Task-Adaptive Admittance Control for Human-Quadrotor Cooperative Load Transportation with Dynamic Cable-Length Regulation

Probleemstelling

De samenwerking tussen mensen en robots (fysische mens-robot interactie of pHRI) is cruciaal voor toepassingen zoals last-mile levering. Hoewel onderzoek naar pHRI met robotische manipulatoren (armen) al geavanceerd is, staat onderzoek naar coöperatieve lasttransportatie (CLT) met quadcopters nog in de kinderschoenen. Bestaande methoden voor zwevende lasten (opgehangen aan een kabel) hebben te maken met veiligheidsrisico's, zoals botsingen in ongestructureerde omgevingen en onverwacht gedrag tijdens interactie met gebruikers.

De uitdaging ligt in het creëren van een systeem dat veilig, responsief en soepel reageert op menselijke krachten tijdens het tillen en vervoeren van lasten. Bestaande aanpakken missen vaak de gekoppelde dynamiek tussen de drone, de kabel en de last, of vereisen complexe schattingen van lasteigenschappen (zoals massa en formaat), wat de autonomie beperkt.

Methodologie

De auteurs stellen een nieuw admittance control-systeem voor dat specifiek is ontworpen voor een quadcopter met een actief geregelde lier (die de kabellengte dynamisch kan aanpassen).

1. Gekoppelde Dynamische Modellering:

   • Het systeem modelleert de dynamiek van de quadcopter, de last en de kabel als één gekoppeld systeem.
   • In plaats van alleen de beweging van de drone of de last te regelen, wordt de interactiekracht ($F_c$) die door de operator op de haak wordt uitgeoefend, direct gemeten via een lastcel.
   • Dit elimineert de noodzaak om de fysieke eigenschappen van de last (massa, formaat) vooraf te kennen.

2. Gekoppeld Virtueel Impedantie Model (CVIM):

   • Het kernidee is een nieuw impedantie-model dat de rotatie (hellingshoek $\beta$) en de translatie (kabellengte $L$) van de kabel gelijktijdig regelt.
   • Het model beschouwt de afwijkingen van een virtuele referentietrajectorie als een tweede-orde mechanisch gedrag (massa-demping-veer).
   • De controller genereert gewenste bewegingen voor de drone en de kabellengte zodat het systeem responsief is op menselijke krachten, maar toch fysiek haalbare bewegingen behoudt.

3. Vergelijkende Analyse:

   • De voorgestelde CVIM-methode wordt vergeleken met een Vereenvoudigd Virtueel Impedantie Model (SVIM). Het SVIM negeert de gekoppelde rotatiedynamiek en behandelt de drone en kabel als losse translatiecomponenten.
   • Experimenten worden uitgevoerd onder vier condities:
     • Twee controlemethodes: CVIM vs. SVIM.
     • Twee kabellengte-configuraties: Vaste lengte (CCL) vs. Variabele lengte (VCL).
     • Twee stijfhedniveaus: Laag (L) vs. Hoog (H).

4. Experimentele Opstelling:

   • Een quadcopter (2.1 kg) met een aangedreven lier en lastcel.
   • Twee taken: In-place laden/lossen (operator leidt de drone van startpositie naar een punt en los de last) en Transporteren (samenwerken om een last langs een obstakel te vervoeren).
   • Data-analyse omvat afgelegde afstand, hellingshoek, kabelspanning en "jerk" (versnellingsverandering) als maatstaven voor soepelheid en veiligheid.

Belangrijkste Bijdragen

1. Eerste Actieve Kabellengte-Regeling: Introductie van het eerste quadcoptersysteem met een actief geregelde lier specifiek voor mens-quadcopter CLT-taken.
2. Versatile Dynamisch Model: Ontwikkeling van een model dat de gekoppelde dynamiek van het systeem benut, waardoor het geschikt is voor verschillende lastvormen en -gewichten zonder voorafgaande kennis.
3. Nieuwe Admittance Strategie: Voorstellen van de CVIM-strategie die effectief werkt onder zowel constante als variabele kabellengte, gebaseerd op directe krachtmeting in plaats van schattingen.
4. Uitgebreide Validatie: Gedetailleerde experimentele validatie die de superioriteit van de voorgestelde methode aantoont ten opzichte van conventionele benaderingen (SVIM) en statische kabellengtes.

Resultaten

De experimentele resultaten tonen aan dat de CVIM-methode met variabele kabellengte (VCL) significant beter presteert dan de SVIM-baseline en systemen met vaste kabellengte:

• Responsiviteit en Efficiëntie: De CVIM-methode resulteerde in een grotere afgelegde afstand ($d$) tijdens het laden/lossen, wat aangeeft dat de operator makkelijker en effectiever de drone kon besturen.
• Veiligheid en Soepelheid:
  • De gemiddelde hellingshoek van de kabel ($\bar{\beta}$) was aanzienlijk kleiner, wat betekent dat de last minder zwaait en het systeem stabieler is.
  • De "jerk" ($\bar{J}_q$) van de drone-trajecten was lager, wat wijst op soepelere en comfortabelere bewegingen.
  • De interactiekracht ($\bar{f}_T$) tussen mens en machine was lager, wat de fysieke belasting voor de operator vermindert.
• Interactie: De combinatie van CVIM en variabele kabellengte bleek synergistisch: de variabele lengte compenseerde voor bewegingen die anders tot grote schommelingen zouden leiden, terwijl de CVIM-dekking de dynamische reactie optimaliseerde.

Betekenis en Conclusie

Dit werk markeert een belangrijke stap in de ontwikkeling van veilige en intuïtieve mens-robot samenwerking voor luchttransport. Door de gekoppelde dynamiek van de drone en de zwevende last expliciet te modelleren en te regelen via een actieve lier, overwint het systeem de beperkingen van eerdere methoden.

De belangrijkste implicaties zijn:

• Verhoogde Veiligheid: Minder schommelingen en lagere krachten verminderen het risico op botsingen en schade.
• Verbeterde Bruikbaarheid: De drone reageert natuurlijker op menselijke aanwijzingen, wat de leercurve voor operators verlaagt.
• Toekomstige Toepassingen: De methode biedt een robuust raamwerk voor complexe taken zoals lasten overdragen in ongestructureerde omgevingen, waarbij de drone zich dynamisch aanpast aan de bewegingen van de mens zonder complexe schattingen van de last zelf.

De auteurs merken op dat toekomstig werk zich zal richten op het elimineren van de afhankelijkheid van externe motion-capture-systemen (door onboard sensoren te gebruiken) en het aanpakken van mogelijke botsingen tussen mens en kabel/drone.