Probabilistic Latent Variable Modeling for Dynamic Friction Identification and Estimation

要約

ロボット工学における動的モデルの正確な同定は、制御設計、摩擦補償、出力トルク推定などをサポートするために不可欠です。根底にある摩擦力学に影響を与える多数の物理現象を考慮すると、ロボット関節の摩擦モデルの同定には長年の課題が残されており、その結果、
特に非線形特性とヒステリシス挙動。
これらの現象は、物理的なアナロジーだけを使用してモデル化し、正確に把握することが困難であることが証明されています。
これにより、研究者は物理ベースのモデルからデータ駆動型モデルに移行するようになりました。
現時点では、これらの方法は、高速および低速の動作と頻繁な方向反転を特徴とする典型的な産業用ロボットの展開に効果的に一般化する能力にはまだ限界があります。
経験的な観察により動摩擦モデルの使用が促進されますが、確立するのは依然として特に困難です。
現在の制限に対処するために、潜在的な動的状態を使用してロボット関節の未確認のダイナミクスを説明することを提案します。
次に、摩擦モデルは、ロボットの動的状態と、潜在状態でエンコードされた追加情報の両方を利用して、摩擦トルクを評価することができる。
この確率的かつ部分的に教師なしの識別問題を、標準的な確率的表現学習問題としてキャストします。
この研究では、摩擦モデルと潜在状態ダイナミクスの両方がニューラル ネットワークとしてパラメータ化され、従来の集中パラメータ動的ロボット モデルに統合されています。
完全なダイナミクス モデルは、ロボット ジョイントのノイズの多いエンコーダー測定から直接学習されます。
期待最大化 (EM) アルゴリズムを使用して、モデル パラメーターの最尤推定 (MLE) を見つけます。
提案された方法の有効性は、Kuka KR6 R700 をテスト プラットフォームとして使用し、ベースライン方法と比較した開ループ予測精度の観点から検証されます。

要約(オリジナル)

Precise identification of dynamic models in robotics is essential to support control design, friction compensation, output torque estimation, etc. A longstanding challenge remains in the identification of friction models for robotic joints, given the numerous physical phenomena affecting the underlying friction dynamics which result into nonlinear characteristics and hysteresis behaviour in particular. These phenomena proof difficult to be modelled and captured accurately using physical analogies alone. This has motivated researchers to shift from physics-based to data-driven models. Currently, these methods are still limited in their ability to generalize effectively to typical industrial robot deployement, characterized by high- and low-velocity operations and frequent direction reversals. Empirical observations motivate the use of dynamic friction models but these remain particulary challenging to establish. To address the current limitations, we propose to account for unidentified dynamics in the robot joints using latent dynamic states. The friction model may then utilize both the dynamic robot state and additional information encoded in the latent state to evaluate the friction torque. We cast this stochastic and partially unsupervised identification problem as a standard probabilistic representation learning problem. In this work both the friction model and latent state dynamics are parametrized as neural networks and integrated in the conventional lumped parameter dynamic robot model. The complete dynamics model is directly learned from the noisy encoder measurements in the robot joints. We use the Expectation-Maximisation (EM) algorithm to find a Maximum Likelihood Estimate (MLE) of the model parameters. The effectiveness of the proposed method is validated in terms of open-loop prediction accuracy in comparison with baseline methods, using the Kuka KR6 R700 as a test platform.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google