Mоделирование шаблонов сенсорно-моторных навыков для программирования роботов в задачах контактного манипулирования

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.

1. Noémie J., Welle M. C., Gams A., Yao K., Fichera B., Billard A., Ude A., Asfour T., and Kragić D. Transfer Learning in Robotics: An Upcoming Breakthrough? A Review of Promises and Challenges // arXiv preprint arXiv:2311.18044. 2023.

2. Jauhri S., Peters J., and Chalvatzaki G. Robot learning of mobile manipulation with reachability behavior priors // IEEE Robotics and Automation Letters. 2022 Vol. 3, N 7. P. 8399–8406.

3. Liu P., Zhang K., Tateo D., Jauhri S., Hu Zh., Peters J., and Chalvatzaki G. Safe reinforcement learning of dynamic high-dimensional robotic tasks: navigation, manipulation, interaction // 2023 IEEE Intern. Conf. on Robotics and Automation (ICRA). IEEE, 2023. P. 9449–9456.

4. Shek A., Su B. Y., Chen R., and Liu Ch. Learning from physical human feedback: An object-centric one-shot adaptation method // 2023 IEEE Intern. Conf. on Robotics and Automation (ICRA). IEEE, 2023. P. 9910–9916.

5. Zhao J., Giammarino A., Lamon E., Gandarias J., De Momi E., and Ajoudani A. A hybrid learning and optimization framework to achieve physically interactive tasks with mobile manipulators // IEEE Robotics and Automation Letters. 2022. N 7. Р. 1–8.

6. Calinon S. A tutorial on task-parameterized movement learning and retrieval // Intelligent service robotics. 2016. N 9. P. 1–29.

7. Fabisch A. gmr: Gaussian mixture regression // J. of Open Source Software. 2021. Vol. 62, N 6. P. 3054.

8. Sung H. G. Gaussian mixture regression and classification. Rice University, 2004.