面向易损耗工具沉积的数据驱动优化
机器人学
2023-05-29 v1
摘要
我们提出了一种用于机器人可控沉积且工具易损耗的数据驱动优化方法。现有方法假设工具尖端不变或频繁更换。随着工具磨损，误差会随时间累积，在沉积过程中未考虑工具退化的情况下会导致性能不佳。在所提方法中，我们利用视觉与力反馈来更新工具尖端的未知模型参数。随后，我们求解一个约束有限时域最优控制问题以跟踪参考沉积轮廓，其中我们的机器人基于学习到的工具退化动力学进行规划。我们以一个机器人绘图问题作为示例进行说明。通过真实世界实验，我们表明在控制设计中使用学习到的退化模型时，目标沉积与实际沉积之间的误差减小。
引用
@article{arxiv.2305.16650,
title = {Data-Driven Optimization for Deposition with Degradable Tools},
author = {Tony Zheng and Monimoy Bujarbaruah and Francesco Borrelli},
journal= {arXiv preprint arXiv:2305.16650},
year = {2023}
}
备注
To be published in the proceedings of IFAC World Congress 2023