基于高斯过程的串联弹性致动器人机交互数据驱动力观测器
机器人学
2024-05-15 v1 机器学习
系统与控制
系统与控制
摘要
在物理人机交互中，确保安全并适应用户行为至关重要。因此，在机器人机械设计中引入弹性致动器变得流行，因为它提供了内在柔顺性，并可通过测量弹性组件的变形对交互力提供粗略估计。尽管基于观测器的方法已被证明能改善这些估计，但它们依赖于系统的精确模型，这在复杂操作环境中难以获取。在本工作中，我们通过使用高斯过程（GP）回归学习未知动力学组件来克服这一问题。通过在贝叶斯滤波框架中采用学习到的模型，我们提高了估计精度，并额外获得了一个在状态估计的置信度度量中显式考虑局部模型不确定性的观测器。此外，我们推导了有保证的估计误差界限，从而促进其在安全关键应用中的使用。我们在人机外骨骼交互场景中通过实验验证了所提方法的有效性。
引用
@article{arxiv.2405.08711,
title = {Data-driven Force Observer for Human-Robot Interaction with Series Elastic Actuators using Gaussian Processes},
author = {Samuel Tesfazgi and Markus Keßler and Emilio Trigili and Armin Lederer and Sandra Hirche},
journal= {arXiv preprint arXiv:2405.08711},
year = {2024}
}