[논문 리뷰] Industrial Robot Trajectory Tracking Using Multi-Layer Neural Networks Trained by Iterative Learning Control

Shuyang Chen, John T. Wen|arXiv (Cornell University)|2019. 02. 28.

Iterative Learning Control Systems참고 문헌 59인용 수 4

한 줄 요약

이 논문은 산업용 로봇의 궤적 추적 성능을 향상시키기 위해 반복 학습 제어(ILC)와 다층 신경망(NN)을 융합한 하이브리드 접근법을 제안한다. 고정밀 시뮬레이터에서 ILC가 생성한 입력 궤적을 기반으로 신경망을 훈련시켜 비선형 내부 루프 동역학과 시간 지연을 보완한다. 전이 학습을 통해 시뮬레이션에서 실제 환경으로의 성능 격차를 줄여 물리적 로봇에서 추적 오차를 크게 감소시켰고(예: ℓ₂ 오차 76.5% 감소), 다른 로봇 모델로의 일반화도 가능하게 했다.

ABSTRACT

Fast and precise robot motion is needed in certain applications such as electronic manufacturing, additive manufacturing and assembly. Most industrial robot motion controllers allow externally commanded motion profile, but the trajectory tracking performance is affected by the robot dynamics and joint servo controllers which users have no direct access and little information. The performance is further compromised by time delays in transmitting the external command as a setpoint to the inner control loop. This paper presents an approach of combining neural networks and iterative learning control to improve the trajectory tracking performance for a multi-axis articulated industrial robot. For a given desired trajectory, the external command is iteratively refined using a high fidelity dynamical simulator to compensate for the robot inner loop dynamics. These desired trajectories and the corresponding refined input trajectories are then used to train multi-layer neural networks to emulate the dynamical inverse of the nonlinear inner loop dynamics. We show that with a sufficiently rich training set, the trained neural networks can generalize well to trajectories beyond the training set. In applying the trained neural networks to the physical robot, the tracking performance still improves but not as much as in the simulator. We show that transfer learning can effectively bridge the gap between simulation and the physical robot. In the end, we test the trained neural networks on other robot models in simulation and demonstrate the possibility of a general purpose network. Development and evaluation of this methodology is based on the ABB IRB6640-180 industrial robot and ABB RobotStudio software packages.

연구 동기 및 목표

• 외부 명령 전송 과정에서 모델링되지 않은 동역학과 시간 지연으로 인한 산업용 로봇의 궤적 추적 성능 열악함 문제를 해결하기 위해.
• 온라인 반복 없이 내부 제어 루프의 동역학을 보완하는 피드포워드 제어 전략을 개발하기 위해.
• 전이 학습을 활용해 시뮬레이션과 실제 환경 간의 궤적 추적 성능 격차를 해소하기 위해.
• 훈련된 신경망의 다양한 로봇 모델 간 일반화 능력을 평가하기 위해.
• 산업용 로봇 운동 제어를 위한 일반 목적의 신경망 보완기의 실현 가능성을 입증하기 위해.

제안 방법

• 고정밀 동역학 시뮬레이터에서 반복 학습 제어(ILC)를 적용하여, 일련의 목표 궤적에 대해 추적 오차를 최소화하는 개선된 입력 궤적을 생성한다.
• 다층 신경망(NN-I)을 오프라인으로 훈련시켜, 목표 궤적과 해당 ILC 최적화 입력을 기반으로 로봇 내부 제어 루프의 역동역학을 근사한다.
• 실제 로봇에서 ILC 실험을 통해 수집한 데이터로 NN-I를 미세 조정함으로써 전이 학습을 적용하여 실제 환경 성능이 향상된 NN-II를 도출한다.
• 훈련된 신경망은 물리적 ABB IRB6640-180 로봇에서 평가되었고, 시뮬레이션에서 다른 모델(IRB120, IRB6640-130)을 대상으로 일반화 능력을 테스트하였다.
• 외부 궤적 명령과 제어를 위해 ABB RobotStudio 환경과 EGM(외부 가이드 모드) 인터페이스를 사용한다.
• 이 방법은 결정론적이고 반복 가능한 동역학을 전제로 하며, 사인파와 치르프와 같은 부드럽고 유계 궤적에서 검증된다.

실험 결과

연구 질문

• RQ1 시뮬레이션에서 ILC 기반 궤적 정련이 산업용 로봇의 비선형 내부 루프 동역학을 보완하기 위해 신경망 훈련에 효과적으로 활용될 수 있는가?
• RQ2 전이 학습이 시뮬레이션과 실제 로봇 배포 간의 성능 격차를 어느 정도 감소시키는가?
• RQ3 한 로봇 모델에서 훈련된 단일 신경망이 다른 기하학적 및 동역학적 특성을 가진 다른 로봇 모델로 일반화될 수 있는가?
• RQ4 부드럽고 랜덤 궤적을 포함한 다양한 궤적 유형에서 신경망 기반 보완기의 성능은 어떻게 변화하는가?
• RQ5 고주파 또는 고가속도 운동에서 추적 정밀도 향상의 가능성이 얼마나 되는가, 특히 오차 감소 측면에서 어떤가?

주요 결과

• 물리적 로봇의 관절 1에 대한 추적 오차 ℓ₂ 노름은 보상 없이 58.6822°에서 시뮬레이션 데이터로 훈련된 신경망을 적용한 후 14.0066°로 감소하였고, 전이 학습을 추가로 적용한 후 13.6826°로 더 감소하였다.
• 전이 학습은 실제 로봇에서 성능 향상을 크게 향상시켰으며, 특히 8 rad/s의 고주파 사인파와 같은 궤적에서 위상 지연과 진폭 감쇠를 보완하는 데 효과적이었다.
• 훈련된 신경망은 다른 로봇 모델으로도 잘 일반화되었다: IRB120과 IRB6640-130은 시뮬레이션에서 치르프와 사인파 궤적에 대해 상당한 추적 오차 감소를 보였다.
• 랜덤하고 노이즈가 많은 궤적에서는 여전히 지연과 진폭 감쇠를 줄였지만, 부드러운 궤적보다 성능이 떨어져 궤적의 부드러움에 민감함을 보였다.
• 이 방법은 한 로봇 모델에서 훈련된 단일 신경망이 유사한 내부 루프 동역학을 가진 다양한 산업용 로봇 모델에 일반 목적의 보완기로 활용될 수 있음을 입증했다.
• 이 방법은 온라인 반복 없이도 고정밀 추적을 달성했으며, 오직 사전 훈련된 피드포워드 제어를 통해 신경망을 활용하였다.