Excitation Trajectory Optimization for Dynamic Parameter Identification Using Virtual Constraints in Hands-on Robotic System
作者: Huanyu Tian, Martin Huber, Christopher E. Mower, Zhe Han, Changsheng Li, Xingguang Duan, Christos Bergeles
分类: cs.RO
发布日期: 2024-01-29
💡 一句话要点
提出一种新的激励轨迹优化方法以解决动态参数识别问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 动态参数识别 激励轨迹优化 自碰撞避免 递归牛顿-欧拉算法 人机交互 机器人技术 工业应用
📋 核心要点
- 现有方法在动态参数识别中面临自碰撞和工具校准的挑战，导致获取高质量训练数据困难。
- 论文提出了一种基于URDF的激励轨迹优化方法，利用递归牛顿-欧拉算法动态估计参数，强调自碰撞避免。
- 实验结果表明，该方法在外科背景下的工作负载减少了30.1%，与现有技术相比具有显著提升。
📝 摘要（中文）
本文提出了一种新颖且计算效率更高的方法，用于优化机器人激励轨迹以进行动态参数识别，重点关注自碰撞避免。这一方法解决了在工业、临床和研究环境中，使用多种工具的协同操作机器人臂获取高质量训练数据的系统识别挑战。通过利用统一机器人描述格式（URDF）实现递归牛顿-欧拉算法（RNEA）的符号Python实现，该方法帮助动态估计诸如惯性等参数，并通过对真实机器人数据的回归分析进行验证。激励轨迹的评估结果与未考虑自碰撞和工具校准的最新技术相比，达到了同等标准。此外，在外科背景下进行的物理人机交互（pHRI）接纳控制实验显示，通过NASA TLX问卷，工作负载减少了30.1%。
🔬 方法详解
问题定义：本文旨在解决在动态参数识别中，机器人激励轨迹优化的挑战，尤其是自碰撞和工具校准问题，这些问题影响了高质量训练数据的获取。
核心思路：论文提出了一种新颖的激励轨迹优化方法，利用URDF实现递归牛顿-欧拉算法（RNEA），通过动态估计参数来提高系统识别的准确性，并避免自碰撞。
技术框架：整体架构包括数据采集模块、激励轨迹优化模块和动态参数估计模块。数据采集模块负责获取机器人运动数据，激励轨迹优化模块进行轨迹优化，动态参数估计模块则利用回归分析进行参数估计。
关键创新：最重要的技术创新点在于引入了自碰撞避免机制，使得激励轨迹优化在实际应用中更加安全和有效，与传统方法相比，显著提高了系统的可靠性和数据质量。
关键设计：在参数设置上，采用了适应性损失函数以平衡自碰撞避免与参数估计的精度，网络结构上则使用了多层回归模型来处理复杂的动态参数估计任务。实验中还进行了工具校准，以确保数据的准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，提出的方法在外科背景下的工作负载减少了30.1%，通过NASA TLX问卷评估，与未考虑自碰撞和工具校准的现有技术相比，表现出显著的性能提升，验证了方法的有效性和实用性。
🎯 应用场景
该研究的潜在应用领域包括工业自动化、医疗机器人和研究实验室等场景，能够有效提高机器人在动态环境中的操作精度和安全性。未来，该方法有望推动更复杂的机器人系统在实际应用中的发展，提升人机协作的效率和安全性。
📄 摘要（原文）
This paper proposes a novel, more computationally efficient method for optimizing robot excitation trajectories for dynamic parameter identification, emphasizing self-collision avoidance. This addresses the system identification challenges for getting high-quality training data associated with co-manipulated robotic arms that can be equipped with a variety of tools, a common scenario in industrial but also clinical and research contexts. Utilizing the Unified Robotics Description Format (URDF) to implement a symbolic Python implementation of the Recursive Newton-Euler Algorithm (RNEA), the approach aids in dynamically estimating parameters such as inertia using regression analyses on data from real robots. The excitation trajectory was evaluated and achieved on par criteria when compared to state-of-the-art reported results which didn't consider self-collision and tool calibrations. Furthermore, physical Human-Robot Interaction (pHRI) admittance control experiments were conducted in a surgical context to evaluate the derived inverse dynamics model showing a 30.1\% workload reduction by the NASA TLX questionnaire.