机械臂碰撞距离的随机建模
机器人学
2020-06-01 v1
摘要
评估机械臂的碰撞距离对于评估机器人构型的可行性或在不可预测环境中定义安全的机器人运动非常有用。然而，距离估计是一项耗时的操作，且用于测量距离的传感器始终存在噪声。因此，在评估期望的碰撞距离以实现更安全的机器人控制与规划方面存在挑战。在本工作中，我们提出使用高斯过程（GP）回归与正向运动学（FK）核（一种用于机械臂的相似性函数）来高效且准确地估计碰撞距离。我们表明，采用FK核的GP模型在距离评估上比标准几何技术快70倍，且与其他回归模型相比，评估精度最高可提升13倍，即使在GP基于含噪距离测量进行训练时也是如此。我们将该技术应用于轨迹优化任务，观察到优化速度比无噪声几何方法快9倍，同时获得了相似的优化运动规划。我们还提出了一种基于置信度的混合模型，该模型在高置信度区域使用基于模型的预测，而在其他区域切换至更昂贵的基于传感器的方法，并且我们在一项涉及伸入狭窄通道的应用中展示了该混合模型的实用性。
引用
@article{arxiv.2005.14391,
title = {Stochastic Modeling of Distance to Collision for Robot Manipulators},
author = {Nikhil Das and Michael C. Yip},
journal= {arXiv preprint arXiv:2005.14391},
year = {2020}
}