[論文レビュー] A Purely-Reactive Manipulability-Maximising Motion Controller

Jesse Haviland, Peter Corke|arXiv (Cornell University)|Feb 27, 2020

Robotic Mechanisms and Dynamics参考文献 30被引用数 16

ひとこと要約

この論文は、冗長ロボットおよび非冗長ロボットの両方において、関節制限を回避しながらロボットアームの可動域を最大化する、完全に反応型でオープンソースのモーションコントローラーを提示する。スラック変数を用いた制御された経路ずれを導入し、効率的なヘシアン計算を伴う二次計画法を解くことで、ベースライン手法に比べて最大38%高い最終的な可動域を達成し、Franka Pandaロボット上で5 ms未満のリアルタイム性能を実現した。

ABSTRACT

We present a novel approach to controlling the instantaneous velocity of a robot end-effector that is able to simultaneously maximise manipulability and avoid joint limits. It operates on non-redundant and redundant robots, which is achieved by adding artificial redundancy in the form of controlled path deviation. We formulate the problem as a quadratic programme and provide an open-source Python implementation that provides solutions in just a few milliseconds. It accepts a robot model expressed using URDF or Denavit-Hartenberg parameterisation. We compare our method to previous work in simulation and on a physical robot.

研究の動機と目的

• 冗長ロボットおよび非冗長ロボットの両方において、可動域の最大化と関節制限回避を同時に実現する完全に反応型でリアルタイムのモーションコントローラーを開発すること。
• 制御された経路ずれを用いた人工的冗長性の導入により、非冗長ロボットに対しても可動域最大化を拡張すること。
• URDFおよびディナヴィット＝ハルテンベルク記法を含む多様なロボットモデルをサポートするソフトウェアツールチェーンを提供し、効率的な勾配およびヘシアン計算を可能とすること。
• シミュレーションおよび物理的ロボット上での実験を通じて、提案されたコントローラーの性能を検証し、既存手法に比べて優れた耐障害性と可動域を示すこと。
• 理論的基盤は長年にわたり整備されているが、可動域に基づく制御のための広く採用された効率的ツールの欠如に取り組むこと。

提案手法

• エンドエフェクタ速度制御を二次計画法（QP）として定式化し、関節速度ノルムを最小化するとともに、可動域を最大化し、関節制限制約を満たすようにする。
• スラック変数を導入することで、直線経路からの制御されたずれを許容し、非冗長ロボットに対しても可動域最適化を可能にする。
• マニピュレータ・ヘシアンを用いた可動域測度の勾配計算により、リアルタイムでの可動域の高精度最適化を実現する。
• URDF、ディナヴィット＝ハルテンベルク、またはETSパラメータ化によるロボットモデルに対応可能で、広範な適用性を有する。
• 最適化された数値手法を用いてQPを5 ms未満で解き、視覚サーボイングなどのタスクにおけるリアルタイム反応型制御を実現する。
• Pythonで実装されたオープンソースの実装を提供し、Python用ロボティクスツールボックスに統合されており、多様なロボット運動学をサポートする。

実験結果

リサーチクエスチョン

• RQ1 完全に反応型のコントローラーは、冗長ロボットおよび非冗長ロボットの両方において、可動域の最大化と関節制限回避を同時に達成できるか？
• RQ2 人工的経路ずれを導入することで、非冗長ロボットにおける可動域と耐障害性はどのように向上するか？
• RQ3 提案されたコントローラーを用いることで、解像速度制御および先行の可動域最適化手法に比べ、可動域の向上と故障率の低下はどの程度達成されるか？
• RQ4 コントローラーの経路ずれは軌道精度にどの程度影響を及ぼし、アプリケーション固有のトレードオフに合わせて調整可能か？
• RQ5 理論的に成熟しているにもかかわらず、なぜ可動域に基づくコントローラーは広く採用されていないのか？ソフトウェアツールチェーンはこのギャップを埋められるか？

主な発見

• Franka Panda ロボットでは、提案されたコントローラーがベースラインの解像速度制御コントローラーに比べ、平均可動域で35.9%、最終可動域で38%高い値を達成した。
• 非冗長のUR5 ロボットでは、平均可動域で20.7%、最終可動域で30%の向上を達成した—これは、非冗長系においては従来手法では達成不可能だった改善である。
• サーボイングタスクにおける故障率は、Panda ロボットでベースラインの12.4%から8%に低下し、UR5 ロボットで39.7%から25.6%に低下した。これにより、耐障害性の向上が明確に示された。
• 平均でPandaでは66 mm、UR5では835 mmの経路ずれが生じたが、コントローラーは高い可動域を維持し、関節制限違反も回避した。ずれはλδパラメータで制御可能であった。
• 複雑な運動タスクにおいて、Parkの手法に比べて、提案されたコントローラーは常に高い可動域を維持したのに対し、Parkの手法は初期の低下後に回復したにとどまった。
• コントローラーは特異点および関節制限違反を効果的に回避したが、主な障害原因は最適化アルゴリズムの局所的最小値に起因し、運動学的制約によるものではなかった。