Управление манипуляторами с настройкой импедансных регуляторов на основе моделей сенсорно-моторных навыков
https://doi.org/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.
Об авторах
Али ВаддахРоссия
Ваддах Али — аспирант; факультет систем управления и робототехники, Международная лаборатория биомехатроники и энергоэффективной робототехники; инженер
Санкт-Петербург
С. А. Колюбин
Россия
Сергей Алексеевич Колюбин — д-р техн. наук; Университет ИТМО, факультет систем управления и робототехники, Международная лаборатория биомехатроники и энергоэффективной робототехники; профессор, г.н.с.
Санкт-Петербург
Список литературы
1. 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.
2. 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.
3. 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/annurev- control-100819-063206.
4. 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.
5. 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.
6. 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.
7. 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.
8. 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.
9. 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.
10. 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.
11. 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.
Рецензия
Для цитирования:
Ваддах А., Колюбин С.А. Управление манипуляторами с настройкой импедансных регуляторов на основе моделей сенсорно-моторных навыков. Известия высших учебных заведений. Приборостроение. 2024;67(10):893-898. https://doi.org/10.17586/0021-3454-2024-67-10-893-898
For citation:
Waddah A., Kolyubin S.A. Variable Impedance Learning Control for Robotic Arms from GMR-Encoded Behavior Priors. Journal of Instrument Engineering. 2024;67(10):893-898. https://doi.org/10.17586/0021-3454-2024-67-10-893-898