通过阻抗控制感知的任务分割与带先验的多目标贝叶斯优化学习柔顺刚度
机器人学
2023-07-31 v1 系统与控制
系统与控制
摘要
与传统位置控制不同,为确保从示教编程的工业机器人的安全操作,更倾向于使用阻抗控制。然而,变刚度学习研究多聚焦于任务性能而非安全性(或柔顺性)。因此,本文提出一种新颖的刚度学习方法,以同时满足任务性能与柔顺性要求。所提方法通过多目标贝叶斯优化同时优化任务与柔顺性目标(T/C 目标)。我们通过将示教分割为若干任务阶段来定义刚度搜索空间,每一阶段具有恒定的对应刚度。该分割通过从示教中识别阻抗控制感知的切换线性动力学(IC-SLD)来完成。我们还利用所提 IC-SLD 获得的刚度作为先验以提升优化效率。在仿真任务与真实机器人上的实验表明,基于 IC-SLD 的分割与先验的使用相比现有基线方法提升了优化效率。
引用
@article{arxiv.2307.15345,
title = {Learning Compliant Stiffness by Impedance Control-Aware Task Segmentation and Multi-objective Bayesian Optimization with Priors},
author = {Masashi Okada and Mayumi Komatsu and Ryo Okumura and Tadahiro Taniguchi},
journal= {arXiv preprint arXiv:2307.15345},
year = {2023}
}
备注
Accepted to IROS2023