Geometric Visual Servo Via Optimal Transport

要約

ロボットシステムの制御則を開発する際、その性能を検討する際の原則的な要素は、基準入力へのスムーズな追従を可能にする入力を選択することです。ロボット操作の文脈では、これは物体またはエンドエフェクタを初期ポーズから目標ポーズに変換することを含みます。ロボット操作の制御法則は、特徴を追跡して制御入力を生成するための誤差発生器として、ビジョンシステムを頻繁に使用します。しかし、現在の制御アルゴリズムは、抽出される確率的特徴を考慮しておらず、代わりに手作業で調整された特徴抽出方法に依存しています。さらに、ターゲットの特徴は静的なポーズで存在することができるため、制御生成のためにポーズと特徴誤差を組み合わせることができる。我々は、ロボットマニピュレータのビジュアルサーボ問題に対する幾何学的制御則を提案する。カメラからの入力は、3次元特殊ユークリッドタスク空間群上の確率測度を構成し、現在のポーズと所望のポーズ間のワッサーシュタイン距離は幾何学的測地線と類似している。このことから、我々は、3次元特殊ユークリッド群上の測地線フローを用いた誤差最小化により、古典的なPD制御と重力補償を組み合わせることで、ポーズと画像ベースのビジュアルサーボの両方を可能にするコントローラを開発する。様々な初期位置に対する本アプローチの一般化能力を示す一連のテストケースに関する結果を示す。

要約(オリジナル)

When developing control laws for robotic systems, the principle factor when examining their performance is choosing inputs that allow smooth tracking to a reference input. In the context of robotic manipulation, this involves translating an object or end-effector from an initial pose to a target pose. Robotic manipulation control laws frequently use vision systems as an error generator to track features and produce control inputs. However, current control algorithms don’t take into account the probabilistic features that are extracted and instead rely on hand-tuned feature extraction methods. Furthermore, the target features can exist in a static pose thus allowing a combined pose and feature error for control generation. We present a geometric control law for the visual servoing problem for robotic manipulators. The input from the camera constitutes a probability measure on the 3-dimensional Special Euclidean task-space group, where the Wasserstein distance between the current and desired poses is analogous with the geometric geodesic. From this, we develop a controller that allows for both pose and image-based visual servoing by combining classical PD control with gravity compensation with error minimization through the use of geodesic flows on a 3-dimensional Special Euclidean group. We present our results on a set of test cases demonstrating the generalisation ability of our approach to a variety of initial positions.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL