Efficient Online Learning of Contact Force Models for Connector Insertion

要約

コネクタの挿入など、硬い摩擦要素を伴う接触が多い操作タスクは、剛体シミュレータでモデル化するのが困難です。
この研究では、完全なシミュレーターの代わりに準静的な接触力モデルを学習することによって、これらの環境をモデル化するための新しいアプローチを提案します。
構成と制御に関する情報を含む特徴ベクトルを使用すると、線形マッピングがこの特徴ベクトルと感知された接触力の間の関係を適切に捉えていることがわかります。
新しい線形モデル学習 (LML) アルゴリズムを使用して、逆行列を使用せずにリアルタイムでグローバルに最適なマッピングを解決します。その結果、モデル サイズが増加しても、GPU 上でアルゴリズムがほぼ一定時間で実行されます。
提案されたコネクタ挿入アプローチをシミュレーションとハードウェア実験の両方で検証します。学習したモデルを最適化ベースのコントローラーと組み合わせて、位置ずれや不確実性が存在する場合でもスムーズな挿入を実現します。
ビデオ、コード、その他の資料を紹介する当社の Web サイトは、https://model-based-plugging.github.io/ から入手できます。

要約(オリジナル)

Contact-rich manipulation tasks with stiff frictional elements like connector insertion are difficult to model with rigid-body simulators. In this work, we propose a new approach for modeling these environments by learning a quasi-static contact force model instead of a full simulator. Using a feature vector that contains information about the configuration and control, we find a linear mapping adequately captures the relationship between this feature vector and the sensed contact forces. A novel Linear Model Learning (LML) algorithm is used to solve for the globally optimal mapping in real time without any matrix inversions, resulting in an algorithm that runs in nearly constant time on a GPU as the model size increases. We validate the proposed approach for connector insertion both in simulation and hardware experiments, where the learned model is combined with an optimization-based controller to achieve smooth insertions in the presence of misalignments and uncertainty. Our website featuring videos, code, and more materials is available at https://model-based-plugging.github.io/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google