Bayesian Multi-Task Learning MPC for Robotic Mobile Manipulation

要約

ロボット工学におけるモバイル操作は、ドアの開閉やオブジェクトの選択と配置など、さまざまなタスクを解決する必要があるため、困難です。
通常、ロボットの基本的な第一原理システム記述が利用可能であるため、モデルベースのコントローラーを使用する動機になります。
ただし、ロボットのダイナミクスとオブジェクトとの相互作用は不確実性の影響を受け、コントローラーのパフォーマンスが制限されます。
この問題に取り組むために、三角関数の基底関数を使用してダイナミクスのエラーを識別するベイジアン マルチタスク学習モデルを提案します。
このようにして、異なるが関連するタスクからのデータを活用して、新しい目に見えないタスクのためにオンラインで効率的に更新できる記述的なエラー モデルを提供できます。
この学習スキームをモデル予測コントローラーと組み合わせ、利用可能なベースライン コントローラーとの比較を含め、提案されたアプローチの有効性を広範囲にテストします。
ボール バランス ロボットを使用したシミュレーション テストと、四足歩行マニピュレータを使用したドア開閉ハードウェア実験を紹介します。

要約(オリジナル)

Mobile manipulation in robotics is challenging due to the need of solving many diverse tasks, such as opening a door or picking-and-placing an object. Typically, a basic first-principles system description of the robot is available, thus motivating the use of model-based controllers. However, the robot dynamics and its interaction with an object are affected by uncertainty, limiting the controller’s performance. To tackle this problem, we propose a Bayesian multi-task learning model that uses trigonometric basis functions to identify the error in the dynamics. In this way, data from different but related tasks can be leveraged to provide a descriptive error model that can be efficiently updated online for new, unseen tasks. We combine this learning scheme with a model predictive controller, and extensively test the effectiveness of the proposed approach, including comparisons with available baseline controllers. We present simulation tests with a ball-balancing robot, and door-opening hardware experiments with a quadrupedal manipulator.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google