Adaptive Vision-Based Control of Redundant Robots with Null-Space Interaction for Human-Robot Collaboration

Diese Arbeit stellt ein neues, stabilitätsbewiesenes Regelungsschema für redundante Roboter vor, das durch eine adaptive visuell gesteuerte Aufgabenraumsteuerung und eine interaktive Nullraumsteuerung eine sichere und effektive Mensch-Roboter-Kollaboration in unbekannten Umgebungen ermöglicht, ohne die Hauptaufgabe des Endeffektors zu beeinträchtigen.

Das Wesentliche

Stellen Sie sich vor, Sie arbeiten mit einem sehr geschickten, aber manchmal etwas sturen Roboterarm zusammen. Dieser Roboter hat eine besondere Eigenschaft: Er ist „redundant". Das klingt kompliziert, ist aber einfach wie ein Mensch mit zwei Armen, der eigentlich drei hätte. Er hat mehr Gelenke als unbedingt nötig, um eine Aufgabe zu erledigen. Das ist super, weil er sich in engen Räumen winden oder Hindernissen ausweichen kann, ohne seine Hauptaufgabe zu vergessen.

Das Problem bisher war: Wenn der Roboter etwas tun sollte (z. B. einen Schraubenschlüssel holen) und ein Mensch dazwischenkam oder die Umgebung sich änderte, musste der Roboter oft stoppen, um sich neu zu orientieren. Oder er ignorierte den Menschen, was gefährlich sein konnte.

Die Lösung aus diesem Papier: Der „Zauber-Roboter"

Die Forscher von der Tsinghua-Universität haben einen neuen Steuerungs-Algorithmus entwickelt, der wie ein Zaubertrick funktioniert. Sie nennen es „adaptive visuell-basierte Steuerung mit Nullraum-Interaktion". Lassen Sie uns das in einfache Bilder übersetzen:

1. Die zwei getrennten Welten (Der Trick)

Stellen Sie sich den Roboterarm als einen Künstler vor, der ein Bild malt (das ist die Hauptaufgabe).

• Die Welt der Aufgabe (Bildraum): Hier kümmert sich der Roboter nur darum, dass der Pinsel genau dort ist, wo er sein soll. Er ignoriert alles andere.
• Die Welt der Gelenke (Nullraum): Das ist der „Zauberbereich". Hier kann der Roboter seine Arme verdrehen, strecken und biegen, ohne dass sich der Pinsel auf dem Papier bewegt.

Die Metapher:
Stellen Sie sich einen Jongleur vor, der drei Bälle in der Luft hält (das ist die Hauptaufgabe).

• Früher: Wenn jemand den Jongleur am Arm rüttelte, fielen die Bälle runter.
• Jetzt: Der Jongleur hat gelernt, seinen Körper so zu bewegen, dass er die Person, die ihn rüttelt, sanft auffängt und ausweicht, während die Balle weiterhin perfekt in der Luft tanzen. Der Körper (die Gelenke) passt sich an, der Kopf (die Aufgabe) bleibt stabil.

2. Die „Augen", die nicht wissen, wie sie sehen (Unkalibrierte Kamera)

Normalerweise muss man einem Roboter genau sagen, wie seine Kamera funktioniert (wie weit ist das Objekt? wie verzerrt ist das Bild?). Das ist wie ein Fotograf, der erst jedes Mal neu messen muss, wie weit sein Objektiv ist, bevor er ein Foto macht.

In diesem Papier ist die Kamera nicht kalibriert. Der Roboter weiß also nicht genau, wie weit weg Dinge sind.

• Die Lösung: Der Roboter lernt einfach dazu! Er ist wie ein Kind, das lernt, Entfernungen einzuschätzen. Er macht einen Versuch, sieht, ob er danebenliegt, und korrigiert seine innere Schätzung sofort. Er „tastet" sich an die richtige Tiefe heran, während er arbeitet.

3. Die Zusammenarbeit mit dem Menschen (AR-Brille)

Wie spricht der Mensch mit dem Roboter? Nicht durch komplizierte Codezeilen, sondern durch eine Augmented-Reality-Brille (wie HoloLens).

• Der Mensch sieht den Roboter in der realen Welt, aber überlagert mit einem virtuellen Modell.
• Der Mensch kann mit der Hand in die Luft greifen und einen virtuellen Gelenk-Arm „schieben" oder Schieberegler bewegen.
• Das Ergebnis: Der Mensch sagt: „Hey, ich brauche mehr Platz, weil ich mir die Werkzeuge holen muss." Der Roboter dreht dann einfach seinen Körper (die redundanten Gelenke) so, dass er dem Menschen Platz macht – ohne dass der Schraubenschlüssel, den er gerade hält, auch nur einen Millimeter verrutscht.

Warum ist das wichtig?

• Sicherheit: Wenn ein Hindernis auftaucht, das die Kamera nicht sieht (weil es hinter dem Roboter ist), kann der Mensch sofort eingreifen und den Roboter ausweichen lassen.
• Effizienz: Der Roboter muss nicht stoppen. Er macht weiter, während er sich anpasst.
• Flexibilität: Es funktioniert in chaotischen Umgebungen (wie einer Werkstatt oder einem OP-Saal), wo man nicht alles vorher genau vermessen kann.

Zusammenfassung in einem Satz:
Die Forscher haben einem Roboter beigebracht, wie ein geschickter Tänzer: Er führt seine Haupttanzschritte (die Aufgabe) perfekt aus, während er gleichzeitig mit dem Körper auf die Bewegungen seines Tanzpartners (des Menschen) reagiert, ohne dabei den Takt zu verlieren oder zu stolpern. Und das alles, ohne dass er vorher genau wusste, wie groß der Tanzsaal ist.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papiers auf Deutsch:

Titel: Adaptive visusbasierte Regelung redundanter Roboter mit Nullraum-Interaktion für die Mensch-Roboter-Kollaboration

Autoren: Xiangjie Yan, Chen Chen, Xiang Li (Tsinghua University)

---

1. Problemstellung

Die Mensch-Roboter-Kollaboration (MRK) zielt darauf ab, menschliche Fähigkeiten durch Zusammenarbeit mit Robotern zu erweitern. Ein zentrales Problem besteht darin, eine Kollaboration zu erreichen, die sowohl sicher als auch effizient ist und dabei die Stärken beider Parteien nutzt.

• Herausforderungen:
  • Ungewisse Umgebungen: In vielen Anwendungen (z. B. Chirurgie, unstrukturierte Werkstätten) sind Kameramodelle oft nicht kalibriert (unbekannte Tiefe, intrinsische/extrinsische Parameter).
  • Unvorhergesehene Änderungen: Roboter haben oft begrenzte Sensoren und können plötzliche Hindernisse oder menschliche Eingriffe nicht rechtzeitig erkennen.
  • Starre Rollenteilung: Bestehende Ansätze teilen Aufgaben oft starr auf (z. B. Roboter führt Hauptaufgabe aus, Mensch greift nur bei Stopp ein). Dies fehlt an Flexibilität für dynamische Szenarien.
  • Kopplung von Aufgaben: Bei der Interaktion mit dem Menschen darf die Hauptaufgabe des Roboters (Endeffektor-Positionierung) nicht beeinträchtigt werden, während gleichzeitig der Roboterarm auf menschliche Eingaben reagiert.

2. Methodik

Das Papier schlägt einen neuen adaptiven visusbasierten Regelungsansatz für redundante Roboter vor, der die Aufgabenräume (Task Space) und den Nullraum (Null Space) entkoppelt.

A. Systemmodellierung

• Kinematik: Der Roboter ist redundant ($n > m$, Gelenke > Freiheitsgrade des Endeffektors).
• Visionsraum: Die Aufgabe wird im Bildraum definiert (Pixel-Koordinaten). Da die Kamera unkalibriert ist, sind die Tiefe $z(q)$ und die Bild-Jacobian-Matrix $J_s(r)$ unbekannt.
• Nullraum: Der Raum der Gelenkbewegungen, die keine Bewegung des Endeffektors im Kartesischen Raum verursachen ($J(q)N(q) = 0$).

B. Regelungsarchitektur

Der Gesamtregelbefehl $\dot{q} = u$ setzt sich aus zwei Termen zusammen:

1. Adaptiver Visionsregel-Term ($u_T$) im Task Space:
   • Ziel: Konvergenz der Endeffektor-Position im Bildraum ($x \to x_d$).
   • Adaptionsgesetze: Da die Kameraparameter ($\theta_k, \theta_z$) unbekannt sind, werden Online-Schätzer verwendet. Die Parameter werden basierend auf dem Bildfehler ($x - x_d$) aktualisiert, um die Unsicherheiten der unkalibrierten Kamera zu kompensieren.
2. Interaktiver Nullraum-Term ($u_N$):
   • Ziel: Ermöglichung der menschlichen Interaktion ohne Störung der Hauptaufgabe.
   • Dämpfungsmodell: Es wird ein gewünschtes Dämpfungsverhalten im Nullraum definiert: $N(q)(c_d \dot{q} - d) = 0$.
   • Menschliche Eingabe ($d$): Der Mensch kann über Schnittstellen (z. B. AR-Brille, Joystick, Kraftsensoren) Eingaben machen. Diese werden auf die redundanten Gelenke projiziert, um die Konfiguration des Roboterkörpers anzupassen (z. B. Kollisionsvermeidung, Komfort), während der Endeffektor seine Position beibehält.

C. Stabilitätsanalyse

• Die Stabilität des geschlossenen Regelkreises wird rigoros mit Lyapunov-Methoden bewiesen.
• Es wird gezeigt, dass der Positionsfehler im Bildraum gegen Null konvergiert ($x \to x_d$) und das gewünschte Dämpfungsmodell im Nullraum realisiert wird, selbst bei unkalibrierten Kameras.

3. Schlüsselergebnisse und Experimente

Die Methode wurde an einem UR5-Roboterarm mit einer unkalibrierten Basler-Kamera und einer Microsoft HoloLens 2 (Mixed Reality) als Schnittstelle validiert.

• Experiment 1 (Positionsregelung mit menschlicher Intervention):
  • Der Roboter bewegte den Endeffektor zu einem Zielpunkt.
  • Ein menschlicher Versuchsperson betrat den Arbeitsraum in einer unkomfortablen Pose.
  • Ein Operator nutzte die AR-Schnittstelle (Slider), um die Gelenke 2 und 3 anzupassen.
  • Ergebnis: Der Roboter änderte seine Körperkonfiguration, um dem Menschen Platz zu machen, während die Endeffektor-Position im Bildraum stabil blieb (Fehler < 27 Pixel). Die Schätzung der Tiefe konvergierte schnell gegen den tatsächlichen Wert.
• Experiment 2 (Pfadfolge mit Kollisionsvermeidung):
  • Der Roboter folgte einem kreisförmigen Pfad.
  • Ein Werkzeugkasten wurde als unvorhergesehenes Hindernis platziert (außerhalb des Kamerablickfelds).
  • Der Operator lenkte den Roboterarm um das Hindernis herum, indem er Gelenk 3 bewegte.
  • Ergebnis: Der Endeffektor verfolgte den Pfad weiterhin präzise, während die redundanten Gelenke die Kollision vermieden.
• Ablationsstudie: Ein Vergleich zeigte, dass der adaptive Regler (mit Parameterschätzung) deutlich schneller konvergiert und robuster ist als ein Regler ohne Adaptionsgesetze bei unkalibrierten Systemen.

4. Hauptbeiträge

1. Entkopplung von Aufgaben und Interaktion: Ein neuartiges Regelungskonzept, das die Hauptaufgabe (Endeffektor) und die menschliche Interaktion (Körperkonfiguration) über den Nullraum trennt.
2. Adaption an unkalibrierte Umgebungen: Entwicklung eines adaptiven Reglers, der keine vorherige Kalibrierung der Kamera erfordert und unbekannte Parameter (Tiefe, Jacobimatrix) online schätzt.
3. Dynamische Sicherheit: Ermöglicht dem Menschen, jederzeit in den Prozess einzugreifen, um auf unvorhergesehene Änderungen (Hindernisse, Komfort) zu reagieren, ohne die Effizienz der Hauptaufgabe zu beeinträchtigen.
4. Theoretische Fundierung: Strenger Stabilitätsbeweis mittels Lyapunov-Theorie für das gesamte geschlossene System.

5. Bedeutung und Ausblick

Diese Arbeit adressiert eine kritische Lücke in der MRK: Die Fähigkeit, in dynamischen, unstrukturierten und unkalibrierten Umgebungen sicher und effizient zu arbeiten.

• Praktische Relevanz: Besonders wichtig für Anwendungen wie robotergestützte Chirurgie, Rettungseinsätze oder Montage in engen Räumen, wo Sensordaten oft unvollständig sind und menschliche Flexibilität gefordert ist.
• Zukunft: Die Autoren planen, die Methode auf dynamikbasierte Regelungsprobleme zu erweitern und sie an einem 7-DOF-Roboter mit Kraftregelung zu validieren.

Zusammenfassend stellt der vorgestellte Ansatz einen bedeutenden Schritt hin zu autonomen Robotern dar, die nicht nur Aufgaben ausführen, sondern sich nahtlos und sicher in menschliche Arbeitsumgebungen integrieren und auf menschliche Bedürfnisse reagieren können.