Data Models Applied to Soft Robot Modeling and Control: A Review

要約

ソフトロボットはコンプライアンスを示し、無限の自由度を持っています。
これらの特性のおかげで、このようなロボットは、手術、リハビリテーション、生体模倣、非構造化環境の探索、および産業用グリッパーに活用されています。
この場合、さまざまな分野から学者が集まります。
ただし、非線形性とヒステリシス効果もロボットのモデリングに負担をもたらします。
さらに、その柔軟性と適応性を考慮すると、ソフト ロボット制御はリジッド ロボット制御よりも困難です。
ソフト ロボットをモデル化して制御するには、多数のデータ モデルがペアで、または個別に利用されます。
本レビューでは、これらの応用データモデルをヤコビモデル、解析モデル、統計モデル、ニューラルネットワーク、強化学習の5種類に分類し、モデルダイナミクス、データ要件、対象タスクなどのモデリングとコントローラの機能を比較します。
これらのカテゴリ内およびカテゴリ間で。
既存のモデリングおよび制御アプローチの開発に関する説明が示され、オフラインでトレーニングされたコントローラーとオンライン学習されたコントローラーの組み合わせが将来的に広く実装されると予測されます。

要約(オリジナル)

Soft robots show compliance and have infinite degrees of freedom. Thanks to these properties, such robots are leveraged for surgery, rehabilitation, biomimetics, unstructured environment exploring, and industrial gripper. In this case, they attract scholars from a variety of areas. However, nonlinearity and hysteresis effects also bring a burden to robot modeling. Moreover, following their flexibility and adaptation, soft robot control is more challenging than rigid robot control. In order to model and control soft robots, a large number of data models are utilized in pairs or separately. This review classifies these applied data models into five kinds, which are the Jacobian model, analytical model, statistical model, neural network, and reinforcement learning, and compares the modeling and controller features, e.g., model dynamics, data requirement, and target task, within and among these categories. A discussion about the development of the existing modeling and control approaches is presented, and we forecast that the combination of offline-trained and online-learning controllers will be the widespread implementation in the future.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google