Technische Samenvatting: Het Leren van Overdraagbare Motorische Vaardigheden voor Geometrie-bewuste Robotische Oppervlaktetaken

Probleemstelling

Robotische oppervlakte-interactietaken, zoals spuiten en lassen, vereisen een dubbel vermogen: nauwkeurige geometrische padplanning en precisie-uitvoeringsstrategieën die menselijke expertise nabootsen. Hoewel moderne bewegingsplanners effectief botsingsvrije paden genereren die aan geometrische beperkingen voldoen, slagen ze er vaak niet in de genuanceerde motorische patronen van bekwame menselijke operators te vangen, zoals adaptieve snelheidsschaling en aanpassingen van de gereedschapsoriëntatie op basis van lokale geometrie. Omgekeerd behouden Learning from Demonstration (LfD)-benaderingen deze expert-motorische vaardigheden, maar koppelen ze de uitvoering doorgaans strak aan de specifieke geometrie van de demonstratie. Deze koppeling beperkt de overdraagbaarheid van geleerde vaardigheden naar nieuwe werkstukken met verschillende vormen of topologieën. De kernuitdaging die wordt aangepakt, is hoe hoog-niveau geometrische planning kan worden ontkoppeld van laag-niveau uitvoeringsexpertise om overdraagbare, geometrie-bewuste motorische vaardigheden mogelijk te maken.

Methodologie

De auteurs stellen een modulair raamwerk voor dat expert-gedrag representeert als een vocabulaire van interpreteerbare, atomaire motorregels. Deze regels modifiëren systematisch een geometrisch gepland referentiepad op basis van lokale segmentkarakteristieken.

1. Regelgebaseerde Vaardigheidsrepresentatie

Expertvaardigheden worden gemodelleerd als een gestructureerde set parametrische transformaties ($\rho$) die worden toegepast op ruimtelijke segmenten van een traject. Het ruwe geometrische pad wordt ontbonden in segmenten (bijvoorbeeld rechte lijnen, hoeken). Het regelvocabulaire omvat:

• Snelheidsschaling ($\rho_{vel}$): Past een continue schalingsfactor toe op de doel-lijnairsnelheid.
• Oriëntatie-offsets ($\rho_{ori}$): Introduceert systematische kantelingen (weergegeven als quaternion-offsets) ten opzichte van de oppervlaktenormaal om expert-gereedschaphandling na te bootsen.

2. Multimodale Neuronale Inferentie

Een multimodaal neuronaal netwerk wordt getraind om regelparameters en segmenttypes gezamenlijk af te leiden uit kinematische trajectgegevens en CAD-modelgeometrie.

• Inputs: Het model verwerkt een kinematisch traject (positie, oriëntatie, snelheid) en het onderliggende doel-CAD-model (weergegeven als een puntenwolk).
• Architectuur:
  • Trajectencoder: Een 1D-convolutie-encoder (drie gestapelde Conv1d-lagen) verwerkt tijd-geïndexeerde trajectkenmerken. Oriëntaties worden voor stabiliteit afgebeeld op een continue 6D-rotatierepresentatie.
  • Geometrie-encoder: Een PointNet++-encoder verwerkt de CAD-puntenwolk om globale geometrische kenmerken te extraheren.
  • Fusie: De embeddings van beide modaliteiten worden samengevoegd en door een gedeelde Multi-Layer Perceptron (MLP) geleid.
• Outputs: Het netwerk maakt gebruik van twee koppen:
  • Een classificatiekop die het geometrische segmenttype (recht, hoek, of geen) voorspelt waarop een regel van toepassing is.
  • Een regressiekop die de continue uitvoeringsparameter voorspelt (bijvoorbeeld een specifieke snelheidsvermenigvuldiger of kantelhoek).

3. Trajectverfijning en Simulatie

Om fysieke continuïteit te waarborgen en instantane snelheidssprongen te voorkomen, worden de afgeleide regels ingebracht in een op fysica gebaseerde simulatie. Een pure pursuit-controller volgt een vooruitkijkende pose langs het referentiepad en past evenredige krachten en momenten toe op positie- en oriëntatiefouten. Het resulterende koppel wordt numeriek geïntegreerd met een vierde-orde Runge-Kutta (RK4)-methode, waarbij het eind-effect wordt gemodelleerd als een star lichaam met massa, traagheid en viskeuze demping.

4. Datageneratie en Overdracht

Trainingsdata wordt synthetisch gegenereerd met behulp van L-vormige en raam-vormige topologieën. Voor overdracht naar onbekende geometrieën segmenteert het systeem automatisch een nieuw geometrisch pad met een glijdend venster en Singular Value Decomposition (SVD) om lokale kromming te meten, waarbij punten worden gelabeld als "recht" of "hoek" zonder handmatige annotatie. De afgeleide regels worden vervolgens tijdens de simulatie toegepast op de corresponderende segmenten.

Belangrijkste Bijdragen

Het artikel schetst twee primaire bijdragen:

1. Een Modulier Raamwerk: Een systeem dat expert-motorische vaardigheden representeert als een parametrisch regelvocabulaire, waardoor deze vaardigheden kunnen worden ingebracht in geometrisch geplande trajecten, waardoor planning wordt ontkoppeld van uitvoeringsniveau-expertise.
2. Een Multimodale Neuronale Architectuur: Een specifiek netwerkontwerp dat een 1D-convolutie-trajectencoder en een PointNet++ CAD-encoder combineert om regelparameters en segmenttypes direct af te leiden uit demonstratiegegevens.

Experimentele Resultaten

De aanpak werd geëvalueerd op gesimuleerde datasets met L-vormige en raam-vormige objecten.

• Regelclassificatie: Op L-vormige geometrieën behaalde het model een gecombineerde F1-score van 0,999 over drie klassen (recht, hoek, geen). Op complexe raam-geometrieën behaalde het een F1-score van 1,000 voor snelheidsschaling en 0,984 voor oriëntatieregels.
• Parameterregressie:
  • L-vormen: De Gemiddelde Absolute Fout (MAE) was 0,020 rad voor oriëntatie-offsets en 0,056 voor snelheidsschalingsfactoren.
  • Raam-topologieën: Het model behield een nauwkeurige oriëntatieschatting (MAE 0,038 rad). Snelheidsschaling toonde een matige fout van 0,131, wat de auteurs toeschrijven aan de kortere, snel veranderende segmenten die kenmerkend zijn voor raamkaders, wat suggereert dat fijnmazigere segmentatie of normalisatie nodig is voor dichte krommingsveranderingen.
• Generalisatie: De resultaten tonen aan dat de architectuur dynamische overrides succesvol ontkoppelt van het geometrische traject, waardoor het model snelheids- en oriëntatieregels kan extraheren en toepassen over verschillende topologieën heen.

Betekenis en Toekomstig Werk

Het artikel beweert dat de primaire betekenis ligt in het succesvol ontkoppelen van uitvoeringsstrategieën van werkstukgeometrie met behulp van interpreteerbare, atomaire regels. Dit maakt de overdracht van expert-motorische vaardigheden naar nieuwe werkstukken mogelijk zonder hertraining op de specifieke nieuwe geometrie.

De auteurs merken op dat het huidige regelvocabulaire puur werkt op segmenttype en nog geen gebruik maakt van runtime-proximaliteit tot specifieke CAD-kenmerken (zoals randen of kruisingen) tijdens inferentie. Zij identificeren het overbruggen van de sim-naar-real-kloof als de kritieke volgende stap, waarbij wordt opgemerkt dat huidige fysieke leerinterfaces lijden aan lage samplefrequenties die de opname van hoogfrequente motorische aanpassingen beperken. Toekomstig werk heeft tot doel het regelvocabulaire uit te breiden met proximaliteit-gebaseerde regels die zijn voorwaardelijk gesteld op structurele CAD-kenmerken en om zero-shot-overdracht te evalueren naar achtergehouden topologieën zoals U-vormige en T-vormige geometrieën.