Model-less Active Compliance for Continuum Robots using Recurrent Neural Networks

要約

連続ロボットが人体の内部環境と相互作用する際にコンプライアンスを与えることは、ロボットと周囲の組織への損傷を防ぐために不可欠です。
パッシブ コンプライアンスと比較して、アクティブ コンプライアンスには、力の伝達能力が向上し、力の出力が監視されることで安全性が向上するという利点があります。
これまでの研究では、サポート ベクター マシンなどの従来の機械学習技術と組み合わせた機構の複雑なモデルに基づいてアクティブ コンプライアンスを達成できることが実証されています。
この論文では、モデル化が容易ではない電子機器のヒステリシス、摩擦、遅延などの非線形要素を捉えながら、モデル化の複雑さを回避するリカレント ニューラル ネットワーク ベースのアプローチを提案します。
このアプローチは、各ケーブルに力センサーを備えた 3 腱の単一セグメントの連続ロボットでテストされます。
RNN ベースのフィードフォワード コントローラーを備えた連続体ロボットが外力に迅速に応答し、未知の環境に準拠して入ることができることを実証するために実験が行われます。

要約(オリジナル)

Endowing continuum robots with compliance while it is interacting with the internal environment of the human body is essential to prevent damage to the robot and the surrounding tissues. Compared with passive compliance, active compliance has the advantages in terms of increasing the force transmission ability and improving safety with monitored force output. Previous studies have demonstrated that active compliance can be achieved based on a complex model of the mechanics combined with a traditional machine learning technique such as a support vector machine. This paper proposes a recurrent neural network based approach that avoids the complexity of modeling while capturing nonlinear factors such as hysteresis, friction and delay of the electronics that are not easy to model. The approach is tested on a 3-tendon single-segment continuum robot with force sensors on each cable. Experiments are conducted to demonstrate that the continuum robot with an RNN based feed-forward controller is capable of responding to external forces quickly and entering an unknown environment compliantly.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google