[论文解读] A Purely-Reactive Manipulability-Maximising Motion Controller

Jesse Haviland, Peter Corke|arXiv (Cornell University)|Feb 27, 2020

Robotic Mechanisms and Dynamics参考文献 30被引用 16

一句话总结

本文提出了一种纯反应式、开源的运动控制器，可在冗余和非冗余机器人上同时最大化机械手可操作性并避免关节极限。通过引入通过松弛变量控制的路径偏差，并利用高效的海森矩阵计算求解二次规划，该控制器在Franka Panda机器人上的最终可操作性相比基线方法最高提升38%，且在实时性能上低于5 ms。

ABSTRACT

We present a novel approach to controlling the instantaneous velocity of a robot end-effector that is able to simultaneously maximise manipulability and avoid joint limits. It operates on non-redundant and redundant robots, which is achieved by adding artificial redundancy in the form of controlled path deviation. We formulate the problem as a quadratic programme and provide an open-source Python implementation that provides solutions in just a few milliseconds. It accepts a robot model expressed using URDF or Denavit-Hartenberg parameterisation. We compare our method to previous work in simulation and on a physical robot.

研究动机与目标

• 开发一种完全反应式、实时的运动控制器，以优化末端执行器速度，实现可操作性最大化和关节极限避免。
• 通过引入受控路径偏差的人工冗余，将可操作性最大化方法扩展至非冗余机器人。
• 提供一个支持多种机器人模型（包括URDF和Denavit-Hartenberg）的软件工具链，具备高效的梯度与海森矩阵计算能力。
• 在仿真和物理机器人上验证控制器性能，证明其在鲁棒性和可操作性方面优于现有方法。
• 解决尽管理论基础已成熟数十年，但缺乏广泛采用的高效可操作性控制工具的问题。

提出的方法

• 控制器将末端执行器速度控制建模为一个二次规划（QP），以最小化关节速度范数，同时最大化可操作性并满足关节极限约束。
• 通过引入松弛变量，允许对直线路径进行受控偏离，从而在非冗余机器人上也能实现可操作性优化。
• 该方法利用机械手海森矩阵计算可操作性度量的梯度，实现实时精确的可操作性优化。
• 该方法兼容通过URDF、Denavit-Hartenberg或ETS参数化描述的机器人模型，具备广泛适用性。
• 通过优化的数值方法，QP求解时间低于5 ms，支持视觉伺服等任务的实时反应式控制。
• 提供基于Python的开源实现，集成于Python机器人工具箱，支持多种机器人运动学建模。

实验结果

研究问题

• RQ1 纯反应式控制器能否同时为冗余和非冗余机器人最大化可操作性并避免关节极限？
• RQ2 引入人工路径偏差如何提升非冗余机器人的可操作性和鲁棒性？
• RQ3 与解析速率控制和先前的可操作性优化方法相比，所提控制器在可操作性提升和故障率降低方面有何性能增益？
• RQ4 控制器的路径偏差在多大程度上影响轨迹精度？是否可针对特定应用进行参数调优以实现权衡？
• RQ5 尽管可操作性控制理论已相当成熟，为何其未被广泛采用？软件工具链能否弥合这一差距？

主要发现

• 在Franka Panda机器人上，所提控制器相比基线解析速率控制器，平均可操作性提升35.9%，最终可操作性提升38%。
• 对于非冗余的UR5机器人，控制器在平均可操作性上提升20.7%，最终可操作性提升30%——这是以往方法在非冗余系统上无法实现的改进。
• 在伺服任务中，控制器将故障率从基线的12.4%降低至Panda机器人的8%，UR5机器人则从39.7%降至25.6%，表明鲁棒性显著提升。
• 尽管路径偏差增加（Panda机器人平均66 mm，UR5机器人平均835 mm），控制器仍保持高可操作性并避免了关节极限违规，且偏差可通过λδ参数进行调节。
• 在复杂运动任务中，控制器优于Park的方法，全程维持高可操作性，而Park的方法仅在初始性能下降后才得以恢复。
• 控制器成功避开了奇异性与关节极限违规，故障主要源于优化器中的局部极小值，而非运动学约束。