灵巧手中操作的免参数自辨识与模型预测控制
机器人学
2023-07-20 v1
摘要
为灵巧手中操作构建手-物体模型仍然是一个关键且开放的问题。主要挑战包括难以获取手、物体以及时变接触的几何与动力学模型，以及不可避免的物理与感知不确定性。与建立精确模型来映射驱动输入与物体运动之间的关系不同，本工作提出使手-物体系统通过自辨识过程持续逼近其局部模型，其中底层操作模型通过少量探索动作与非参数学习进行估计。与大多数数据驱动方法相反，我们的系统通过探索动作与非参数学习，利用极少的数据点在线自辨识底层操作模型。通过将自辨识的手-物体模型集成到模型预测控制框架中，所提出的系统闭合控制回路，以提供高精度的手中操作。此外，一旦自辨识的局部模型相对于观测到的操作结果呈现出较大偏差，所提出的自辨识便能够通过额外的探索动作自适应地触发在线更新。我们在一个无传感器的欠驱动 Yale Model O 手上实现了所提出的方法，仅使用单个外部相机观测物体运动。通过大量实验，我们表明所提出的自辨识方法能够实现准确且鲁棒的灵巧操作，而无需精确的系统模型，也无需大量数据进行离线训练。
引用
@article{arxiv.2307.10033,
title = {Non-Parametric Self-Identification and Model Predictive Control of Dexterous In-Hand Manipulation},
author = {Podshara Chanrungmaneekul and Kejia Ren and Joshua T. Grace and Aaron M. Dollar and Kaiyu Hang},
journal= {arXiv preprint arXiv:2307.10033},
year = {2023}
}