PAUL が運動を改善するために大規模なデータセットを必要とする理由

リンク一覧

要約と1 はじめに

関連作品2

2.1 空気圧駆動

2.2 空気圧アーム

2.3 ソフトロボットの制御

3 PAUL: デザインと製造

3.1 ロボット設計

3.2 材料の選択

3.3 製造

3.4 パフォーマンスバンク

4 データ収集とオープンループ制御

4.1 ハードウェアのセットアップ

4.2 ビジョンキャプチャシステム

4.3 データセット生成: テーブルベースモデル

4.4 オープンループ制御

5 件の結果

5.1 最終PAULバージョン

5.2 ワークスペース分析

5.3 テーブルベースモデルのパフォーマンス

5.4 曲げ実験

5.5 重量運搬実験

6 結論

資金調達情報

A. 実施した実験と参考文献

4.3 データセット生成: テーブルベースモデル

ロボットの複雑さのため、PCC や Cosserat ロッド理論に基づくモデルベースの方法論は廃止されました。 FEM の使用は、今後の作業でも引き続き検討される予定ですが、製造プロセスが非常に変動しやすいことを考慮すると、各セグメントに対して実験的に設定する必要があるパラメーター (ヤング率、慣性モーメントなど) が多数あるため、この最初のフェーズでは、データ収集に基づいた何らかのタイプの PAUL モデリングを使用することを選択しました。

システムの出力は、最終端が到達した位置と方向として取得されます (したがって、この段階では、中間セグメントの位置はすべて無視されます)。また、入力として、各膀胱の膨張時間が取得されます。ロボットの構築時に利用できる圧力センサーが十分でなかったため、膨張時間を入力変数として採用することにしました。作動圧力は圧力制限弁によって制限され、各ブラダーへの流量は一定であると想定できるため、時間は各キャビティに導入される空気の量に相当します。

検討されたすべての制御オプションには、大量の経験的データが必要であるという共通点があり、このデータの収集を体系化するための実験設計を開発する必要が生じます。この情報の取得はさまざまな段階で行われ、データセットはロボットの動作を客観的に表現する必要があるため、実験の再適用可能性は特に重要になります。

データセットに保存されたデータは、ロボットの先端の位置と、この構成を実現する膨張時間のセットでした。セグメント内の 3 つのブラダーのうち 2 つだけが膨張するという前述の制限により、冗長性が削減されます。前述のように、セグメントが 2 つを超えると冗長性が生じ、ロボットの逆運動学モデルに複数の解が存在する可能性があることを意味します。

データ収集プロセスには、いくつかの連続したステップが含まれます。最初に、サンプルの設定数が決定されます。各サンプルについて、Matlab コマンドは、各 PAUL バルブに対応する 9 つの膨張時間のランダムな組み合わせを作動ベンチに送信します。時間は最大時間制限 Tmax 未満で生成され、セグメントごとに 2 つのキャビティのみが膨張することが保証されます。これに続いて、送信された時間に基づいてロボットの膀胱が膨らみます。その後、ビジョン システムの 2 台のカメラが画像をキャプチャし、ロボットの端の位置と向きを決定します。この手順全体を指定された回数繰り返し、完了すると収集されたデータがデータセットに保存されます。

膨張時間に関する情報はパーセンテージとして保存され、値 0 はそのセグメントの膨張がゼロであることに対応し、値 100 は Tmax (このデータ収集セッションで定義された最大ミリ秒数の膨張) に対応します。この値 Tmax は、異なるデータセットを比較できるように、値とともにデータセットに保存されます。このコーディングの理由は、PAUL 膀胱がサポートできる最大圧力についての事前の情報が不足していることに起因します。実験的に、連続して 1500 ミリ秒を超える膨張時間がパンクにつながることが判明したのは事実ですが、繰り返しサイクル中にそれより短い時間を適用した場合も漏れが発生しました。これに基づいて、1 段階または複数段階で、1000 ミリ秒を超えてバルブを膨らませないことが決定されました。

各膀胱の膨張時間とともに、チャンバーの読み取り値に基づいて、先端が到達した位置と方向が保存されます。特に、緑色のマーカーの位置と三面体の向きが保存されます。後者は、回転行列よりもはるかに効率的な保存形式であるため、オイラー角で表現されます。さらに、データセットには、空気圧ライン圧力や周囲温度など、結果に影響を与えると考えられる収集プロセスからのメタデータも含まれています。

空気圧システムのいくつかの側面は注目に値します。当初、膀胱の膨張と収縮は対称的なプロセスではありません。空気圧コンポーネントの幾何学的制約により、膨張率に比べて収縮率が低くなります。したがって、PAUL は収縮時間を受け取ると、それを経験的に導き出された係数、つまり 1.2 bar の動作圧力の場合は約 1.45 で乗算します。この乗数は、単一の膀胱グループの膨張時間と収縮時間の不一致を補正し、収縮時間が同じ膨張点に到達するのに必要な時間と一致するようにします。

同様に、物理的には複数のバルブを同時に膨らませることが可能ですが、この並行した流れの分配により、各バルブの有効充填量は個別に膨らませた場合と同じではないことが示されています。この現象を防ぐために、データ収集プロセス中と、PAUL が特定の位置に到達するように要求されたときに突然、各膀胱を個別に膨らませることにしました。

最後に、シリコンにはヒステリシス現象があり、時間 t で膨らませたときの位置は、最初に時間 t1 で膨らませてから時間 t2 = t − t1 で膨らませたときの位置と異なります。この問題に対処するために採用された戦略は、各サンプル間で PAUL をゼロ位置に戻すデータセットをキャプチャすることでした。ただし、ロボットをオープンループで制御する場合、軌道をたどったり、一連のポイントを移動したりする必要があるため、これは不可能であるか、少なくとも望ましくありません。したがって、位置 x1 から x2 に遷移するには、ヒステリシス効果を考慮するために、これも実験的に導出された追加の係数 1.2 が必要です。

4.4 オープンループ制御

データセットが生成されると、それを使用してオープンループ制御用の PAUL の動作をモデル化できます。将来的には、直接運動学用のニューラル ネットワークと逆運動学用のニューラル ネットワークをそれぞれトレーニングすることが予想されます。しかし、必要となるデータ量が膨大になる可能性があるため（[62]では、このような3セグメントロボットに24389のサンプルが使用されている）、この研究ではテーブルルックアップ法が使用されている。

直接運動学の方法（9 つの膀胱の膨張時間からロボットの最終端の位置と方向を取得できるようにする）は、前の手順で生成されたデータセットで、基準として指定された膨張時間からより短い距離にある 3 つの膨張時間値を検索することから構成されます。明らかに、求められている膨張時間のセットがテーブル内にある場合、これらの時間に関連付けられた値は、直接運動モデルの結果として返されます。それ以外の場合は、最も近い 3 つの膨張時間に関連付けられた位置と方向の値の平均が、それぞれの膨張時間の間に存在する距離 (ユークリッド ノルム) と基準膨張時間の値によって重み付けされ、ロボットの位置と方向の値として返されます。

これらを使用すると、次の式を使用して直接運動学モデルによって返される位置を計算することができます。