Ваддах Али — аспирант, факультет систем управления и робототехники, Международная лаборатория Биомехатроники и энергоэффективной робототехники, инженер
Санкт-Петербург
Waddah Ali — Post-Graduate Student, Faculty of Control Systems and Robotics, International Laboratory of Biomechatronics and Energy-Efficient Robotics, Engineer
St. Petersburg
Сергей Алексеевич Колюбин — докт. техн. наук, факультет систем управления и робототехники,Международная лаборатория Биомехатроники и энергоэффективной робототехники, профессор, г.н.с
Санкт-Петербург
Sergey A. Kolyubin — Dr. Sci., Faculty of Control Systems and Robotics, International Laboratory of Biomechatronics and Energy-Efficient Robotics, Professor, Chief Researcher
St. Petersburg
Подход к обучению на основе демонстрации привлекает все больше внимания при программировании сенсорно-моторных навыков роботов. В то же время большинство работ сосредоточено на сценариях с управлением по положению, тогда как различные прикладные области и работа в динамической среде требуют безопасного и устойчивого физического взаимодействия, где критически важно оценивать соответствующий профиль силы/момента контакта вдоль траектории. Разработана методика планирования экспериментов и сбора и обработки данных для обучения моделей, кодирующих сенсорно-моторные навыки динамического взаимодействия манипулятора с окружением. Для этих целей комплексируются данные, поступающие от системы оптического захвата движения и силомоментного датчика, измеряемые при выполнении человеком последовательности действий. Рассмотрен пример резки скальпелем различных материалов по заданным траекториям. В качестве генератора эталонного движения используется регрессионная модель на основе смеси гауссиан (GMM/GMR), на вход которой поступают метки времени и материала, а на выходе выводятся предсказанные значения векторов пространственного положения, скоростей и сил и моментов контакта инструмента. Проведено 120 экспериментов с тремя различными материалами (пеноплекс, пробка и ПВХ) — по 40 на каждый материал. Представлены алгоритмы для обработки данных, результаты обучения модели и ее верификации. Для предсказаний скорости и положения инструмента получены значения среднеквадратического отклонения соответственно 7,12 и 10,69 %, а также 14,33 % — для мощности как метрики точности соответствия профиля сил и моментов контакта вдоль движения.
Learning from demonstration approach is gaining interest for programming robot sensory-motor skills. At the same time, most of the works are addressing manipulation scenarios with position-based control, while various application domains and work in dynamic environment require safe and stable physical interaction where assessing proper force/torque profile along motion is crucial. This study is aimed at developing experiment planning and data collection and processing procedure for training robot behavior priors for dynamic interaction tasks. We fuse motion capture and force-torque sensory data within robot-out-of-loop setting to train Gaussian Mixture Model/Gaussian Mixture Regression (GMM/GMR) model as a reference motion generator that takes time and material label as inputs and outputs predicted end-effector’s pose, twist, and interaction wrench vectors. For the case-study we considered experiment setting of cutting three different materials like penoplex, cork, and PVC resulting in 120 demonstrations in total (40 for each material). Algorithms for data processing, GMM/GMR model training and verification have been introduced. We achieved RMSEs of 7.12 and 10.69 % for twist and pose predictions respectively and RMSE of 14.33 % for power estimates as a metric to illustrate how accurate twistwrench correspondences have been captured by our model, which is important for interaction tasks.
The authors declare that there are no conflicts of interest present.