Lernbasiertes Wischverhalten von Robotern mit geringer Steifigkeit unter Berücksichtigung verschiedener Oberflächenmaterialien und Aufgabendefinitionen

Core Concepts

In dieser Studie wird ein Verfahren zur Generierung von Wischbewegungen entwickelt, das die Kontaktkräfte auf verschiedenen Oberflächen und unterschiedliche Aufgabendefinitionen berücksichtigt. Dazu wird ein neuronales Netzwerk verwendet, das die Übergänge der Kontaktsensordaten vorhersagt und an die aktuellen Oberflächeneigenschaften angepasst werden kann.

Abstract

In dieser Studie wird ein lernbasierter Ansatz zur Steuerung von Wischbewegungen für Roboter mit geringer Steifigkeit entwickelt. Dabei werden folgende Aspekte berücksichtigt:

Verschiedene Oberflächenmaterialien: Das System kann mit unterschiedlichen Oberflächen wie Schaum, Pappe, Plastik usw. umgehen, indem es die Oberflächeneigenschaften in einem parametrischen Bias des neuronalen Netzes repräsentiert.

Unterschiedliche Aufgabendefinitionen: Durch Anpassung der Verlustfunktion kann das System verschiedene Ziele wie gleichmäßige Kraftverteilung oder gezielte Kraftanwendung auf Teilbereiche der Oberfläche umsetzen.

Roboter mit geringer Steifigkeit: Das System wurde für einen Roboter mit geringer Steifigkeit (MyCobot) entwickelt, der im Vergleich zu hochsteifen Robotern ungenauere Bewegungen ausführt. Durch das lernbasierte Vorgehen kann der Roboter trotzdem geeignete Wischbewegungen ausführen.

Das Kernkonzept besteht darin, ein neuronales Netzwerk (Tactile Transition Network with Parametric Bias, TTNPB) zu trainieren, das den Übergang der Kontaktsensordaten bei Anwendung eines Steuereingangsvektors vorhersagt. Durch Anpassung des parametrischen Bias kann das Netzwerk an verschiedene Oberflächenmaterialien angepasst werden. Während des Betriebs wird der parametrische Bias online aktualisiert, um die aktuellen Oberflächeneigenschaften zu erkennen.
Zur Steuerung der Wischbewegung wird dann eine Optimierung des Steuereingangsvektors durchgeführt, um verschiedene Aufgabendefinitionen zu erfüllen, die über Verlustfunktionen der Kontaktsensordaten spezifiziert werden.
Die Experimente zeigen, dass das System in der Lage ist, auf verschiedenen Oberflächen und unter unterschiedlichen Aufgabendefinitionen geeignete Wischbewegungen auszuführen, auch wenn der zugrunde liegende Roboter eine geringe Steifigkeit aufweist.

Stats

Die Kontaktkraft in z-Richtung sollte möglichst nahe an einem Referenzwert von 200 liegen.
Die Standardabweichung der Kontaktkraft in y-Richtung sollte minimiert werden.
Die Kontaktkraft in z-Richtung sollte möglichst nur auf der rechten Seite des Sensors und nicht auf der linken Seite angreifen.

Quotes

"Durch Anpassung der Verlustfunktion kann das System verschiedene Ziele wie gleichmäßige Kraftverteilung oder gezielte Kraftanwendung auf Teilbereiche der Oberfläche umsetzen."
"Durch das lernbasierte Vorgehen kann der Roboter trotzdem geeignete Wischbewegungen ausführen."

Key Insights Distilled From

Learning-Based Wiping Behavior of Low-Rigidity Robots Considering Various Surface Materials and Task Definitions

by Kento Kawaha... at arxiv.org 03-19-2024

https://arxiv.org/pdf/2403.11198.pdf

Deeper Inquiries

Wie könnte das System erweitert werden, um auch dreidimensionale gekrümmte Oberflächen zu behandeln?

Um das System auf dreidimensionale gekrümmte Oberflächen auszudehnen, könnte eine Erweiterung der Trajektoriengenerierung und des Modells für die Oberflächenerkennung erforderlich sein. Durch die Integration von Bild- und Punktwolkenverarbeitungsalgorithmen könnte das System die Form und Beschaffenheit der Oberfläche in 3D erfassen. Darüber hinaus müssten die Bewegungsplanungsalgorithmen angepasst werden, um die komplexen Bewegungen auf dreidimensionalen Oberflächen zu ermöglichen. Die Integration von zusätzlichen Sensoren wie 3D-Kameras oder Lidar könnte ebenfalls erforderlich sein, um eine präzise Erfassung der Oberflächenstruktur zu gewährleisten.

Welche Herausforderungen ergeben sich, wenn das System nicht nur die Oberflächeneigenschaften, sondern auch unbekannte Hindernisse oder Objekte auf der Oberfläche berücksichtigen muss?

Wenn das System auch unbekannte Hindernisse oder Objekte auf der Oberfläche berücksichtigen soll, ergeben sich mehrere Herausforderungen. Zunächst müsste das System in der Lage sein, diese Hindernisse zu erkennen und zu lokalisieren, um Kollisionen zu vermeiden. Dies erfordert möglicherweise die Integration von Objekterkennungsalgorithmen und die Anpassung der Bewegungsplanung, um Hindernisse zu umgehen. Darüber hinaus müsste das System in der Lage sein, die Oberflächenbeschaffenheit in Echtzeit zu aktualisieren, um die Bewegungen entsprechend anzupassen. Die Komplexität der Umgebungswahrnehmung und -anpassung könnte die Rechenleistung und den Algorithmus des Systems erheblich beeinflussen.

Inwiefern könnte das Verfahren auch auf andere Anwendungen wie das Polieren oder Reinigen von Oberflächen übertragen werden?

Das Verfahren könnte auf andere Anwendungen wie das Polieren oder Reinigen von Oberflächen übertragen werden, indem die Bewegungs- und Kontrollalgorithmen entsprechend angepasst werden. Beispielsweise könnte das System so trainiert werden, dass es spezifische Bewegungsmuster für das Polieren oder Reinigen von Oberflächen erlernt. Die Verwendung von verschiedenen Sensoren wie Drucksensoren oder Kameras könnte es dem System ermöglichen, den Reinigungs- oder Poliervorgang zu überwachen und anzupassen. Durch die Anpassung der Verlustfunktionen und Kontrollparameter könnte das System auch auf verschiedene Oberflächenmaterialien und Reinigungsaufgaben zugeschnitten werden. Die Flexibilität des Verfahrens ermöglicht es, es auf eine Vielzahl von Anwendungen im Bereich der Oberflächenbearbeitung anzuwenden.