Diffusion-Based Impedance Learning for Contact-Rich Manipulation Tasks

Dit artikel introduceert Diffusion-Based Impedance Learning, een raamwerk dat generatieve modellen combineert met energie-consistente impedantiebesturing om robots in staat te stellen contactrijke taken zoals het invoegen van pennen in gaten met hoge precisie en succes te voltooien.

De kern

De Kunst van het Zachtjes Aanraken: Hoe Robots Leren Omgaan met Obstakels

Stel je voor dat je een robot wilt programmeren om een taak uit te voeren, zoals het door een obstakelparcour lopen of een spijker in een gat steken. Traditionele robots zijn als strakke, militaire soldaten: ze volgen een exacte route die ze van tevoren hebben ingepland. Als ze tegen een muur lopen, blijven ze daar vastzitten of botsen ze hard tegen, omdat ze niet weten hoe ze moeten "geven".

Aan de andere kant zijn er robots die leren door te kijken en te doen (zoals een kind). Deze zijn slim, maar vaak onstabiel en onvoorspelbaar als ze fysiek contact maken met de wereld. Ze kunnen per ongeluk iets kapot maken omdat ze niet weten hoe hard ze moeten duwen of hoe zacht ze moeten zijn.

Dit nieuwe onderzoek, getiteld "Diffusion-Based Impedance Learning", is als het vinden van de perfecte balans tussen die twee uitersten. Het combineert de slimme leerkracht van een AI met de fysieke veiligheid van een ingenieur.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Stijve" Robot

Stel je een robotarm voor die een spijker in een gat moet steken.

• De oude aanpak: De robot krijgt een strakke route. Als de spijker net iets scheef zit, duwt de robot harder. Omdat hij niet "voelt" dat het niet lukt, blijft hij duwen tot de spijker breekt of het gat kapot gaat.
• Het dilemma: Als je de robot juist heel zacht maakt, kan hij de spijker niet in het gat duwen. Hij is te slap. Je moet de "stijfheid" (hoe hard hij duwt) en de "demping" (hoe snel hij reageert) perfect afstellen. Dat is als het afstellen van een autovering: te hard en je stuitert, te zacht en je zakt door.

2. De Oplossing: Een "Droom" van de Robot

De onderzoekers gebruiken een slimme techniek genaamd een Diffusiemodel.

• De Analogie: Stel je voor dat je een foto van een landschap hebt, maar er zit veel ruis (korrel) op. Een diffusiemodel is als een kunstenaar die stap voor stap de korrel wegpoetst om het echte, heldere beeld te zien.
• In de robot: De robot krijgt een "ruisig" signaal: hij probeert een route te volgen, maar hij botst tegen een obstakel. Het diffusiemodel kijkt naar deze botsing en de krachten die daarop volgen, en "poetst" de ruis weg. Het berekent: "Als er geen obstakel was geweest, waar had de robot dan eigenlijk moeten zijn?"
• Dit noemen ze de sZFT (gesimuleerde Nul-Kracht Traject). Het is de droomroute van de robot: de perfecte, gladde weg die hij zou hebben genomen als de wereld niet in de weg had gezeten.

3. De Magie: Het "Zachte" Krachtspiegelbeeld

Nu komt het slimme deel. De robot heeft twee dingen:

1. De oorspronkelijke route (wat hij wilde doen).
2. De gesimuleerde droomroute (wat hij zou hebben gedaan als hij niet botste).

Het systeem vergelijkt deze twee. Als de robot tegen een obstakel duwt, ziet hij dat zijn droomroute een stukje verschuift.

• De Analogie: Stel je voor dat je met je hand door de lucht zwaait (je droomroute). Dan duw je tegen een muur. Je hand wordt teruggeduwd. Het systeem zegt: "Ah, de muur duwt terug. Ik moet mijn hand niet stijf houden, maar juist zachtjes meegeven in de richting van de muur, terwijl ik stijf blijf in de richting waar ik naartoe wil."

Dit noemen ze Impedance Learning. De robot past zijn "stijfheid" in real-time aan:

• Waar hij moet duwen (bijv. de spijker het gat in), blijft hij stijf.
• Waar hij botst (bijv. de zijkant van het gat), wordt hij zacht en laat hij toe dat de krachten hem een beetje duwen, zodat hij niet vastloopt.

4. De Resultaten: Van Parkour tot Prikken

De onderzoekers testten dit op een echte robotarm (een KUKA-robot) met twee moeilijke taken:

• Parkour: De robot moest over een rij obstakels lopen terwijl hij de grond niet verloor.
  • Oude robot: Bleef vastzitten aan het eerste obstakel.
  • Nieuwe robot: Gleed soepel over de obstakels, alsof hij een acrobaat was, omdat hij zijn stijfheid aanpaste aan de vorm van de obstakels.
• Spaak in Gat (Peg-in-Hole): De robot moest een spijker in een gat steken. De gaten hadden verschillende vormen: rond, vierkant en een ster.
  • Oude robot: Lukt alleen bij ronde gaten. Bij vierkante of ster-vormige gaten (die heel precies moeten zitten) faalde hij 100% van de tijd.
  • Nieuwe robot: Haalde 100% succes, zelfs bij de moeilijkste ster-vorm! En het beste deel? De robot was nooit getraind op het steken van spijkers. Hij leerde het alleen door te voelen en te "dromen" over de juiste route.

Waarom is dit zo belangrijk?

Tot nu toe moesten ingenieurs maandenlang handmatig parameters afstellen voor elke nieuwe taak. Als je een nieuwe soort spijker introduceerde, moest je alles opnieuw tunen.

Met deze methode leert de robot door te kijken naar hoe mensen bewegen (via een VR-bril genaamd Apple Vision Pro) en door zelf te voelen wat er gebeurt. Het is alsof je een robot een "intuïtie" geeft voor fysieke interactie. Hij weet niet alleen waar hij moet zijn, maar ook hoe hij zich moet voelen tegen de wereld.

Kort samengevat:
Deze robot is niet langer een stijve machine die tegen muren botst. Hij is als een danser die zijn partner voelt: hij weet wanneer hij stevig moet grijpen en wanneer hij zachtjes moet meegeven, zodat hij elke dans (of taak) perfect kan uitvoeren, zelfs als de muziek (de omgeving) verandert.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Diffusion-Based Impedance Learning for Contact-Rich Manipulation Tasks" in het Nederlands.

Titel: Diffusion-Based Impedance Learning voor contactrijke manipulatie taken

1. Het Probleem

Robotica staat voor een fundamentele uitdaging bij het uitvoeren van taken met veel fysiek contact (zoals assemblage, parkour-achtige obstakels of revalidatie). Er bestaat een kloof tussen twee domeinen:

• Het informatiedomein: Waar leer- en planningsalgoritmen werken met symbolische of numerieke representaties van gewenste bewegingen (trajecten, posities). Deze zijn niet onderhevig aan fysieke wetten.
• Het energiedomein: Waar fysieke interacties plaatsvinden, gedicteerd door wetten zoals energiebehoud en passiviteit.

Traditionele Impedance Control (impedantiebesturing) biedt stabiliteit en veiligheid bij contact, maar vereist handmatige, taakspecifieke afstelling van stijfheids- en dempingsparameters. Te veel stijfheid leidt tot vastlopen (jamming), te weinig voorkomt taakuitvoering.
Bestaande leergestuurde methoden (zoals Reinforcement Learning of generatieve modellen) opereren vaak alleen in het informatiedomein en genereren trajecten die via vaste PD-controllers worden uitgevoerd. Dit resulteert in passieve compliantie (door lage gains) in plaats van actieve, gerichte aanpassing van de impedantie, wat onvoldoende is voor complexe contactsituaties.

2. Methodologie: Diffusion-Based Impedance Learning

De auteurs presenteren een raamwerk dat generatieve modellering combineert met energie-consistente impedantiebesturing. De kernidee is het reconstrueren van een Simulated Zero-Force Trajectory (sZFT) om de impedantie online aan te passen.

A. Architectuur en Model:

• Transformer-based Diffusion Model: Een model dat is getraind om een "ruis" te verwijderen uit waargenomen bewegingen.
• Conditionering: Het model wordt geconditioneerd op gemeten externe krachten en momenten (wrenches) via cross-attention.
• Doel: Het reconstrueert de sZFT, wat de evenwichtstoestand (equilibrium) voorstelt die consistent is met de fysieke interactie. Dit is het punt waar de interactiekracht nul zou zijn als de robot daar zou staan.
• Rotatie-ruis: Om de geometrische consistentie op de eenheidsbol te behouden, wordt een SLERP-based (Spherical Linear Interpolation) ruisplanner gebruikt voor rotaties (kwaternionen), in plaats van lineaire ruis die de eenheidsnorm zou schenden.

B. Energie-gebaseerde Stijfheidsschatting:

• De robot volgt een vaste nominale Zero-Force Trajectory (ZFT) (de gewenste traject).
• Het Diffusion Model voorspelt echter de sZFT (de aangepaste evenwichtstrajectie gebaseerd op contact).
• Het verschil tussen de waargenomen pose en de voorspelde sZFT wordt gebruikt om de elastische energie in virtuele veren te berekenen.
• Door deze energie te vergelijken met het werk verricht door externe krachten, wordt de effectieve stijfheid berekend.
• Directionele Adaptatie: Stijfheid wordt niet uniform verlaagd. Het systeem analyseert welke assen relevant zijn voor de taak (gebaseerd op de sZFT). Stijfheid wordt alleen verlaagd in richtingen die niet essentieel zijn voor de taakuitvoering, terwijl stijfheid behouden blijft in taak-relevante richtingen.

C. Data Collectie:

• Data is verzameld via Apple Vision Pro (AVP) teleoperatie.
• De handbewegingen van de operator (zonder markers) dienen als ground-truth voor de sZFT.
• Twee datasets: Parkour-achtige obstakeloversteek en robot-ondersteunde bovenarmrevalidatie.
• Totaal ongeveer 72.000 samples (ongeveer 1,6 uur aan data).

3. Belangrijkste Bijdragen

1. Brug tussen domeinen: Het unificeren van generatieve AI (informatiedomein) met modelgebaseerde impedantiebesturing (energiedomein) voor stabiele contactinteractie.
2. sZFT Reconstruktie: Een nieuwe methode om contact-consistente evenwichtstrajecten te leren zonder expliciete fysieke modellering van contactkrachten.
3. SLERP Noise Scheduler: Een innovatie voor het toevoegen van ruis aan rotaties (kwaternionen) die de geometrische eigenschappen behoudt.
4. Directionele Impedantie Adaptatie: Een mechanisme dat stijfheid selectief aanpast op basis van taakrelevantie, wat voorkomt dat de robot vastloopt terwijl de taak nog steeds met voldoende kracht wordt uitgevoerd.
5. Generalisatie zonder taakspecifieke data: Het model is getraind op parkour en revalidatie, maar slaagt erin om onbekende "peg-in-hole" taken (cilindrisch, vierkant, ster) zonder enige training op die specifieke taken te voltooien.

4. Resultaten

Het systeem is getest op een KUKA LBR iiwa robot in real-time torque control.

• Parkour-taak: De robot oversteekte succesvol drie obstakels met continue contact. Een controller met vaste impedantie faalde bij het eerste obstakel (vastlopen).
• Peg-in-Hole Insertie:
  • Cilindrische pen: 100% succes (30/30).
  • Vierkante pen: 100% succes (30/30).
  • Ster-pen: 100% succes (30/30).
  • Vergelijking: Een controller met vaste hoge impedatie slaagde slechts in 13% van de vierkante pennen en 0% van de ster-pennen. Zelfs handmatig afgestelde niet-uniforme impedantie bereikte slechts 70% succes voor ster-pennen.
• Ablatie Study: Het bewees dat zowel het Diffusion Model (voor sZFT reconstructie) als de directionele adaptatie noodzakelijk zijn. Adaptatie gebaseerd op de nominale ZFT (in plaats van de gereconstrueerde sZFT) faalde in contactrijke situaties.
• Efficiëntie: Het model presteerde met sub-millimeter positie-accuraatheid en sub-graad rotatie-accuraatheid, getraind op slechts 1,6 uur aan data.

5. Betekenis en Toekomstperspectief

Dit werk toont aan dat robuuste manipulatie in ongestructureerde omgevingen mogelijk is door het expliciet verbinden van data-gedreven leren met fysische stabiliteitsprincipes.

• Generalisatie: Het systeem kan taken uitvoeren die niet in de trainingsdata voorkomen (zoals de peg-in-hole taken), wat wijst op een sterke generalisatiecapaciteit.
• Toepassingsgebied: Het raamwerk is veelbelovend voor industriële assemblage, fysieke mens-robot interactie (HRI) en robot-ondersteunde revalidatie, waar visuele feedback beperkt kan zijn en tastbare interactie cruciaal is.
• Passiviteit: Het systeem garandeert passiviteit (veiligheid) wanneer stijfheid wordt verlaagd, wat essentieel is voor veiligheid bij fysieke interactie.

Kortom, de auteurs hebben een systeem ontwikkeld dat robots in staat stelt om "voelend" en adaptief te reageren op fysieke contacten, zonder dat er voor elke nieuwe taak handmatige tuning of enorme datasets nodig zijn.