基于深度学习子任务分类的机器人协作钻孔自适应导纳控制器
机器人学
2022-06-01 v2 人工智能
摘要
在本文中，我们提出了一种基于人工神经网络（ANN）模型的监督学习方法，用于在与刚性环境接触的体力人机交互（pHRI）任务中实时分类子任务。在这方面，我们针对给定的 pHRI 任务考虑三个子任务：空闲（Idle）、驱动（Driving）和接触（Contact）。基于该分类，调节人机之间交互的导纳控制器参数被实时自适应调整，以使机器人在驱动阶段对操作者更透明（即阻力更小），在接触阶段更稳定。空闲阶段主要用于检测任务的启动。实验结果表明，ANN 模型能够学习在不同导纳控制器条件下检测子任务，对 12 名参与者的准确率达到 98%。最后，我们表明，与固定参数导纳控制器相比，基于所提子任务分类器的导纳自适应使得驱动阶段人力消耗降低 20%（即透明度更高），接触阶段钻孔过程中的振荡幅度降低 25%（即稳定性更高）。
引用
@article{arxiv.2205.14457,
title = {An adaptive admittance controller for collaborative drilling with a robot based on subtask classification via deep learning},
author = {Berk Guler and Pouya P. Niaz and Alireza Madani and Yusuf Aydin and Cagatay Basdogan},
journal= {arXiv preprint arXiv:2205.14457},
year = {2022}
}