用于精确柔顺阻抗控制的混合逆动力学模型端到端学习
机器人学
2022-05-30 v1 机器学习
摘要
众所周知，逆动力学模型可改善机器人控制中的跟踪性能。这些模型需要精确捕捉机器人动力学，其包含易于理解的组件（例如刚体动力学）以及仍难以捕捉的效应（例如黏滑摩擦和机械柔性）。此类效应表现出迟滞和部分可观测性，使其尤其难以建模。因此，结合物理先验与数据驱动方法的混合模型在此设定下尤为适用。我们提出一种新颖的混合模型公式，使我们能够辨识刚体动力学模型完全物理一致的惯性参数，该模型与循环神经网络架构配对，允许我们利用网络记忆捕捉未建模的部分可观测效应。我们在 7 自由度机械臂上将我们的方法对比最先进的逆动力学模型。利用通过最优实验设计方法获得的数据集，我们研究了离线力矩预测的准确性和联合学习方法的泛化能力。在真实系统的控制实验中，我们将该模型作为阻抗控制的前馈项进行评估，并表明可大幅降低反馈增益以达到给定的跟踪精度。
引用
@article{arxiv.2205.13804,
title = {End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and Compliant Impedance Control},
author = {Moritz Reuss and Niels van Duijkeren and Robert Krug and Philipp Becker and Vaisakh Shaj and Gerhard Neumann},
journal= {arXiv preprint arXiv:2205.13804},
year = {2022}
}
备注
Accepted for publication at Robotics: Science and System XVIII (RSS), year 2022. Paper length is 13 pages (i.e. 9 pages of technical content, 1 page of the Bibliography/References and 3 pages of Appendix)