Co-optimizing Physical Reconfiguration Parameters and Controllers for an Origami-inspired Reconfigurable Manipulator

要約

物理的な構成後のパブリックを変更できる再構成可能なロボットは、さまざまな環境やタスクに適応する可能性を示しています。
ただし、特にコントローラーがロボットの構成に依存している場合、特定のタスクの再構成可能なパラメーターを最適に調整する方法を決定することは困難です。
この論文では、例として、複数の連続的に接続された折り紙にインスパイアされたモジュールで構成される腱駆動の再構成可能なマニピュレーターを使用して、この問題に対処します。
腱作動の下では、これらのモジュールは、関節剛性（再構成パラメーター）と腱変位（制御入力）によって支配されるさまざまな形状と動きを実現できます。
ロボットシステムの設計と制御の共同最適化における最近の進歩を活用して、再構成パラメーターを設計変数として扱い、強化学習技術を使用してそれらを最適化します。
最初に、腱作動の下でのマニピュレーターの形状を予測するために、最小ポテンシャルエネルギー法に基づいて前方モデルを確立します。
フォワードモデルを環境ダイナミクスとして使用すると、衝突回避を確保しながら、目標に到達するためのモジュールの制御ポリシー（腱変位）と共同剛性を共同最適化します。
共同最適化を通じて、最適化されたジョイント剛性と対応する最適な制御ポリシーを取得して、マニピュレーターが固定再構成パラメーター（つまり、固定ジョイント剛性）で実行不可能なタスクを達成できるようにします。
共同最適化のフレームワークを他の再構成可能なロボットシステムに拡張できることを想定しており、多様なタスクと環境の構成と動作を最適に適応させることができます。

要約(オリジナル)

Reconfigurable robots that can change their physical configuration post-fabrication have demonstrate their potential in adapting to different environments or tasks. However, it is challenging to determine how to optimally adjust reconfigurable parameters for a given task, especially when the controller depends on the robot’s configuration. In this paper, we address this problem using a tendon-driven reconfigurable manipulator composed of multiple serially connected origami-inspired modules as an example. Under tendon actuation, these modules can achieve different shapes and motions, governed by joint stiffnesses (reconfiguration parameters) and the tendon displacements (control inputs). We leverage recent advances in co-optimization of design and control for robotic system to treat reconfiguration parameters as design variables and optimize them using reinforcement learning techniques. We first establish a forward model based on the minimum potential energy method to predict the shape of the manipulator under tendon actuations. Using the forward model as the environment dynamics, we then co-optimize the control policy (on the tendon displacements) and joint stiffnesses of the modules for goal reaching tasks while ensuring collision avoidance. Through co-optimization, we obtain optimized joint stiffness and the corresponding optimal control policy to enable the manipulator to accomplish the task that would be infeasible with fixed reconfiguration parameters (i.e., fixed joint stiffness). We envision the co-optimization framework can be extended to other reconfigurable robotic systems, enabling them to optimally adapt their configuration and behavior for diverse tasks and environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google