DOI 10.17586/0021-3454-2024-67-10-893-898
УДК 007.51
УПРАВЛЕНИЕ МАНИПУЛЯТОРАМИ С НАСТРОЙКОЙ ИМПЕДАНСНЫХ РЕГУЛЯТОРОВ НА ОСНОВЕ МОДЕЛЕЙ СЕНСОРНО-МОТОРНЫХ НАВЫКОВ
Университет ИТМО, факультет систем управления и робототехники (ФСУиР), Международная лаборатория Биомехатроники и энергоэффективной робототехники; инженер
Колюбин С. А.
Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация; доцент
Ссылка для цитирования : Ваддах Али, Колюбин С. А. Управление манипуляторами с настройкой импедансных регуляторов на основе моделей сенсорно-моторных навыков // Изв. вузов. Приборостроение. 2024. Т. 67, № 10. С. 893–898. DOI: 10.17586/0021-3454-2024-67-10-893-898.
Аннотация. Представлен метод управления, при котором параметры импедансного регулятора в декартовом пространстве настраиваются в режиме реального времени посредством оптимизации на основе метода квадратичного программирования. Настройка параметров выполняется в соответствии с генерируемыми моделями сенсорно-моторных навыков, желаемыми профилями скоростей и сил взаимодействия инструмента робота с окружением.
Аннотация. Представлен метод управления, при котором параметры импедансного регулятора в декартовом пространстве настраиваются в режиме реального времени посредством оптимизации на основе метода квадратичного программирования. Настройка параметров выполняется в соответствии с генерируемыми моделями сенсорно-моторных навыков, желаемыми профилями скоростей и сил взаимодействия инструмента робота с окружением.
Ключевые слова: обучение на основе демонстрации, управление переменным импедансом, передача навыков, манипуляция с контактом
Список литературы:
Список литературы:
- Ali Waddah, Kolyubin S. А. Training behavior priors models for programming robotic contact-rich manipulation // Journal of Instrument Engineering, 2024, Vol. 67, N 6. Р. 500–510.
- Hussein A., Gaber M. M., Elyan E., and Jayne C. Imitation learning: A survey of learning // ACM Computing Surveys. 2017. Vol. 50, N 2. Art. no. 21. https://doi.org/10.1145/3071073.
- Ravichandar H., Polydoros A. S., Chernova S., and Billard A. Recent advances in robot learning from demonstration // Annual Review of Control, Robotics, and Autonomous Systems. 2020. Vol. 3, N 1. Р. 297–330. DOI:10.1146/annurevcontrol-100819-063206.
- Abu-Dakka F. J. and Kyrki V. Geometry-aware dynamic movement primitives // IEEE International Conference on Robotics and Automation. Paris, France, 2020. P. 4421–4426.
- Wang Y. Q., Hu Y. D., El Zaatari S., Li W. D., Zhou Y. Optimised Learning from Demonstrations for Collaborative Robots // Robotics and Computer-Integrated Manufacturing. 2021. Vol. 71, N 9. Р. 102169. DOI:10.1016/j. rcim.2021.102169.
- Kronander K. and Billard A. Learning compliant manipulation through kinesthetic and tactile human-robot interaction // IEEE Transactions on Haptics. 2014. Vol. 7. P. 367–380.
- Saveriano M. and Lee D. Learning motion and impedance behaviors from human demonstration // IEEE International Conference on Ubiquitous Robots and Ambient Intelligence. Kuala Lumpur, Malaysia, 2014. P. 368–373.
- Khansari-Zadeh S. M. and Billard A. Learning stable non-linear dynamical systems with gaussian mixture models // IEEE Transaction on Robotics. 2011. Vol. 27. P. 943–957.
- Li M., Yin H., Tahara K., and Billard A. Learning object-level impedance control for robust grasping and dexterous manipulation // IEEE International Conference on Robotics and Automation. Hong Kong, China, 2014. P. 6784–6791.
- Suomalainen M., Calinon S., Pignat E., and Kyrki V. Improving dual-arm assembly by master-slave compliance // IEEE International Conference on Robotics and Automation (ICRA). Montreal, QC, Canada, 2019. P. 8676–8682.
- Byrd R. H., Lu P., and Nocedal J. A Limited Memory Algorithm for Bound Constrained Optimization // SIAM Journal on Scientific and Statistical Computing. 1995. Vol. 16, N 5. P. 1190–1208.
