Blog

Jun 16, 2023

Panasonic-Technologie optimiert Bewegungslehre für Roboter ...

Mit dem fortschreitenden Einsatz von Industrierobotern wird die Technologie zur effizienten Programmierung von Roboterbewegungen immer wichtiger. Insbesondere in Umgebungen, in denen Kontakt mit Menschen besteht und

Mit dem fortschreitenden Einsatz von Industrierobotern wird die Technologie zur effizienten Programmierung von Roboterbewegungen immer wichtiger. Insbesondere in Umgebungen, in denen es zu Kontakt mit Menschen und Objekten kommt, sind Bewegungen erforderlich, die das Kontaktrisiko verringern und gleichzeitig Aufgaben präzise ausführen. Eine Robotersteuerung, die beides erreicht, ist jedoch bekanntermaßen äußerst schwierig. Daher hat Panasonic eine Methode entwickelt, um einen Roboter effizient zu programmieren, vorausgesetzt, er verhält sich flexibel wie eine Feder. Eine neuartige Methode zum Erlernen von Steifigkeitsparametern der Impedanzsteuerung, um sowohl Aufgabenleistung als auch Sicherheitsanforderungen zu erfüllen, wurde durch Segmentierung der von Menschen demonstrierten Bewegungen, die Robotern beigebracht wurden, und durch eine Bayes'sche Optimierung mit mehreren Zielen entwickelt.

Diese Technologie genießt internationale Anerkennung und wurde in die IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2023 aufgenommen, eine Top-Konferenz für KI und Robotiktechnologie. Es wird auf der Plenarsitzung vorgestellt, die vom 1. bis 5. Oktober 2023 in Detroit, Michigan in den USA stattfindet.

Direktes Lehren, bei dem Menschen Roboterbewegungen direkt beibringen, wird aufgrund seiner Einfachheit häufig als Methode zur Programmierung von Roboterbewegungen verwendet. Wenn ein Roboter jedoch eine erlernte Aktion in einer Umgebung reproduziert, in der es zu Kontakt mit Objekten kommt oder in der Menschen oder andere Roboter zusammenarbeiten oder sich die Arbeit teilen, muss man sich mit dem Risiko eines unvorhergesehenen Kontakts auseinandersetzen, um Schäden an Menschen, Objekten usw. zu vermeiden. oder der Roboter selbst, was es schwierig macht, Roboter für bestimmte Aufgaben einzusetzen.

Die Steuerungstechnik für flexibel bewegte Roboter nutzt eine Impedanzregelung, die ein virtuelles Federsystem nachahmt und dem Roboter Flexibilität verleiht. Wenn ein geeigneter Federsystemparameter (Impedanzverstärkung) eingestellt wird, ist es möglich, das Kontaktrisiko zu reduzieren und gleichzeitig die angewiesene Operation genau auszuführen. Allerdings gibt es bei der Impedanzsteuerung im Allgemeinen einen Kompromiss zwischen Sicherheit und Bewegungsgenauigkeit, und es ist schwierig, eine Impedanzverstärkung einzustellen, die beides gleichzeitig optimiert.

Um die gewünschte Aufgabe zu erfüllen, müssen Roboter außerdem mehrere aufeinanderfolgende Aktionen präzise ausführen. Beim Öffnen einer Tür muss der Roboter beispielsweise 1) an den Knauf heranfahren, 2) den Knauf drehen und 3) die Tür öffnen. Allerdings ist die optimale Impedanzverstärkung für jede Operation unterschiedlich.

Daher hat Panasonic, wie in Abbildung 1 dargestellt, eine Methode entwickelt, die zunächst eine Reihe von Bewegungen segmentiert, um die Parameteroptimierung zu erleichtern, und dann mithilfe der Bayes'schen Optimierung mit mehreren Zielen die optimale Impedanzverstärkung für jedes Segment ermittelt.

Abbildung 1: Ablauf des Lernens von Impedanzkontrollparametern mit der neu entwickelten Methode. Fotos und Segmentierungen veranschaulichen die Tischwischaufgabe eines echten Roboters. Zitiert aus Abbildung 1 der akzeptierten Arbeit.

Erstens geht die neu entwickelte Aufgabensegmentierungsmethode IC-SLD (Impedance Control-aware Switching Linear Dynamics) davon aus, dass eine Reihe demonstrierter Bewegungen durch mehrere Kombinationen von Federsystem-Bewegungsgleichungen zur Impedanzsteuerung erzeugt wird, und definiert dies als das Problem der Schlussfolgerung unbekannte Impedanzverstärkung und die Schaltzeit der Gleichung. IC-SLD löst dieses Problem, indem es den Fehler zwischen der vorhergesagten Flugbahn und der tatsächlich eingelernten Flugbahn minimiert. Im Vergleich zu herkömmlichen Methoden wie dem Gaussian Mixture Model (GMM) oder Switching Linear Dynamics (SLD) eignet sich die durch IC-SLD realisierte Segmentierung zur Optimierung.

Anschließend wird der Impedanzgewinn durch Bayes'sche Optimierung unter Verwendung von Vorkenntnissen untersucht. Da IC-SLD auch einen geschätzten Wert der Impedanzverstärkung ausgibt, macht die Verwendung dieses Werts als Lösungskandidat die Optimierung effizienter. Durch die Anwendung der Bayes'schen Optimierung π-BO [Hvarfner+, ICLR2022], die Vorwissen nutzen kann, werden optimale Impedanzgewinne erzielt, die gleichzeitig die Aufgabenleistung (die kumulative Summe der Belohnungsfunktionen) und Sicherheitsindizes (die kumulative Summe der Steifigkeitsparameter) optimieren gesucht, während Roboterbewegungsversuche wiederholt wurden.

Experimente mit simulierten Aufgaben und einem echten Roboter zeigten, dass unsere Methode das Erlernen der Impedanzverstärkung in kürzerer Zeit als die herkömmliche Methode ermöglicht.

Abbildung 2: Segmentierungsergebnisse für die Türöffnungsaufgabe, durchgeführt mit IC-SLD und der herkömmlichen Methode. Zitiert aus Abbildung 4 der angenommenen Arbeit.

Abbildung 3: Lernergebnisse der Impedanzverstärkung in Simulation und tatsächlicher Ausrüstung unter Verwendung der neu entwickelten Methode. Die horizontale Achse ist die Anzahl der Versuche und die vertikale Achse ist ein Index, der Aufgabenleistung und Sicherheit kombiniert. Zitiert und verarbeitet aus Abbildung 3 und Abbildung 8 der angenommenen Arbeit.

Die neu entwickelte Roboter-Lehrtechnologie beschleunigt den Einsatz von Robotern in Umgebungen, in denen sie mit Menschen zusammenarbeiten. Wir werden die gesellschaftliche Umsetzung von KI und Robotik weiterhin beschleunigen und die Forschung und Entwicklung von KI-Technologie fördern, die zum Leben und am Arbeitsplatz unserer Kunden beiträgt.

„Learning Compliant Stiffness by Impedance Control-Aware Task Segmentation and Multi-Objective Bayesian Optimization with Priors“, erscheint in IROS 2023https://arxiv.org/abs/2307.15345.

Offizielle Website von IROS 2023: https://ieee-iros.orgPanasonic×AI-Website: https://tech-ai.panasonic.com/enRobotics Hub-Website: https://tech.panasonic.com/global/robot

https://holdings.panasonic/global