Multi-segment Soft Robot Control via Deep Koopman-based Model Predictive Control

要約

ソフトロボットは、通常の剛性ロボットと比較して、柔らかい素材を備えた複数のセグメントが柔軟性とコンプライアンスをもたらすため、環境で安全な相互作用と器用な動作の利点を持っています。
しかし、高次元、非線形性、時変性の性質、および無限の自由度の特性により、軌道追跡や位置に到達するなどの正確で動的な制御を達成する際の課題となっています。
これらの課題に対処するために、マルチセグメントソフトロボットを処理するためのディープクープマンベースのモデル予測制御（DK-MPC）のフレームワークを提案します。
最初にサンプリングデータを使用して深い学習アプローチを採用して、Koopmanオペレーターに近似するため、ソフトロボットの高次元の非線形ダイナミクスを有限の次元線形表現に線形化します。
第二に、この線形化されたモデルは、モデル予測制御フレームワーク内で利用され、目的の状態軌跡と実際の状態軌跡の間の追跡誤差を最小限に抑える最適な制御入力を計算します。
ソフトロボット「Chordata」の実世界の実験は、DK-MPCが高精度制御を達成できることを示しており、ソフトロボットへの将来のアプリケーションのDK-MPCの可能性を示しています。

要約(オリジナル)

Soft robots, compared to regular rigid robots, as their multiple segments with soft materials bring flexibility and compliance, have the advantages of safe interaction and dexterous operation in the environment. However, due to its characteristics of high dimensional, nonlinearity, time-varying nature, and infinite degree of freedom, it has been challenges in achieving precise and dynamic control such as trajectory tracking and position reaching. To address these challenges, we propose a framework of Deep Koopman-based Model Predictive Control (DK-MPC) for handling multi-segment soft robots. We first employ a deep learning approach with sampling data to approximate the Koopman operator, which therefore linearizes the high-dimensional nonlinear dynamics of the soft robots into a finite-dimensional linear representation. Secondly, this linearized model is utilized within a model predictive control framework to compute optimal control inputs that minimize the tracking error between the desired and actual state trajectories. The real-world experiments on the soft robot ‘Chordata’ demonstrate that DK-MPC could achieve high-precision control, showing the potential of DK-MPC for future applications to soft robots.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google