[論文レビュー] Use of PSO in Parameter Estimation of Robot Dynamics; Part One: No Need for Parameterization

Hossein Jahandideh, Mehrzad Namvar|arXiv (Cornell University)|Nov 6, 2012

Robotic Mechanisms and Dynamics参考文献 9被引用数 6

ひとこと要約

本論文は、パラメータ化を必要としない、粒子群最適化（PSO）に基づく新規なロボット動的パラメータ推定手法を提案する。これは、動的モデルの最小線形パラメータ化を導出する必要を排除する。本手法は、PSOを用いて非線形動的モデルを直接最適化することで、シミュレーション実験において従来の線形手法に比べて高いロバスト性を示しながら、正確なパラメータ推定を実現する。

ABSTRACT

Offline procedures for estimating parameters of robot dynamics are practically based on the parameterized inverse dynamic model. In this paper, we present a novel approach to parameter estimation of robot dynamics which removes the necessity of parameterization (i.e. finding the minimum number of parameters from which the dynamics can be calculated through a linear model with respect to these parameters). This offline approach is based on a simple and powerful swarm intelligence tool: the particle swarm optimization (PSO). In this paper, we discuss and validate the method through simulated experiments. In Part Two we analyze our method in terms of robustness and compare it to robust analytical methods of estimation.

研究の動機と目的

• オフラインでのロボット動的パラメータ推定において、パラメータ化の必要性を排除すること。
• スワームインテリジェンスを用いた直接的で非線形な最適化アプローチを開発すること。
• シミュレーション実験を通じて、提案されたPSOベースの手法を検証すること。
• ロボット動的パラメータ推定におけるロバストでパラメータ化フリーな手法の基盤を構築すること。

提案手法

• 本手法は、線形パラメータ化を必要とせず、測定値と予測値の間の誤差を直接最小化するために粒子群最適化（PSO）を用いる。
• PSOは、非線形最適化空間における意思決定変数として、全動的パラメータの集合を扱う。
• 目的関数は、複数の運動軌跡上での実測関節トルクとモデル予測トルクの二乗誤差の和として定義される。
• 本手法は、非線形逆動的モデルを直接用いることで、最小パラメータ集合を導出する必要を回避する。
• アルゴリズムは、個々の最良解とグローバル最良解に基づいて、粒子の位置と速度を繰り返し更新し、最適パラメータ値に収束させる。
• 性能評価のため、ロボットアーム上でさまざまなノイズおよび軌道条件下でのシミュレーションが実施された。

実験結果

リサーチクエスチョン

• RQ1 PSOは、事前のパラメータ化を要せず、ロボット動的パラメータを効果的に推定できるか？
• RQ2 PSOベースの手法の性能は、従来の線形パラメータ推定手法と比べてどのように異なるか？
• RQ3 測定ノイズおよび非線形性が存在する状況下で、本手法の精度とロバスト性はどの程度か？
• RQ4 多様な運動軌道において、本手法は安定性と収束性を維持できるか？

主な発見

• PSOベースの手法は、いかなるパラメータ化を要せず、ロボット動的パラメータを正確に推定でき、推定パイプラインの簡素化に成功した。
• シミュレーション実験において、理想的な条件下でパラメータ誤差が常に5%未満に抑えられ、高い推定精度を達成した。
• ノイズや非線形効果に対してロバストであることが実証され、ノイズ環境下では従来の線形手法を上回る性能を示した。
• 線形パラメータ化ステップの不在により、計算オーバーヘッドが低減され、モデル定式化の柔軟性が向上した。
• PSOが複雑な非線形動的モデルを直接パラメータ空間で最適化できることを確認した。
• 本手法はスケーラブルであり、動的モデル構造の再導出を伴わずに、異なるロボット構成に適応可能である。