用于学习与控制富接触任务的最优任务坐标系自动推导
机器人学
2026-01-09 v3
摘要
在先前关于学习和控制富接触任务的工作中，选择合适的参考坐标系来表达运动和交互力旋量的学习信号的过程通常是隐式的，需要专家洞察，或从提出的坐标系候选者开始。本文提出了一种自动方法，直接从演示的记录运动和力旋量数据中推导出最优参考坐标系，称为最优任务坐标系。利用旋量理论，生成了多个使数据中解耦最大化的原点和方向候选者。然后以概率方式处理这些候选者，无需超参数，即可获得最优任务坐标系。其原点和方向独立地固定在世界坐标系或机器人工具上。无论任务涉及平移、旋转、力、力矩或其任意组合，该方法均有效。该方法在包括表面跟随和铰接物体操作在内的各种任务中得到了验证，显示出了推导坐标系与假设的专家任务坐标系之间良好的一致性。为了验证机器人的性能，基于在推导出的任务坐标系中表示的数据设计了一个基于约束的控制器。这些实验证明了该方法的有效性和通用性。自动任务坐标系推导方法支持学习方法为广泛的富接触任务设计控制器。
引用
@article{arxiv.2404.01900,
title = {Automatic Derivation of an Optimal Task Frame for Learning and Controlling Contact-Rich Tasks},
author = {Ali Mousavi Mohammadi and Maxim Vochten and Erwin Aertbeliën and Joris De Schutter},
journal= {arXiv preprint arXiv:2404.01900},
year = {2026}
}