Robust Collision Detection for Robots with Variable Stiffness Actuation by Using MAD-CNN: Modularized-Attention-Dilated Convolutional Neural Network

要約

協働ロボットの分野では、人身傷害や環境破壊のリスクを軽減するために、安全性を確保することが最も重要です。
衝突回避とは別に、ロボットにとって予期せぬ衝突を迅速に検出して対応することが重要です。
純粋なモデルベースの検出技術の代替として、いくつかの学習ベースの衝突検出方法が導入されていますが、可変剛性アクチュエータを備えた協働ロボット向けに設計されたそのような方法は現在不足しています。
さらに、ネットワークの堅牢性がさらに強化され、データトレーニングの効率が向上する可能性があります。
この論文では、可変剛性アクチュエータを備えたロボットの衝突検出のための新しいネットワークであるモジュール化された注意拡張畳み込みニューラル ネットワーク (MAD-CNN) を提案します。
私たちのモデルには、データ効率を高め、堅牢性を向上させるためのデュアル誘導バイアス メカニズムとアテンション モジュールが組み込まれています。
特に、MAD-CNN は、最高レベルの関節剛性に焦点を当てた 4 分間の衝突データセットのみを使用してトレーニングされます。
限られたトレーニング データにもかかわらず、MAD-CNN はさまざまな剛性条件にわたって最小限の検出遅延ですべての衝突を確実に検出します。
さらに、より高いレベルの衝突感度を示し、学習ベースの方法でよくある問題である誤検知を効果的に処理するのに有益です。
実験結果は、提案された MAD-CNN モデルが衝突感度と堅牢性の点で既存の最先端モデルよりも優れていることを示しています。

要約(オリジナル)

Ensuring safety is paramount in the field of collaborative robotics to mitigate the risks of human injury and environmental damage. Apart from collision avoidance, it is crucial for robots to rapidly detect and respond to unexpected collisions. While several learning-based collision detection methods have been introduced as alternatives to purely model-based detection techniques, there is currently a lack of such methods designed for collaborative robots equipped with variable stiffness actuators. Moreover, there is potential for further enhancing the network’s robustness and improving the efficiency of data training. In this paper, we propose a new network, the Modularized Attention-Dilated Convolutional Neural Network (MAD-CNN), for collision detection in robots equipped with variable stiffness actuators. Our model incorporates a dual inductive bias mechanism and an attention module to enhance data efficiency and improve robustness. In particular, MAD-CNN is trained using only a four-minute collision dataset focusing on the highest level of joint stiffness. Despite limited training data, MAD-CNN robustly detects all collisions with minimal detection delay across various stiffness conditions. Moreover, it exhibits a higher level of collision sensitivity, which is beneficial for effectively handling false positives, which is a common issue in learning-based methods. Experimental results demonstrate that the proposed MAD-CNN model outperforms existing state-of-the-art models in terms of collision sensitivity and robustness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google