Automatic Derivation of an Optimal Task Frame for Learning and Controlling Contact-Rich Tasks

要約

接触の多いタスクの学習と制御に関する以前の研究では、モーションとインタラクション レンチの学習信号を表現するための適切な参照フレームを選択する手順は、多くの場合暗黙的であり、専門家の洞察を必要とするか、提案されたフレーム候補から開始されます。
この記事では、デモの記録されたモーションおよびレンチ データから直接、最適タスク フレームと呼ばれる最適な参照フレームを導出する自動方法を紹介します。
ネジ理論を使用して、データのデカップリングを最大化するいくつかの原点と方向の候補が生成されます。
これらの候補は、ハイパーパラメータを必要とせずに確率的に処理され、最適なタスク フレームが取得されます。
その原点と方向は、ワールドまたはロボット ツールのいずれかに独立して固定されます。
この方法は、タスクに平行移動、回転、力、モーメント、またはそれらの組み合わせが含まれるかどうかに関係なく機能します。
この方法は、表面追従や多関節オブジェクトの操作などのさまざまなタスクに対して検証され、派生したエキスパート タスク フレームと想定されたエキスパート タスク フレームの間で良好な一致が示されました。
ロボットのパフォーマンスを検証するために、派生したタスク フレームで表現されたデータに基づいて制約ベースのコントローラーが設計されました。
これらの実験は、このアプローチの有効性と多用途性を実証しました。
自動タスク フレーム導出アプローチは、広範囲にわたる接触の多いタスク用のコントローラーを設計するための学習方法をサポートします。

要約(オリジナル)

In previous work on learning and controlling contact-rich tasks, the procedure for choosing a proper reference frame to express learned signals for the motion and the interaction wrench is often implicit, requires expert insight, or starts from proposed frame candidates. This article presents an automatic method to derive the optimal reference frame, referred to as optimal task frame, directly from the recorded motion and wrench data of the demonstration. Using screw theory, several origin and orientation candidates are generated that maximize decoupling in the data. These candidates are then processed probabilistically, without needing hyperparameters, to obtain the optimal task frame. Its origin and orientation are independently fixed to either the world or the robot tool. The method works regardless of whether the task involves translation, rotation, force, or moment, or any combination thereof. The method was validated for various tasks, including surface following and manipulation of articulated objects, showing good agreement between derived and assumed expert task frames. To validate the robot’s performance, a constraint-based controller was designed based on the data expressed in the derived task frames. These experiments demonstrated the approach’s effectiveness and versatility. The automatic task frame derivation approach supports learning methods to design controllers for a wide range of contact-rich tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google