[논문 리뷰] Learning-based Position and Stiffness Feedforward Control of Antagonistic Soft Pneumatic Actuators using Gaussian Processes

Tim-Lukas Habich, Sarah Kleinjohann외 1명|arXiv (Cornell University)|2023. 03. 03.

Prosthetics and Rehabilitation Robotics참고 문헌 32인용 수 1

한 줄 요약

이 논문은 소프트 펌프 액추에이터의 이완성 특성을 동시에 제어하기 위해 가우시안 프로세스를 사용하는 데이터 기반, 학습 기반 피드포워드 제어 방법을 제시한다. 사전 시스템 모델이 필요 없이 관절 위치와 스태이프니스를 동시에 제어한다. 자체 제작한 시험 벤치에서 측정된 입력-출력 데이터를 기반으로 학습함으로써, 압력 범위의 평균 11.5% 이내의 피드포워드 오차를 달성하여 다양한 구성에서 위치와 스태이프니스를 정밀하고 연속적으로 조절할 수 있으며, 모듈식 소프트 로봇 프로토타입에서 실험적으로 검증되었다.

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.

연구 동기 및 목표

• 소프트 로봇 분야의 변수 스태이프니스 액추에이터(VSA)를 위한 보편적이고 모델 기반 제어 접근법을 개발하기 위해.
• 이완성 소프트 펌프 액추에이터에서 관절 위치와 스태이프니스를 연속적이고 동시에 제어하기 위해.
• 분석적 방법으로 복잡한 비선형 특성을 모델링하는 데 어려움을 해결하기 위해.
• 사전 시스템 모델 없이도 실측 데이터를 기반으로 한 데이터 기반 접근법의 타당성을 실험적으로 검증하기 위해.
• 설계 특화 가정 없이 다양한 액추에이터 설계에 적용 가능한가를 보여주기 위해.

제안 방법

• 실험적 검증을 위해 이완성 벨로우스 두 개를 갖춘 모듈식 소프트 펌프 VSA를 제작하였다.
• 다양한 압력 입력 조건에서 관절 각도와 스태이프니스의 입력-출력 데이터를 수집하기 위해 자동화된 시험 벤치를 개발하였다.
• 목표 위치와 스태이프니스로 향하는 압력 입력의 역함수를 학습하기 위해 측정된 데이터를 기반으로 가우시안 프로세스(GPs)를 훈련시켰다.
• GP 모델은 목표 관절 각도와 스태이프니스를 달성하기 위해 필요한 피드포워드 압력 차이(ΔpFF)와 평균 압력(p̄FF)을 예측한다.
• 조정된 이득(KP = 0.025 bar/deg, KI = 0.05 bar·s/deg)을 갖는 피드백 제어가 GP 예측 오차를 보완한다.
• 작동 중에 모터에 의해 유도된 외란 방법을 사용하여 관절 스태이프니스를 측정함으로써 실시간 피드백을 가능하게 하였다.

실험 결과

연구 질문

• RQ1 학습 기반의 모델 기반 접근법이 소프트 펌프 VSA에서 위치와 스태이프니스를 동시에 연속적으로 제어할 수 있는가?
• RQ2 사전 시스템 모델 없이도 가우시안 프로세스가 목표 관절 상태를 달성하기 위한 압력 입력을 얼마나 정확하게 예측할 수 있는가?
• RQ3 피드백 제어가 GP 기반 피드포워드 제어의 내재된 오차를 어느 정도 보완하는가?
• RQ4 제안된 방법이 설계 특화 가정 없이 다양한 VSA 설계에 보편적으로 적용 가능한가?
• RQ5 피드백 제어가 작동 중 측정된 관절 스태이프니스에 어떤 영향을 미치며, 스태이프니스는 정확하게 추적될 수 있는가?

주요 결과

• 가우시안 프로세스 모델은 총 압력 범위(0–0.4 bar)의 평균 11.5% 이내의 피드포워드 오차를 달성하였으며, 이는 평균 절대 오차 0.046 bar에 해당한다.
• 위치 추적 오차는 평균 절대 오차 0.34°를 기록하였으며, 이는 0.35°의 인코더 해상도와 일치하여 높은 정밀도를 나타낸다.
• 이 방법은 7개의 다른 목표 각도와 각각 2개의 스태이프니스 수준에서 관절 각도와 스태이프니스를 연속적이고 동시에 제어하는 데 성공하였다.
• 14개 구성 중 10개에서 목표 스태이프니스가 높은 정밀도로 달성되었으며, qd = −2°에서 점탄성 재료의 영향으로 약간의 편차가 관찰되었다.
• 피드백 제어가 GP 예측 오차를 효과적으로 보완하여 안정적인 추적 성능 유지를 달성하였고, 스태이프니스 성능에 크게 영향을 주지 않았다.
• 이 방법은 설계에 종속되지 않으며 다양한 VSA 구성에 적용 가능하여 모듈식 소프트 로봇 시스템에 넓은 잠재력을 보여주었다.