基于几何阻抗控制的接触丰富 SE(3) 等变机器人操作任务学习
机器人学
2023-12-25 v2 系统与控制
系统与控制
摘要
本文提出一种微分几何控制方法，利用 SE(3) 群不变性与等变性来提升涉及与环境交互的机器人操作任务学习的可迁移性。具体而言，我们采用在操纵任务定义的任意 SE(3) 变换下保持不变的控制律与学习表示框架。此外，当相对于空间坐标系表示时，该控制律与学习表示框架被证明是 SE(3) 等变的。所提方法基于近期提出的几何阻抗控制（GIC）与学习变阻抗控制框架相结合，其中增益调度策略通过专家示范以监督学习方式进行训练。将几何一致误差向量（GCEV）输入神经网络，以实现对任意平移与旋转保持不变性的增益调度策略。将我们所提控制与学习框架与著名的笛卡尔空间学习阻抗控制（配备基于笛卡尔误差向量的增益调度策略）进行比较，证实了我们方法显著优越的学习可迁移性。在插孔任务上的硬件实现验证了所提方法的学习可迁移性与可行性。
引用
@article{arxiv.2308.14984,
title = {Contact-rich SE(3)-Equivariant Robot Manipulation Task Learning via Geometric Impedance Control},
author = {Joohwan Seo and Nikhil Potu Surya Prakash and Xiang Zhang and Changhao Wang and Jongeun Choi and Masayoshi Tomizuka and Roberto Horowitz},
journal= {arXiv preprint arXiv:2308.14984},
year = {2023}
}