Planning along Differentiable Charts of Constraint Manifolds with General-Purpose IK Solvers
Dit artikel stelt een methode voor om gradiëntgebaseerde trajectplanning voor robotmanipulatoren onder kinematische beperkingen mogelijk te maken door gradiënten van algemene analytische inverse kinematica-parametriseringen te berekenen via de inversiefunctiestelling, terwijl de geldigheid ervan ook wordt uitgebreid buiten het bereikbare werkruimtegebied via de kleinste-kwadraten domeinuitbreiding en optimalisatievriendelijke bereikbaarheidsbeperkingen.
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
Robots die met menselijke behendigheid bewegen, worden geconfronteerd met een fundamenteel puzzelstuk: hoe plan je een pad wanneer hun handen in een specifieke positie of oriëntatie vergrendeld moeten blijven, zoals het stabiel vasthouden van een kopje terwijl men loopt of het dragen van een doos met twee armen. In de wereld van de robotica is de ruimte van alle mogheden waar een robot zich kan bevinden enorm, maar wanneer een taak vereist dat de hand van de robot in een vaste houding blijft, krimpt de reeks geldige paden tot een minuscuul, onzichtbaar deel van die ruimte. Het vinden van een route door deze nauwe strook is berucht moeilijk voor computers. Traditionele planningsinstrumenten struikelen hier vaak over, of vereisen dat de robot wordt geprogrammeerd met aangepaste, handgeschreven wiskunde voor elke nieuwe taak. Deze beperking heeft ervoor gezorgd dat veel geavanceerde robots complexe manipulatietaken in ongestructureerde omgevingen niet kunnen uitvoeren, omdat de software die nodig is om hen te begeleiden vaak te rigide of te specifiek is om te kunnen worden hergebruikt.
Een team onderzoekers aan het MIT heeft een nieuwe manier ontwikkeld om robots door deze strakke beperkingen te leiden zonder de onderliggende wiskunde voor elke machine opnieuw te hoeven schrijven. In plaats van te proberen de robot te dwingen een rigide set regels te volgen, hebben ze een methode ontwikkeld die de beweging van de robot behandelt als een flexibele kaart. De kern van hun aanpak berust op een wiskundig principe dat hen in staat stelt om achteruit te werken van een gewenste handpositie naar de gewrichtshoeken die nodig zijn om daar te komen, zelfs wanneer het computerprogramma dat de berekening uitvoert een "black box" is die niet gemakkelijk kan worden aangepast. Door gebruik te maken van een standaard regel uit de calculus die bekend staat als de inversiefunctiestelling, hebben de onderzoekers aangetoond dat ze de noodzakelijke sturingssignalen kunnen extraheren uit de bewegingsvergelijkingen van de robot. Dit betekent dat ze elk bestaand, geautomatiseerd hulpmiddel dat berekent hoe een robot beweegt, direct bruikbaar kunnen maken voor complexe, beperkte planningsopdrachten, mits ze ook de momenten kunnen opvangen waarop de robot probeert naar iets te reiken dat net buiten zijn fysieke bereik ligt.
De onderzoekers demonstreerden dat hun methode werkt door het te testen op een echte robot, de RB-Y1, een machine met twee armen die ontworpen is om menselijke bewegingen na te bootsen. In een reeks van twintig proeven haalde de robot succesvol een doos op van verschillende plekken op de vloer en plaatste deze op een nabijgelegen tafel. De robot moest een pad navigeren waarbij beide armen in perfecte coördinatie bewogen om de doos stabiel te houden, een taak die vereist dat de robot constant zijn gewrichten aanpast terwijl hij een strikte relatie tussen zijn twee handen behoudt. Het systeem plande deze bewegingen door eerst een ruw pad te genereren en dit vervolgens te verfijnen met de nieuwe wiskundige techniek. Het resultaat was een vloeiende, continue beweging waarbij de robot de doos optilde, rechtop ging staan en de doos op de tafel plaatste zonder deze te laten vallen of de fysieke grenzen van zijn gewrichten te schenden. De beperking dat de handen uitgelijnd moeten blijven, werd nageleefd met een precisie van minder dan één millimeter, wat bewees dat de robot het plan met hoge nauwkeurigheid kon volgen.
Wat deze prestatie zo belangrijk maakt, is dat de onderzoekers geen nieuw, op maat gemaakt wiskundig model voor de RB-Y1 robot hoefden te bouwen. Ze gebruikten een standaard, geautomatiseerde solver die bewegingsplannen genereert voor veel verschillende soorten robots, een instrument dat normaal gesproken niet gebruikt kan worden voor dit soort delicate, beperkte taken omdat het niet beschikt over de noodzakelijke wiskundige "gradiënten" of sturingssignalen. De innovatie van het team was het creëren van een brug waarmee ze die signalen uit de black-box solver konden trekken. Ze losten ook een tweede probleem op: wat gebeurt er wanneer de robot een pad probeert te berekenen naar een plek die fysiek onbereikbaar is? In het verleden zou de computer simpelweg crashen of een foutmelding geven. De nieuwe methode stelt het systeem in staat om deze onmogelijke verzoeken gracieus af te handelen door de dichtstbijzijnde mogelijke positie te vinden en de berekening voort te zetten, waardoor het planningsproces zelfs in onbereikbaar gebied levend blijft.
De experimenten toonden aan dat deze algemene aanpak bijna even snel is als de gespecialiseerde, handgeschreven wiskunde die experts traditioneel voor specifieke robots gebruiken. In tests met complexe padvinding en obstakelvermijding duurde het berekenen van een oplossing met de nieuwe methode slechts iets langer dan de aangepaste versies, terwijl het de flexibiliteit bood om met een veel breder scala aan machines te werken. De onderzoekers ontdekten dat door specifieke technieken te gebruiken om de berekeningen te verzachten wanneer de robot nabij de rand van zijn bereik komt, het systeem stabiel en efficiënt blijft. Dit suggereert dat de drempel voor geavanceerde robotplanning veel lager ligt dan voorheen gedacht. Ingenieurs kunnen nu een generieke robot en een standaard bewegingssolver nemen en deze onmiddellijk toepassen op taken die het vasthouden van objecten, het openen van deuren of het lopen met een lading vereisen, zonder dat er een team van wiskundigen nodig is om nieuwe vergelijkingen af te leiden voor elke nieuwe toepassing.
Het werk benadrukt ook het belang van hoe robots met falen omgaan. Wanneer het planningsalgoritme een beweging suggereert die fysiek onmogelijk is, stopt het systeem niet; in plaats daarvan gebruikt het een methode van de kleinste kwadraten om de best mogende benadering te vinden en gaat het verder met het verfijnen van het pad. Dit vermogen om te herstellen van onmogelijke toestanden is cruciand voor praktische toepassingen waarbij de robot niet precies weet waar een object zich bevindt of waar de omgeving kan veranderen. Door het gradientsignaal zelfs in deze moeilijke zones door te laten stromen, kan de optimizer de robot terugsturen naar een haalbare oplossing. De onderzoekers merkten op dat hoewel sommige oudere methoden zouden kunnen worstelen om tot een oplossing te komen wanneer de wiskunde complex wordt, hun aanpak, gecombineerd met een nieuw type randvoorwaarde, robuust genoeg bleek om de volledige reeks bewegingen die nodig zijn voor de taak van het oppakken van de doos te kunnen afhandelen.
Uiteindelijk verschuift dit onderzoek het paradigma van hoe robots worden geleerd bewegen. In plaats van elke nieuwe taak te behandelen als een unieke wiskundige uitdaging die een op maat gemaakte oplossing vereist, kan het vakgebied bewegen naar een meer universele aanpak waarbij standaard instrumenten ter plekke worden aangepast. Het vermogen om te differentiëren door elke inverse kinematica-functie betekent dat de enorme bibliotheek aan bestaande software voor robotbewegingen kan worden ontsloten voor complexe, beperkte planning. De succesvolle hardwaretests met de RB-Y1 robot dienen als een concreet bewijs dat dit theoretische kader werkt in de fysieke wereld, waardoor een machine de delicate balans tussen zijn fysieke grenzen en de eisen van een taak kan navigeren. Het resultaat is een stap naar robots die gemakkelijker kunnen worden ingezet in huishoudens en fabrieken, in staat om complexe manipulatietaken uit te voeren met dezelfde gemak als een mens, geleid door software die de geometrie van beweging begrijpt zonder dat deze voor elke nieuwe klus opnieuw geschreven hoeft te worden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.