Data-Driven Self-Calibration of Force Sensing for Industrial Robots with Unknown Tool Attachments
यह शोधपत्र औद्योगिक रोबोटों के लिए एक डेटा-संचालित स्व-अंशांकन (सेल्फ-कैलिब्रेशन) ढांचे को प्रस्तुत करता है जो रिग्रेशन और मशीन लर्निंग मॉडलों का उपयोग करके अज्ञात टूल अटैचमेंट के कारण होने वाले फोर्स/टॉर्क सेंसर बायस (पूर्वाग्रह) को अर्ध-स्थैतिक (क्वासी-स्टैटिक) और गतिशील दोनों स्थितियों में सटीक रूप से क्षतिपूर्ति करता है, जिससे टूल के गुणों के पूर्व ज्ञान या हार्डवेयर संशोधनों की आवश्यकता के बिना विश्वसनीय बल धारणा (फोर्स परसेप्शन) सक्षम होती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक रोबोटिक आर्म की कल्पना एक अत्यंत शक्तिशाली और अत्यंत सटीक चित्रकार के रूप में करें। अपना काम करने के लिए, इसे यह जानने की आवश्यकता है कि वह कैनवास या मिट्टी पर कितनी जोर से दबाव डाल रहा है। यहीं पर एक "फोर्स सेंसर" (बल सेंसर) काम आता है; यह रोबोट की स्पर्श की भावना की तरह है, जो उसे बताता है, "हे, मैं 5 न्यूटन के बल से धक्का दे रहा हूँ।" लेकिन यहाँ एक पेंच है: रोबोट अक्सर अपने हाथों से जुड़े औजार ले जाते हैं, जैसे कि एक पेंटब्रश, एक पेचकस, या एक सर्जिकल क्लैंप। इन औजारों का वजन होता है, और जब रोबोट अपना हाथ तेजी से हिलाता है, तो वह वजन अतिरिक्त बल पैदा करता है—जैसे दौड़ते समय आपके भारी बैकपैक द्वारा नीचे की ओर खींचे जाने का अहसास। यदि रोबोट को यह सटीक रूप से नहीं पता कि उसका बैकपैक कितना भारी है या उसका गुरुत्वाकर्षण केंद्र कहाँ है, तो वह भ्रमित हो जाता है। उसे लग सकता है कि भारी बैकपैक वास्तव में एक दीवार है जिससे वह टकरा रहा है, या वह बहुत अधिक दबाव डाल सकता है क्योंकि उसे यह एहसास नहीं है कि वह एक भारी भार ढो रहा है। यह भ्रम रोबोट को अनाड़ी, असुरक्षित या नाजुक कार्य करने में असमर्थ बना देता है। वैज्ञानिकों ने लंबे समय से औजारों को पूरी तरह से मापने और उनके वजन को रद्द करने के लिए जटिल गणितीय समीकरण लिखने की कोशिश करके इसे ठीक करने का प्रयास किया है, लेकिन यह धीमा है और जब भी रोबोट एक नए औजार के लिए अपने औजार बदलता है, तो यह विफल हो जाता है।
यह शोध पत्र एक चतुर, डेटा-संचालित तकनीक के साथ ठीक इसी सिरदर्द का समाधान करता है। रोबोट को यह याद करने के लिए कहने के बजाय कि वह भविष्य में पकड़ने वाले हर संभावित औजार का वजन क्या होगा, शोधकर्ताओं ने रोबोट को अपने औजारों के वजन और बाहरी दुनिया से लगने वाले वास्तविक बलों के बीच के अंतर को "महसूस" करना सिखाया। उन्होंने एक बड़े औद्योगिक रोबोट (KUKA KR 600) का उपयोग किया जो एक फोर्स सेंसर और एक कस्टम टूल होल्डर से लैस था। सबसे पहले, उन्होंने रोबोट को विभिन्न स्थितियों में स्थिर रहने दिया ताकि यह सीखा जा सके कि गुरुत्वाकर्षण औजार पर कैसे प्रभाव डालता है ("क्वासी-स्टैटिक" भाग)। फिर, उन्होंने रोबोट को यादृच्छिक पैटर्न में बेतहाशा घुमाया ताकि यह देखा जा सके कि त्वरण (एक्सेलरेशन) और गति सेंसर की रीडिंग को कैसे प्रभावित करती है ("डायनामिक" भाग)। इस मोशन डेटा के 80,000 से अधिक नमूने एकत्र करके, उन्होंने दो प्रकार के "मस्तिष्क" मॉडल प्रशिक्षित किए: एक सरल गणितीय सूत्र (पॉलीनोमियल रिग्रेशन) और एक अधिक जटिल न्यूरल नेटवर्क (MLP)। परिणाम प्रभावशाली थे: मॉडलों ने अविश्वसनीय सटीकता के साथ औजार के वजन और गति के शोर (नॉइज़) को हटाना सीख लिया। सबसे अच्छे मॉडल, यानी न्यूरल नेटवर्क ने, परीक्षणों में त्रुटि को घटाकर केवल 0.041 न्यूटन कर दिया, जो इतना छोटा है कि सेंसर के अपने प्राकृतिक शोर की तुलना में लगभग अदृश्य है। यह शोध पत्र दिखाता है कि रोबटेज अब बिना यह जाने कि औजार का वजन या आकार क्या है, अपने स्पर्श की भावना को स्वयं कैलिब्रेट कर सकते हैं, जिससे वे तुरंत औजार बदलने के बाद भी उसी स्थिर हाथ के साथ काम करने के लिए तैयार हो जाते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।