基于力反馈模型的机器人抛光技能自适应调节
机器人学
2023-11-23 v2
摘要
获取人类技能为应对复杂任务规划挑战提供了一种高效途径。当在不确定环境中执行连续接触任务（如机器人抛光）的已学习技能模型时，机器人需要能够自适应修改技能模型以适应环境并完成期望任务。抛光任务的环境扰动主要体现在接触力的变化上。因此，通过提供接触力偏差的反馈来调整任务技能模型是满足任务需求的有效方式。在本研究中，提出了一种相位调制对角递归神经网络（PMDRNN）用于机器人抛光任务中的力反馈模型学习。抛光任务中工具与工件之间的接触可视为一个动态系统。与现有的前馈神经网络相位调制神经网络（PMNN）相比，PMDRNN将对角递归网络结构与相位调制神经网络层相结合，以改善反馈模型对动态系统的学习性能。具体而言，使用来自真实世界机器人抛光实验的数据来学习反馈模型。与PMNN相比，PMDRNN在反馈模型的训练误差上表现出显著降低。在此基础上，PMDRNN与动态运动基元（DMPs）的结合可用于抛光任务技能的实时调整，并有效提升任务技能模型的鲁棒性。最后，通过真实世界机器人抛光实验证明了该方法的有效性。
引用
@article{arxiv.2310.14860,
title = {Adaptive Tuning of Robotic Polishing Skills based on Force Feedback Model},
author = {Yu Wang and Zhouyi Zheng and Chen Chen and Zezheng Wang and Zhitao Gao and Fangyu Peng and Xiaowei Tang and Rong Yan},
journal= {arXiv preprint arXiv:2310.14860},
year = {2023}
}
备注
This paper has been accepted by The 2023 IEEE International Conference on Robotics and Biomimetics (IEEE ROBIO 2023)