g. model parameters uncertainty or unmodeled dynamics). This is a problem if these wrench estimations are to be used as wrench feedback to a force controller, for example. In the proposed framework, a neural network is combined with a first-principles model to estimate the residual dynamics arising from unmodeled dynamics and parameters uncertainties, then, the hybrid trained model is used to estimate the external wrench, leading to a wrench estimation that has smaller contributions from the residual dynamics, and affected more by the external wrench. This method is validated with numerical simulations of an aerial robot in different flying scenarios and different types of residual dynamics, and the statistical analysis of the results shows that the wrench estimation error has improved significantly compared to a model-based wrench observer using only a first-principles model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google