PAUL이 움직임을 개선하기 위해 방대한 데이터 세트가 필요한 이유

링크 표

초록 및 1 서론

2 관련 작품

2.1 공압 작동

2.2 공압 암

2.3 소프트 로봇의 제어

3 PAUL: 디자인 및 제조

3.1 로봇 설계

3.2 재료 선택

3.3 제조

3.4 성과 은행

4 데이터 수집 및 오픈 루프 제어

4.1 하드웨어 설정

4.2 비전 캡처 시스템

4.3 데이터 세트 생성: 테이블 기반 모델

4.4 오픈 루프 제어

5개의 결과

5.1 최종 PAUL 버전

5.2 작업 공간 분석

5.3 테이블 기반 모델의 성능

5.4 굽힘 실험

5.5 무게 운반 실험

6 결론

자금 정보

A. 수행된 실험 및 참고문헌

4.3 데이터 세트 생성: 테이블 기반 모델

로봇의 복잡성으로 인해 PCC나 코세라 막대 이론을 기반으로 한 모델 기반 방법론은 버려졌습니다. FEM을 사용하는 것은 향후 작업에서 폐쇄되지 않을 길이지만, 제조 공정이 매우 가변적이라는 점을 감안할 때 각 구간에 대해 실험적으로 설정해야 할 매개변수의 수가 많기 때문에(영률, 관성 모멘트 등) 이 첫 번째 단계에서는 데이터 수집을 기반으로 하는 일종의 PAUL 모델링을 사용하기로 했습니다.

시스템의 출력은 최종 단계에서 도달한 위치와 방향으로 취해지며(따라서 이 단계에서는 모든 중간 세그먼트의 위치는 무시됨) 각 방광의 팽창 시간이 입력으로 취해집니다. 로봇을 제작할 당시에는 압력 센서가 충분하지 않았기 때문에 팽창 시간을 입력 변수로 사용하기로 결정했습니다. 작동 압력은 압력 제한 밸브에 의해 제한되고 각 방광으로 유입되는 유량은 일정하다고 가정할 수 있으므로 시간은 각 공동으로 유입되는 공기의 양과 동일합니다.

고려된 모든 통제 옵션은 공통적으로 방대한 양의 경험적 데이터가 필요하다는 점을 가지며, 이는 이 데이터 수집을 체계화하기 위한 실험 설계를 개발해야 한다는 필요성으로 이어진다. 이 정보의 수집은 여러 단계를 거쳐 이루어지며, 데이터 세트는 로봇의 행동을 객관적인 방식으로 표현해야 하므로 실험의 재적용이 특별한 중요성을 갖습니다.

데이터 세트에 저장된 데이터는 로봇 팁의 위치와 이러한 구성을 달성하는 일련의 팽창 시간이었습니다. 세그먼트에 있는 3개의 방광 중 2개만 팽창한다는 앞서 언급한 제한으로 인해 중복성이 줄어듭니다. 앞서 언급했듯이, 세 개 이상의 세그먼트는 중복으로 이어지며, 이는 로봇의 역 운동학 모델이 여러 개의 솔루션을 가질 수 있음을 의미합니다.

데이터 수집 과정에는 여러 가지 순차적인 단계가 포함됩니다. 처음에는, 일정 수의 샘플이 결정됩니다. 각 샘플에 대해 Matlab 명령은 각 PAUL 밸브에 해당하는 9개의 팽창 시간의 무작위 조합을 작동 벤치로 전송합니다. 시간은 최대 시간 제한 Tmax 이하에서 생성되며, 세그먼트당 두 개의 캐비티만 팽창되도록 보장합니다. 이어서, 전송된 시간에 따라 로봇의 방광이 부풀어 오릅니다. 이어서 비전 시스템의 두 카메라가 이미지를 캡처하여 로봇 끝부분의 위치와 방향을 파악합니다. 이 전체 절차는 지정된 반복 횟수만큼 반복되며 완료되면 수집된 데이터는 데이터 세트에 저장됩니다.

팽창 시간에 대한 정보는 백분율로 저장되며, 값 0은 해당 세그먼트의 팽창이 전혀 없음을 나타내고, 값 100은 이 데이터 수집 세션에 대해 정의된 최대 밀리초 수 동안의 팽창인 Tmax를 나타냅니다. 이 값 Tmax는 다른 데이터 세트를 비교할 수 있도록 값과 함께 데이터 세트에 저장됩니다. 이러한 코딩의 이유는 PAUL 방광이 지탱할 수 있는 최대 압력이 무엇인지에 대한 사전 정보가 부족하기 때문입니다. 1500ms 이상의 연속된 팽창 시간이 펑크로 이어진다는 것이 실험적으로 밝혀진 것은 사실이지만, 더 낮은 시간을 반복해서 적용해도 누출이 발생했습니다. 이러한 근거로, 어떤 밸브도 1000ms 이상 한 단계 또는 여러 단계로 팽창시키지 않기로 결정했습니다.

각 방광의 팽창 시간과 함께 챔버 판독값을 기반으로 끝부분이 도달한 위치와 방향이 저장됩니다. 특히, 녹색 마커의 위치와 삼면체의 방향이 저장됩니다. 후자는 회전 행렬보다 훨씬 효율적인 저장 형태이므로 오일러 각으로 표현됩니다. 또한 데이터 세트에는 공압 라인 압력이나 주변 온도 등 결과에 영향을 미치는 것으로 생각되는 수집 프로세스의 메타데이터도 포함되어 있습니다.

공압 시스템의 몇몇 측면에 주목할 필요가 있습니다. 처음에는 방광의 팽창과 수축이 대칭적인 과정이 아닙니다. 공압 부품의 기하학적 제약으로 인해 팽창 속도보다 수축 속도가 낮아집니다. 따라서 PAUL이 수축 시간을 받으면 경험적으로 도출한 계수인 1.2bar 작동 압력의 경우 약 1.45를 곱합니다. 이 배수는 단일 그룹의 방광의 팽창과 수축 시간 간의 불일치를 보상하여 수축 시간이 동일한 팽창 지점에 도달하는 데 필요한 시간과 일치하도록 합니다.

마찬가지로, 여러 개의 밸브를 동시에 부풀리는 것은 물리적으로 가능하지만 이러한 평행한 흐름 분포는 각 밸브의 효과적인 충전이 개별적으로 부풀려지는 것과 같지 않다는 것을 보여줍니다. 이러한 현상을 방지하기 위해 데이터 수집 과정 중과 PAUL이 특정 위치에 도달하라는 요청을 받았을 때 갑자기 각 방광을 개별적으로 부풀리기로 결정했습니다.

마지막으로, 실리콘에는 히스테리시스 현상이 있는데, 이로 인해 t 시간 동안 팽창했을 때 도달한 위치가 먼저 t1 시간 동안 팽창하고, 그다음 t2 = t − t1 시간 동안 팽창했을 때 도달한 위치와 달라집니다. 이 문제를 해결하기 위해 사용된 전략은 각 샘플 사이의 PAUL을 원래 위치로 되돌리는 데이터 세트를 캡처하는 것이었습니다. 그러나 오픈 루프로 로봇을 제어할 때 이는 불가능하거나 적어도 바람직하지 않습니다. 궤적을 따르거나 일련의 지점을 이동하고자 할 수 있기 때문입니다. 따라서 x1 위치에서 x2로 전환하려면 히스테리시스 효과를 설명하기 위해 역시 실험적으로 도출한 1.2의 추가 계수가 필요합니다.

4.4 오픈 루프 제어

데이터 세트가 생성되면 이를 사용하여 오픈 루프 제어를 위한 PAUL의 동작을 모델링할 수 있습니다. 앞으로는 직접 운동학을 위한 신경망과 역 운동학을 위한 신경망을 각각 훈련하는 것이 계획되어 있습니다. 그러나 필요할 수 있는 대량의 데이터를 감안할 때([62]에서는 이와 같은 3세그먼트 로봇에 대해 24389개 샘플이 사용됨) 이 작업에서는 테이블 조회 방법이 사용되었습니다.

9개 블래더의 팽창 시간으로부터 로봇의 최종 끝부분의 위치와 방향을 얻을 수 있는 직접 운동학 방법은 이전 단계에서 생성된 데이터 세트에서 기준으로 주어진 팽창 시간보다 더 짧은 거리에 있는 3개의 팽창 시간 값을 검색하는 것으로 구성됩니다. 당연히 찾고자 하는 인플레이션 시간 집합이 표에 있다면 이 시간과 관련된 값은 직접 운동학 모델의 결과로 반환될 것입니다. 그렇지 않으면, 세 개의 가장 가까운 팽창 시간과 연관된 위치 및 방향 값의 평균은 각 값 사이에 존재하는 거리(유클리드 노름)와 기준 팽창 시간 값에 의해 가중되어 로봇의 위치 및 방향 값으로 반환됩니다.

이를 사용하면 다음 표현식을 사용하여 직접 운동학 모델에서 반환된 위치를 계산할 수 있습니다.