[論文レビュー] Learning-based Position and Stiffness Feedforward Control of Antagonistic Soft Pneumatic Actuators using Gaussian Processes

Tim-Lukas Habich, Sarah Kleinjohann+1 more|arXiv (Cornell University)|Mar 3, 2023

Prosthetics and Rehabilitation Robotics参考文献 32被引用数 1

ひとこと要約

本稿では、アンタゴニスティックなソフト・ネンチック・アクチュエータのためのデータ駆動型で学習ベースのフィードフォワード制御手法を提示している。ガウス過程を用いて、事前モデルを必要とせずに、関節位置と剛性を同時に制御する。独自の試験装置から得た測定入出力データを用いて学習することで、圧力範囲の平均11.5％のフィードフォワード誤差を達成し、多様な構成において位置と剛性の正確で連続的な調整が可能である。実験的にモジュラーモノソフトロボットプロトタイプで検証された。

ABSTRACT

Variable stiffness actuator (VSA) designs are manifold. Conventional model-based control of these nonlinear systems is associated with high effort and design-dependent assumptions. In contrast, machine learning offers a promising alternative as models are trained on real measured data and nonlinearities are inherently taken into account. Our work presents a universal, learning-based approach for position and stiffness control of soft actuators. After introducing a soft pneumatic VSA, the model is learned with input-output data. For this purpose, a test bench was set up which enables automated measurement of the variable joint stiffness. During control, Gaussian processes are used to predict pressures for achieving desired position and stiffness. The feedforward error is on average 11.5% of the total pressure range and is compensated by feedback control. Experiments with the soft actuator show that the learning-based approach allows continuous adjustment of position and stiffness without model knowledge.© 2023 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works.

研究の動機と目的

• ソフトロボティクス分野における可変剛性アクチュエータ（VSA）の普遍的でモデルフリーな制御手法の開発。
• アンタゴニスティックなソフト・ネンチック・アクチュエータにおいて、関節位置と剛性の連続的かつ同時制御を可能にすること。
• 解析的手法によるソフト・ネンチック・システムの複雑な非線形性のモデル化の課題を克服すること。
• 独自の試験装置から得た実測データを用いたデータ駆動型手法の妥当性を実証すること。
• 設計特有の仮定を必要とせず、異なるアクチュエータ設計に普遍的に適用可能であることを示すこと。

提案手法

• 実験的検証のため、2つのアンタゴニスティック・ベルローズを備えたモジュラーモノソフト・ネンチックVSAを製作した。
• 関節角と剛性の入出力データを、さまざまな圧力入力を用いて収集するための自動化された試験装置を開発した。
• ガウス過程（GPs）を測定データに学習させ、望ましい位置と剛性から必要な圧力入力を逆写像として学習した。
• GPモデルは、目標関節角と剛性を達成するためのフィードフォワード圧力差（ΔpFF）と平均圧力（p̄FF）を予測する。
• 調整されたゲイン（KP = 0.025 bar/deg、KI = 0.05 bar·s/deg）を用いたフィードバック制御により、GP予測誤差を補償した。
• 動作中の剛性は、モーター駆動による摂動法により測定され、リアルタイムのフィードバックが可能となった。

実験結果

リサーチクエスチョン

• RQ1 学習ベースでモデルフリーな手法は、ソフト・ネンチックVSAにおける位置と剛性の同時かつ連続的制御を達成できるか？
• RQ2 事前システムモデルがなくても、ガウス過程は望ましい関節状態に必要な圧力入力をどれほど正確に予測できるか？
• RQ3 フィードバック制御は、GPベースのフィードフォワード制御に内在する誤差をどの程度効果的に補償できるか？
• RQ4 提案手法は、設計特有の仮定を必要とせず、さまざまなVSA設計に普遍的に適用可能か？
• RQ5 フィードバック制御は動作中の測定関節剛性にどのような影響を及ぼし、剛性は正確に追従可能か？

主な発見

• ガウス過程モデルは、全圧力範囲（0–0.4 bar）の平均11.5％のフィードフォワード誤差を達成し、平均絶対誤差は0.046 barに相当した。
• 位置追従の平均絶対誤差は0.34°であり、0.35°のエンコーダ分解能と一致しており、高い精度を示した。
• 本手法により、2つの剛性レベルをそれぞれ7つの異なる目標角度で連続的かつ同時に制御することが成功した。
• 14の構成のうち10つで、望ましい剛性が高精度に達成され、qd = −2°のときにはわずかなずれが観察されたが、これは粘弾性材料効果に起因した。
• フィードバック制御はGP予測誤差を効果的に補償し、安定な追従を維持しながら剛性性能を著しく劣化させなかった。
• 本手法は設計に依存せず、さまざまなVSA構成に適用可能であり、モジュラーモノソフトロボットシステムへの広範な応用可能性を示した。