Active Admittance Control with Iterative Learning for General-Purpose Contact-Rich Manipulation

要約

ロボットが複数の操作シナリオに直面する場合、力の相互作用は避けられません。
マルチタスクなどの一般化された作業のための力制御においてロボットをどのように有能にするかは依然として難しい問題である。
インタラクションタスクの再現性と、マルチタスクシナリオ用の一般化された力制御フレームワークの欠如を目的として、この論文は、反復学習パラメータ調整メカニズムを備えたアクティブアドミタンス制御に基づく新しいハイブリッド制御フレームワークを提案します。
この方法では、基礎となるアルゴリズムとしてアドミタンス制御を採用して柔軟性を確保し、反復学習を高レベルのアルゴリズムとして採用してアドミタンス モデルのパラメーターを調整します。
アルゴリズム全体は柔軟性と学習能力を備えており、優れた汎用性の目標を達成できます。
提案された方法の一貫性と一般化可能性を調査するために、4 つの代表的な対話型ロボット操作タスクが選択されました。
実験はフレームワーク全体の有効性を検証するために設計されており、従来のアドミタンス制御およびモデルフリー適応制御と比較して、それぞれ平均 98.21% および 91.52% の RMSE 改善が得られました。

要約(オリジナル)

Force interaction is inevitable when robots face multiple operation scenarios. How to make the robot competent in force control for generalized operations such as multi-tasks still remains a challenging problem. Aiming at the reproducibility of interaction tasks and the lack of a generalized force control framework for multi-task scenarios, this paper proposes a novel hybrid control framework based on active admittance control with iterative learning parameters-tunning mechanism. The method adopts admittance control as the underlying algorithm to ensure flexibility, and iterative learning as the high-level algorithm to regulate the parameters of the admittance model. The whole algorithm has flexibility and learning ability, which is capable of achieving the goal of excellent versatility. Four representative interactive robot manipulation tasks are chosen to investigate the consistency and generalisability of the proposed method. Experiments are designed to verify the effectiveness of the whole framework, and an average of 98.21% and 91.52% improvement of RMSE is obtained relative to the traditional admittance control as well as the model-free adaptive control, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google