💻 computer science

Model Predictive Impedance Control with Gaussian Processes for Human and Environment Interaction

Deze paper presenteert een modelvoorspellende impedantieregeling met Gaussian Processes die online zowel traject als impedantie optimaliseert om robuust om te gaan met diverse onzekerheden tijdens mens-robotinteractie in taken met fysiek contact.

Oorspronkelijke auteurs: Kevin Haninger, Christian Hegeler, Luka Peternel

Gepubliceerd 2026-02-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Kevin Haninger, Christian Hegeler, Luka Peternel

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot wilt leren om samen met jou te werken, bijvoorbeeld om een zware rail te monteren of om iets te polijsten. Het probleem is: robots zijn vaak te stijf of te onzeker. Als ze te stijf zijn, kunnen ze je duwen of pijn doen. Als ze te onzeker zijn, trillen ze als een bladerend blad en kunnen ze geen kant van de muur raken.

Deze paper beschrijft een slimme manier om robots te leren wennen aan onzekerheid en zich aan te passen aan jou, alsof ze een intuïtieve danspartner zijn.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De Robot die "Niet Kan Lezen"

Stel je voor dat je een robot de hand geeft om een potlood te tekenen. Soms wil je dat hij strakke lijnen trekt (hij moet dan stijf zijn). Soms wil je dat hij mee beweegt als jij de tekening aanpast (hij moet dan soepel zijn).

Bestaande robots zijn vaak als een stijve pop: ze doen precies wat ze zijn geleerd, maar als je ze een beetje duwt, botsen ze tegen de muur of vallen ze om. Ze begrijpen niet waarom jij duwt. Is het omdat je de lijn wilt corrigeren? Of omdat je ze per ongeluk duwt?

2. De Oplossing: De "Voorspellende Danspartner"

De auteurs van deze paper hebben een nieuw systeem bedacht dat ze Model Predictive Impedance Control noemen. Laten we dat vertalen naar iets begrijpelijks:

Impedance Control (De Stijfheid): Dit is hoe "stijf" of "soepel" de robot is. Denk aan een veer. Een harde veer (hoge stijfheid) duwt hard terug als je erop drukt. Een zachte veer (lage stijfheid) geeft makkelijk mee.
Model Predictive Control (De Voorspeller): Dit is het brein van de robot. In plaats van alleen te reageren op wat er nu gebeurt, denkt de robot vooruit. Hij zegt: "Als ik nu hierheen ga, wat gebeurt er dan over 2 seconden? Zal ik tegen de muur botsen? Zal mijn menselijke partner zich ongemakkelijk voelen?"

3. De Magische Tool: De "Gaussian Process" (De Slimme Gok)

Hoe leert de robot dit? Ze gebruiken iets genaamd Gaussian Processes (GPs).

Stel je voor dat je de robot een taak laat zien door de arm van de robot zelf te bewegen (demonstratie).

Zonder GP: De robot onthoudt alleen de exacte route.
Met GP: De robot onthoudt de route, maar ook hoe zeker hij is.
- Als je de robot vaak op dezelfde manier hebt laten bewegen, denkt hij: "Ik weet precies waar ik heen moet, ik kan hier stijf zijn."
- Als je de robot hebt laten zien dat de taak op verschillende plekken kan eindigen (bijvoorbeeld: "de rail kan hier of daar zitten"), denkt hij: "Ik weet niet precies waar de rail zit, dus ik moet hier voorzichtig en soepel zijn."

Het GP-model is als een wolk van onzekerheid. Waar de wolk dik is (veel variatie in de demonstraties), wordt de robot soepel. Waar de wolk dun is (precieze instructies), wordt de robot stevig.

4. Hoe werkt het in de praktijk? (De Analogie van de Dans)

De robot doet drie dingen tegelijk, allemaal in een splitseconde (10 tot 20 keer per seconde):

Hij leest je gedachten (Doel):
Als jullie samen een object dragen, weet de robot niet altijd of jij naar links of naar rechts wilt. Hij kijkt naar je bewegingen en zegt: "Ah, 70% kans dat je naar de kast wilt, 30% naar het raam." Hij past zijn beweging aan op basis van die kans.
Hij voelt de omgeving (Veiligheid):
Stel je voor dat je een robot laat polijsten. De polijstmachine trilt (een storing). De robot moet die trillingen negeren, maar wel meebewegen met jouw hand.
- De robot gebruikt een geluidsfiltersysteem: "Laagfrequente bewegingen (jouw hand) zijn belangrijk. Hoogfrequente trillingen (de machine) negeer ik." Zo blijft de robot stabiel.
Hij vermijdt ongelukken (Veiligheid):
Als de robot merkt dat hij tegen een harde muur gaat (een onzeker contactpunt), zegt hij: "Wacht even, ik weet niet hoe hard die muur is. Als ik te hard duw, breekt er iets."
- Hij past zijn demping aan. Hij wordt als het ware "zacht" en "dempend" (zoals een schokbreker op een auto) zodat hij niet schokt of trilt als hij contact maakt.

5. De Resultaten: Wat hebben ze getest?

Ze hebben dit getest met drie echte taken:

Rail monteren: De robot leerde dat de positie van de schroef wisselt. Hij werd stijf op de plekken die altijd hetzelfde waren, en soepel op de plekken waar de mens moest helpen.
Polijsten: De robot leerde de trillingen van de polijstmachine te filteren, zodat de lijn glad bleef, terwijl hij wel volgde waar de mens naartoe duwde.
Gaten boren (Peg-in-Hole): De robot kon raden welk gat de mens wilde boren, zelfs als de mens nog niet had gezegd welke.

Samenvatting in één zin

Deze paper introduceert een robot die niet alleen "luistert" naar wat je doet, maar ook voorspelt wat je gaat doen en voelt hoe zeker hij is, zodat hij op het juiste moment stijf is voor precisie en soepel is voor samenwerking, zonder dat je hem elke keer handmatig hoeft in te stellen.

Het is alsof je een robot hebt die niet alleen een machine is, maar een intuïtieve danspartner die weet wanneer hij moet leiden en wanneer hij moet volgen.

1. Probleemstelling

Robotische taken die fysieke interactie met mensen en de omgeving vereisen (zoals co-manipulatie, assemblage of polijsten), worden vaak geconfronteerd met onzekerheid. Deze onzekerheid kan voortkomen uit:

Variatie in doelen (bijv. een mens wil een object op een andere plek plaatsen dan verwacht).
Variatie in de omgevingsconfiguratie (bijv. onbekende contactpunten of stijfheid van objecten).
Gebrek aan vertrouwen in het taakmodel (bijv. gebieden die niet zijn gedemonstreerd).
Externe verstoringen (bijv. trillingen tijdens het polijsten).

Bestaande methoden voor aanpassing van impedantie (stijfheid, demping, traagheid) richten zich vaak op slechts één type onzekerheid of vereisen uitgebreide analytische modellen van de mens of omgeving. De uitdaging ligt in het ontwikkelen van een unificerend raamwerk dat in real-time zowel de robottrajectorie als de impedantieparameters kan aanpassen om veilig en efficiënt te werken in deze onzekere, semi-gestructureerde omgevingen, zonder grote hoeveelheden trainingsdata.

2. Methodologie

De auteurs stellen een Model Predictive Control (MPC) raamwerk voor dat gebruikmaakt van Gaussian Processes (GP) om een probabilistisch taakmodel te leren. Het systeem werkt als een buitenste regelkring die de lagere impedantieregeling aanstuurt.

A. Modelleren met Gaussian Processes (GP)

In plaats van GPs te gebruiken als directe referentiegeneratoren, worden ze gebruikt als intermediaire taakmodellen voor externe krachten.

Krachten: Het model onderscheidt menselijke krachten ( $f_h$ ), contactkrachten met de omgeving ( $f_c$ ) en verstoringen ( $f_d$ ).
Leren: Op basis van slechts enkele demonstraties (≤ 3) leert het systeem een GP voor elke mogelijke menselijke modus (doel).
Onzekerheid: De covariance (variantie) van de GP geeft direct de onzekerheid weer. In gebieden met veel variatie in demonstraties of onbekende omgevingen neemt de covariance toe, wat leidt tot een lagere robotstijfheid (meer compliantie).
Contactmodellen: Er wordt een "hinge-functie" als gemiddelde functie gebruikt om contactkrachten beter te modelleren, inclusief de overgang van vrije ruimte naar contact.

B. Stochastische Dynamica en MPC

De robotdynamica worden gemodelleerd als een admittantiecontroller (omgekeerde impedantie). De MPC lost een optimalisatieprobleem op over een voorspellende horizon ( $H$ ):

Stochastische uitrol: De MPC projecteert niet alleen de gemiddelde trajectorie, maar ook de covariance van de toestand. Dit is cruciaal omdat het veranderen van impedantieparameters (massa $M$ , demping $D$ ) direct invloed heeft op de covariance van de voorspelde baan.
Doelfunctie: De kostenfunctie combineert:
- Trajectorievolging (via GP-gemiddelden).
- Menselijke ergonomie (gebaseerd op gewrichtsmomenten en manipulabiliteit).
- Verstoringenreductie (in het frequentiedomein, om trillingen te filteren).
- Impedantie-optimalisatie (directe aanpassing van $M$ en $D$ ).
Constraints (Beperkingen):
- Chance constraints: Zorgen ervoor dat de kans op het overschrijden van een maximale contactkracht onder een bepaalde drempel blijft, rekening houdend met de onzekerheid (covariance) van het GP-model.
- Goed-gedempte contactconstraint: Zorgt voor stabiliteit bij contact met stijve omgevingen door de virtuele demping dynamisch te verhogen op basis van de geschatte omgevingsstijfheid (afgeleid uit de afgeleide van het GP-gemiddelde).

C. Inferentie van Menselijke Doelen

Het systeem gebruikt een Bayesiaanse schatting om online de waarschijnlijkheid (belief) van verschillende menselijke doelen (discrete modi) te bepalen op basis van de gemeten krachten. De MPC lost het probleem op voor alle mogelijke doelen, gewogen naar hun waarschijnlijkheid.

3. Belangrijkste Bijdragen

Taxonomie van Onzekerheid: Een gestructureerde indeling van onzekerheidsbronnen in fysieke interactie en een unificerend probleemformulering om deze aan te pakken.
GP als Taakmodel in MPC: In tegenstelling tot eerdere werken die GPs alleen gebruiken voor trajectgeneratie, worden ze hier gekoppeld aan een MPC-probleem. Dit maakt het mogelijk om expliciete doelen en constraints te definiëren die afhankelijk zijn van de trajectorie-onzekerheid.
Gradient-based Impedance Optimalisatie: Het is de eerste aanpak die impedantieparameters (stijfheid/demping) online optimaliseert via gradient-based methoden, in plaats van sampling, waardoor complexe constraints (zoals maximale kracht en stabiliteit) kunnen worden opgelegd.
Integratie van Meerdere Onzekerheden: Het raamwerk combineert discretie (menselijke doelen), continuïteit (omgevingsvariatie) en frequentie-afhankelijke verstoringen in één controller.

4. Resultaten en Validatie

De methode is gevalideerd in simulaties en echte experimenten met een robotarm, met een MPC-lusfrequentie van 10-20 Hz.

Contactveiligheid en Stabiliteit:
- Bij variabele contactposities (hoge onzekerheid) past de MPC de impedantie aan om de kracht te beperken (via chance constraints).
- Bij stijve omgevingen verhoogt de "goed-gedempte" constraint automatisch de demping, wat contactinstabiliteit (oscillaties) voorkomt waar standaard lage impedantie zou falen.
Rail Assemblage: De robot leert uit demonstraties welke vrijheidsgraden (DoF) variabel zijn (bijv. positie langs de rail) en welke vast. De robot verlaagt de impedantie in de variabele DoF, waardoor de mens deze eenvoudig kan bijsturen, terwijl de vaste DoF stijf blijven voor precisie.
Polijsttaak:
- De frequentiedomein-kostfunctie onderdrukt hoogfrequente trillingen (veroorzaakt door de polijstmachine) effectief, zonder de menselijke beweging te belemmeren.
- De ergonomie-kostfunctie verlaagt de impedantie wanneer de mens zich in een ongunstige houding bevindt (hoge gewrichtsmomenten), waardoor de samenwerking comfortabeler wordt.
Dubbel Pijnp-in-Gat (Double Peg-in-Hole): Het systeem kan online de menselijke intentie schatten (welk gat wordt gekozen) en past de krachten en trajectorie dynamisch aan op basis van deze schatting.

5. Betekenis en Conclusie

Deze paper presenteert een doorbraak in fysieke mens-robotinteractie (HRI) door een probabilistisch, modelgebaseerd raamwerk te introduceren dat zowel planning (trajectorie) als regeling (impedantie) gelijktijdig optimaliseert.

Veiligheid: Door onzekerheid expliciet te modelleren, kan de robot proactief veiligere bewegingen kiezen (bijv. minder kracht uitoefenen in onbekende gebieden).
Flexibiliteit: Het systeem vereist geen uitgebreide analytische modellen van de omgeving of de mens; het leert uit een klein aantal demonstraties.
Toepasbaarheid: De methode is succesvol getest op complexe taken met fysiek contact, variatie in doelen en externe verstoringen.

De belangrijkste beperkingen zijn de rekenkracht (vereist snelle optimalisatie) en de complexiteit van het modelleren van zeer stijf contact, wat kleine tijdstappen vereist. Desalniettemin biedt het een robuuste basis voor de volgende generatie collaboratieve robots die veilig en intuïtief kunnen samenwerken in dynamische fabrieksomgevingen.