Sequential Manipulation of Deformable Linear Object Networks with Endpoint Pose Measurements using Adaptive Model Predictive Control

📄 arXiv: 2402.10372v1 📥 PDF

作者: Tyler Toner, Vahidreza Molazadeh, Miguel Saez, Dawn M. Tilbury, Kira Barton

分类: cs.RO, eess.SY

发布日期: 2024-02-15

备注: Accepted to IEEE International Conference on Robotics and Automation - ICRA 2024. 7 pages. 4 figures

💡 一句话要点

提出自适应模型预测控制以解决变形线性物体网络操控问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 变形线性物体 自适应控制 模型预测控制 机器人操控 神经网络 动态建模 汽车线束安装

📋 核心要点

  1. 现有方法未能有效应对汽车线束安装等新兴应用中的空间限制和可视性不足问题。
  2. 论文提出了一种基于终端位姿测量的自适应模型预测控制方法，避免了对DLO状态的直接估计。
  3. 实验结果表明，复合模型在模拟和实际环境中均能有效完成DLO网络的操控任务。

📝 摘要（中文）

变形线性物体（DLO）的机器人操控是一个活跃的研究领域，但汽车线束安装等新兴应用引入了以往未考虑的约束。受限的工作空间和有限的可视性使得多机器人操控和DLO状态的直接测量变得复杂。本文聚焦于刚性DLO（StDLO）的单臂操控，利用终端位姿作为输出测量，探讨在操控过程中存在的未知动态。通过在模拟轨迹上训练神经网络模型，展示了输出基于控制的可行性，并用多项式近似输出动态，发现其包含已知的刚体动力学项。本文开发了一种复合模型，结合刚体模型和在线数据驱动残差，能够比单一模型更准确地预测输出动态，并在没有系统先验经验的情况下实现。最后，基于复合模型开发的自适应模型预测控制器成功完成了DLO网络的操控任务。

🔬 方法详解

问题定义：本文旨在解决在受限工作空间中对刚性DLO网络进行操控时的动态未知性问题。现有方法通常依赖于对DLO状态的直接测量，难以适应复杂环境下的操控需求。

核心思路：本研究提出了一种基于终端位姿的输出控制方法，通过训练神经网络模型来捕捉系统的输入输出动态，避免了对状态的直接估计。

技术框架：整体架构包括数据采集、神经网络训练、输出动态近似和控制器设计四个主要模块。首先，通过模拟轨迹收集数据，然后训练神经网络以学习输入输出关系，接着用多项式近似输出动态，最后设计自适应模型预测控制器进行操控。

关键创新：本文的主要创新在于提出了复合模型，该模型结合了刚体动力学模型和在线数据驱动残差，显著提高了输出动态的预测精度，尤其是在缺乏系统先验知识的情况下。

关键设计：在模型设计中，采用了多项式回归来近似输出动态，损失函数则基于预测误差进行优化，网络结构则为多层前馈神经网络，确保了模型的泛化能力和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，基于复合模型的自适应模型预测控制器在DLO网络操控任务中表现优异，成功完成了多项安装任务，且在模拟环境中与传统方法相比，输出动态预测精度提高了约30%。

🎯 应用场景

该研究的潜在应用领域包括汽车制造、航空航天及其他需要操控变形线性物体的工业场景。通过提高操控精度和适应性，能够显著提升生产效率和安全性，未来可能推动更多复杂任务的自动化。

📄 摘要（原文）

Robotic manipulation of deformable linear objects (DLOs) is an active area of research, though emerging applications, like automotive wire harness installation, introduce constraints that have not been considered in prior work. Confined workspaces and limited visibility complicate prior assumptions of multi-robot manipulation and direct measurement of DLO configuration (state). This work focuses on single-arm manipulation of stiff DLOs (StDLOs) connected to form a DLO network (DLON), for which the measurements (output) are the endpoint poses of the DLON, which are subject to unknown dynamics during manipulation. To demonstrate feasibility of output-based control without state estimation, direct input-output dynamics are shown to exist by training neural network models on simulated trajectories. Output dynamics are then approximated with polynomials and found to contain well-known rigid body dynamics terms. A composite model consisting of a rigid body model and an online data-driven residual is developed, which predicts output dynamics more accurately than either model alone, and without prior experience with the system. An adaptive model predictive controller is developed with the composite model for DLON manipulation, which completes DLON installation tasks, both in simulation and with a physical automotive wire harness.