Neuronale Netzwerke zur Modellierung hysteretischen Verhaltens in sehnenaktuierten Kontinuumsrobotern

Core Concepts

Neuronale Netzwerke können das zeitabhängige, hysteretische Verhalten von sehnenaktuierten Kontinuumsrobotern effektiv modellieren und vorhersagen, im Gegensatz zu herkömmlichen mechanikbasierten Modellen.

Abstract

Die Studie untersucht die Verwendung von neuronalen Netzwerken zur Modellierung der hysteretischen Kinematik in zwei Arten von sehnenaktuierten Kontinuumsrobotern. Es werden drei Arten neuronaler Netzwerke verglichen: Vorwärtsnetze (FNN), FNN mit Eingabepuffer für historische Daten und Long Short-Term Memory (LSTM) Netzwerke.
Die Experimente zeigen, dass das kinematische Verhalten der Roboter stark vom Design abhängt. Der erste Roboter mit superelastischem Rückgrat und Abstandshaltern zeigt nur bei Verwendung der Sehnenspannung als Eingabe hysteretisches Verhalten, nicht aber bei Verwendung der Sehnendehnung. Der zweite klinische Roboter mit Polymerschlauch zeigt hingegen Hysterese sowohl für Sehnenspannung als auch -dehnung.
Darüber hinaus wurde bei dem klinischen Roboter eine ratenabhängige Hysterese bei Frequenzen über 0,3 Hz beobachtet, die wahrscheinlich auf Trägheitseffekte des Antriebs zurückzuführen ist.
Die Modellierungsergebnisse zeigen, dass FNN ohne Eingabepuffer die zeitlichen Abhängigkeiten nicht erfassen können, während FNN mit Eingabepuffer und LSTM-Modelle vergleichbare Leistung bei der Erfassung dieser Abhängigkeiten aufweisen. Die LSTM-Modelle sind dabei etwas einfacher zu implementieren, da sie nur einen aktuellen Eingabewert benötigen, während FNN mit Eingabepuffer einen Puffer historischer Eingaben verwalten müssen.

Stats

Die Spitzenposition des Roboters kann je nach Bewegungspfad um bis zu 7% der Roboterlänge variieren.
Bei Frequenzen über 0,3 Hz erreicht der Roboter nicht mehr die volle Auslenkung aufgrund von Trägheitseffekten des Antriebs.

Quotes

"Hysterese erfordert, dass die Vorwärts- und Inverse-Kinematik-Lösungen nicht nur durch die gewünschte Konfiguration, sondern auch durch den Bewegungspfad oder die Trajektorie bestimmt werden."
"Während Mechanik-basierte Modelle intuitiv für Ingenieure sind, haben sie jedoch mehrere Einschränkungen. Zum Beispiel nehmen sie in der Regel lineare Elastizität an und ignorieren mechanische Hysterese und Reibung, da diese Effekte zu komplex sein können, um sie in Echtzeit zu formulieren und zu lösen."

Key Insights Distilled From

Using Neural Networks to Model Hysteretic Kinematics in Tendon-Actuated Continuum Robots

by Yuan Wang,Ma... at arxiv.org 04-11-2024

https://arxiv.org/pdf/2404.07168.pdf

Deeper Inquiries

Wie lassen sich die Erkenntnisse aus dieser Studie auf Kontinuumsroboter mit mehreren Sehnen übertragen, die eine antagonistische Ansteuerung erfordern?

Die Erkenntnisse aus der Studie können auf Kontinuumsroboter mit mehreren Sehnen übertragen werden, die eine antagonistische Ansteuerung erfordern, indem verschiedene Aspekte berücksichtigt werden. Zunächst ist es wichtig zu verstehen, dass die Art der Hysteresis und die beste Modellierung eines Roboters stark von seinem Design abhängen. Bei Robotern mit mehreren Sehnen und antagonistischer Ansteuerung ist es wahrscheinlich, dass die Hysteresis sowohl bei Sehnenspannung als auch bei Sehnendisplacement auftritt. Es ist entscheidend, die spezifischen kinematischen Eingaben zu identifizieren, die die Hysteresis am besten erfassen, um das Modell entsprechend anzupassen.
Darüber hinaus könnten neuronale Netzwerke, insbesondere Modelle wie FNNs mit einem History Input Buffer oder LSTM, eingesetzt werden, um die historischen Abhängigkeiten und nichtlinearen Effekte bei der Modellierung von Kontinuumsrobotern mit mehreren Sehnen zu berücksichtigen. Diese Modelle haben gezeigt, dass sie in der Lage sind, zeitabhängige Verhaltensweisen präzise zu erfassen und könnten daher auch bei komplexeren Robotiksystemen mit mehreren Sehnen effektiv eingesetzt werden.

Wie könnte man die beobachteten Trägheitseffekte des Antriebs in einem hybriden Modell aus physikbasierter Modellierung und neuronalen Netzen berücksichtigen?

Um die beobachteten Trägheitseffekte des Antriebs in einem hybriden Modell aus physikbasierter Modellierung und neuronalen Netzen zu berücksichtigen, könnte man verschiedene Ansätze verfolgen. Eine Möglichkeit wäre die Integration von physikalischen Modellen, die die Trägheitseffekte des Antriebs genau beschreiben, in das neuronale Netzwerk. Diese physikalischen Modelle könnten beispielsweise die Dynamik des Antriebssystems berücksichtigen und somit die Trägheitseffekte präzise erfassen.
Ein weiterer Ansatz könnte darin bestehen, die Daten, die zur Schulung des neuronalen Netzwerks verwendet werden, gezielt so zu gestalten, dass sie die Trägheitseffekte des Antriebs widerspiegeln. Durch die Integration von realen Betriebsdaten, die die Trägheitseffekte enthalten, kann das hybride Modell besser darauf trainiert werden, diese Effekte zu modellieren und präzise Vorhersagen zu treffen.

Wie könnte man die Modellierung der Kinematik um die Berücksichtigung von Reibung und anderen nichtlinearen Effekten erweitern?

Um die Modellierung der Kinematik um die Berücksichtigung von Reibung und anderen nichtlinearen Effekten zu erweitern, könnten verschiedene Ansätze verfolgt werden. Eine Möglichkeit wäre die Integration von Reibungsmodellen, wie z.B. Coulomb-Reibung oder Viskositätsreibung, in die kinematischen Modelle. Diese Reibungsmodelle könnten dann in das neuronale Netzwerk oder das hybride Modell eingebettet werden, um die Auswirkungen von Reibung auf die Bewegung des Roboters zu berücksichtigen.
Darüber hinaus könnten nichtlineare Effekte, wie z.B. Elastizität, Steifigkeit oder Dämpfung, durch die Verwendung von komplexeren neuronalen Netzwerkarchitekturen modelliert werden. Modelle wie LSTM, die in der Lage sind, langfristige Abhängigkeiten zu erfassen, könnten dazu beitragen, diese nichtlinearen Effekte präzise zu modellieren und die Kinematik des Roboters genauer zu beschreiben. Durch die Erweiterung der Modellierung um diese nichtlinearen Effekte kann die Genauigkeit und Leistungsfähigkeit des kinematischen Modells verbessert werden.