[논문 리뷰] Adaptive Control for Robotic Manipulation of Deformable Linear Objects with Offline and Online Learning of Unknown Models

Mingrui Yu, Hanzhong Zhong외 2명|arXiv (Cornell University)|2021. 07. 01.

Soft Robotics and Applications참고 문헌 29인용 수 7

한 줄 요약

이 논문은 변형 가능한 선형 물체(DLOs)의 로봇 조작을 위한 하이브리드 적응형 제어 프레임워크를 제안한다. 이는 미리 학습된 지도 학습 신경망(NNs)을 통해 초기 자이아르디언 추정을 수행하고, 작업 실행 중 오차를 보정하기 위해 온라인 적응형 신경망을 활용함으로써, 라플라스 기반 분석을 통해 작업 오차의 안정적 수렴을 보장한다. 이 방법은 모델 불확실성 또는 DLO 성질의 변화가 있는 상황에서도 정확하고 실시간 제어를 가능하게 한다.

ABSTRACT

The deformable linear objects (DLOs) are common in both industrial and domestic applications, such as wires, cables, ropes. Because of its highly deformable nature, it is difficult for the robot to reproduce human's dexterous skills on DLOs. In this paper, the unknown deformation model is estimated in both the offline and online manners. The offline learning aims to provide a good approximation prior to the manipulation task, while the online learning aims to compensate the errors due to insufficient training (e.g. limited datasets) in the offline phase. The offline module works by constructing a series of supervised neural networks (NNs), then the online module receives the learning results directly and further updates them with the technique of adaptive NNs. A new adaptive controller is also proposed to allow the robot to perform manipulation tasks concurrently in the online phase. The stability of the closed-loop system and the convergence of task errors are rigorously proved with Lyapunov method. Simulation studies are presented to illustrate the performance of the proposed method.

연구 동기 및 목표

• 변형 가능한 선형 물체(DLOs)의 변형 역학이 알려져 있거나 잘 모델링되어 있지 않은 상황에서 조작하는 데 도전하는 것.
• 작업 실행 중 DLO 물리적 성질의 변화나 부족한 오프라인 학습 데이터로 인해 발생하는 조작 오차를 줄이는 것.
• 더 높은 강인성과 정확도를 확보하기 위해 오프라인 사전 훈련과 온라인 적응을 결합한 제어 시스템을 개발하는 것.
• 제안된 적응형 제어 법칙 하에서 작업 오차가 0으로 수렴하고 폐쇄 루프 시스템의 안정성을 보장하기 위해 라플라스 기반 분석을 활용하는 것.

제안 방법

• 오프라인 단계: 수집된 로봇 끝단 기구 속도와 DLO 형태의 데이터 쌍을 사용하여, 끝단 기구 속도와 DLO 형태 변화 간의 자이아르디언 행렬을 추정하기 위해 일련의 지도 학습 신경망(NNs)을 훈련한다.
• 온라인 단계: 최근 관측 데이터를 활용하여 오프라인 신경망 모델을 적응형 신경망 기법을 통해 실시간으로 업데이트하여 근사 오차를 보정한다.
• 업데이트된 모델을 적응형 제어기와 통합하여, 추정된 변형 모델의 피드백을 이용해 DLO의 목표 특징을 목표 위치로 이동시킨다.
• 라플라스 안정성 이론을 활용하여 제안된 적응형 제어 법칙 하에서 작업 오차가 0으로 수렴하는 것을 엄밀히 증명한다.
• 소수의 특이값을 기각함으로써 특이성 문제를 탐지하고 완화하기 위해 추정된 자이아르디언의 특이값 분해(SVD)를 사용한다.
• 비례 이득과 적응형 업데이트 법칙(식 12)을 포함한 제어 법칙을 적용하여 실시간 오차와 모델 불확실성에 기반해 제어 입력을 조정한다.

실험 결과

연구 질문

• RQ1 오프라인으로 훈련된 신경망이 로봇 조작 작업에서 DLO의 변형 모델을 신뢰할 수 있는 初기 근사치로 제공할 수 있는가?
• RQ2 오프라인 모델이 부족하거나 정확하지 않을 경우, 온라인 적응형 학습이 조작 중 모델링 오차를 효과적으로 줄일 수 있는가?
• RQ3 오프라인 및 온라인 학습의 통합이 단독으로 오프라인 또는 온라인 방법을 사용할 때보다 제어 정확도와 수렴성을 향상시키는가?
• RQ4 제안된 적응형 제어기가 알려지지 않았거나 변화하는 DLO 역학 조건 하에서도 안정적이고 수렴 가능한 작업 성능을 보장할 수 있는가?
• RQ5 모델 불확실성과 특이성은 제어 성능에 어떤 영향을 미치며, 실무에서 이를 어떻게 완화할 수 있는가?

주요 결과

• 온라인 학습이 활성화된 경우, 첫 번째 작업에서 목표 위치로의 수렴 속도가 빨라졌으며, 이는 목표 지점이 더 빨리 도달했음을 보여준다.
• 경로 추적 작업에서는 온라인 업데이트가 오프라인 전용 접근 방식에 비해 위치 오차를 크게 감소시켜, 동적 조건 하에서도 정확도 향상을 입증한다.
• 다중 목표 순차 조작 작업에서는 DLO 길이와 변형의 변화가 있었음에도 불구하고 각 목표 지점을 원하는 위치에 정확히 고정시키는 데 성공하여, 구조적 변화에 대한 강인성을 입증한다.
• 시뮬레이션 결과는 작업 오차가 시간이 지남에 따라 0으로 수렴함을 확인하였으며, 이는 라플라스 방법을 활용한 이론적 안정성 증명을 검증한다.
• 특이값 분해(SVD)를 통한 특이성 처리로 수치적 안정성이 향상되었으며, 특히 작은 특이값이 큰 제어 입력을 유도할 수 있는 상황에서 유의미한 효과를 보였다.
• DLO의 물리적 성질이나 구성을 조작 중에 변화시키더라도 효과적인 일반화와 적응 능력을 보였다.