基于深度学习的接触丰富 pHRI 中的子任务检测与运动估计
机器人学
2024-07-22 v1
摘要
本文提出一种自适应阻抗控制器，用于提高小批量制造中物理人机交互（pHRI）任务的效率和安全性，这些任务涉及与刚性环境的接触，例如钻孔、抛光、切割等。我们旨在最小化人力 effort 同时最大化在机器工具附着于机器人末端执行器与工件接触期间的精度和稳定性。为此，提出了两种层面的基于学习的人类意图识别机制，仅使用机器人和两个力传感器的运动学和动力学数据。“子任务检测器”通过估计正在执行的任务阶段（例如，Idle、Tool-Attachment、Driving 和 Contact）来识别人类意图。同时，“运动估计器”在 Driving 期间持续量化意图，以更精确地预测 Contact 的何时开始。根据子任务在线适应控制器，同时允许在 Contact 之前进行早期适应，以最大化精度和安全性并防止潜在不稳定。 performed了多组 pHRI 实验，使用多个主体在各种条件下进行。在虚拟环境中进行弹簧压缩实验以训练数据驱动模型并验证所提出的自适应系统；在物理世界中进行钻孔实验以测试所提出方法在真实情景中的有效性。实验结果显示子任务分类准确率为 84%，运动估计 R²得分达 0.96。此外，本文提出的系统在 Driving 期间实现了 57%的人力 effort 降低，以及在 Contact 时实现了 53% 的振幅降低。
引用
@article{arxiv.2407.14161,
title = {Efficient and Safe Contact-rich pHRI via Subtask Detection and Motion Estimation using Deep Learning},
author = {Pouya P. Niaz and Engin Erzin and Cagatay Basdogan},
journal= {arXiv preprint arXiv:2407.14161},
year = {2024}
}