Collision Isolation and Identification Using Proprioceptive Sensing for Parallel Robots to Enable Human-Robot Collaboration

要約

パラレル ロボット (PR) は、移動質量が小さいため人間とロボットの共同作業を高速化できますが、意図しない接触が発生しやすくなります。
安全に反応するには、衝突の位置と力についての知識が役に立ちます。
実際の PR の固有受容情報を使用して衝突を分離および識別するための新しいアルゴリズムがこの研究の範囲です。
衝突した物体を分類するために、PR のリンクとプラットフォームでの接触力の影響が静力学的投影を使用して分析されます。
この洞察により、推定された外力の作用線から特徴を導き出すことができます。
これらの機能の重要性は、さまざまな荷重ケースの実験で確認されています。
フィードフォワード ニューラル ネットワーク (FNN) は、これらの物理的にモデル化された特徴に基づいて衝突物体を分類します。
他の関節角度構成におけるロボット構造全体の 300k 荷重ケースに対する FNN による一般化は、実験では 84% の衝突体分類精度で成功裏に実行されました。
プラットフォームの衝突は陽的解法で分離および特定され、粒子フィルターは運動連鎖上の接触の位置と力を推定します。
推定された外部ジョイント トルクを使用して粒子フィルターを更新すると、実際の実験では分離誤差が 3cm 未満、同定誤差が 4N になります。

要約(オリジナル)

Parallel robots (PRs) allow for higher speeds in human-robot collaboration due to their lower moving masses but are more prone to unintended contact. For a safe reaction, knowledge of the location and force of a collision is useful. A novel algorithm for collision isolation and identification with proprioceptive information for a real PR is the scope of this work. To classify the collided body, the effects of contact forces at the links and platform of the PR are analyzed using a kinetostatic projection. This insight enables the derivation of features from the line of action of the estimated external force. The significance of these features is confirmed in experiments for various load cases. A feedforward neural network (FNN) classifies the collided body based on these physically modeled features. Generalization with the FNN to 300k load cases on the whole robot structure in other joint angle configurations is successfully performed with a collision-body classification accuracy of 84% in the experiments. Platform collisions are isolated and identified with an explicit solution, while a particle filter estimates the location and force of a contact on a kinematic chain. Updating the particle filter with estimated external joint torques leads to an isolation error of less than 3cm and an identification error of 4N in a real-world experiment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google