Core Concepts
Dieses Verfahren leitet automatisch einen optimalen Aufgabenrahmen aus Bewegungs- und Kraftdaten ab, um kontaktreiche Aufgaben effizient zu lernen und zu steuern.
Abstract
Diese Studie untersucht das Lernen aus Demonstration (LfD) für kontaktreiche Aufgaben. Die Wahl des Aufgabenrahmens, in dem die erlernten Signale für Bewegung und Interaktionskraft ausgedrückt werden, wird oft vernachlässigt oder erfordert Expertenwissen. Dieser Artikel präsentiert ein Verfahren zur automatischen Ableitung des optimalen Aufgabenrahmens aus Bewegungs- und Kraftdaten, die während der Demonstration aufgezeichnet wurden.
Das Verfahren basiert auf zwei Prinzipien, von denen angenommen wird, dass sie der von einem Experten angestrebten Steuerungskonfiguration zugrunde liegen. Es geht davon aus, dass der Ursprung und die Ausrichtung des Aufgabenrahmens entweder an der Welt oder am Roboterwerkzeug fixiert sind. Das Verfahren basiert auf der Schraubentheorie, ist vollständig probabilistisch und verwendet keine Hyperparameter.
Das Verfahren wurde durch die Demonstration mehrerer Aufgaben, einschließlich Oberflächenverfolgung und Manipulation von Gelenkgegenständen, validiert. Es zeigte eine gute Übereinstimmung zwischen den erhaltenen und den angenommenen Expertenaufgabenrahmen. Um die Leistung der erlernten Aufgaben durch einen UR10e-Roboter zu validieren, wurde ein constraint-basierter Regler entworfen, der auf den abgeleiteten Aufgabenrahmen und den darin ausgedrückten erlernten Daten basiert. Diese Experimente zeigten die Wirksamkeit und Vielseitigkeit des vorgeschlagenen Ansatzes.
Stats
Der Aufgabenrahmen kann entweder relativ zur Welt oder relativ zum Roboterwerkzeug definiert werden.
Die Ableitung des Aufgabenrahmens erfolgt ohne Hyperparameter.
Das vorgeschlagene Verfahren wurde für verschiedene kontaktreiche Aufgaben validiert.
Quotes
"Das Verfahren ist vollständig probabilistisch und verwendet keine Hyperparameter."
"Das Verfahren wurde durch die Demonstration mehrerer Aufgaben, einschließlich Oberflächenverfolgung und Manipulation von Gelenkgegenständen, validiert."
"Diese Experimente zeigten die Wirksamkeit und Vielseitigkeit des vorgeschlagenen Ansatzes."