[论文解读] Constrained Dynamic Movement Primitives for Safe Learning of Motor Skills

Seiji Shaw, Devesh K. Jha+5 more|arXiv (Cornell University)|Sep 28, 2022

Robot Manipulation and Learning被引用 5

一句话总结

该论文提出约束动态运动基元（CDMP），通过非线性优化方法修改DMP，利用零化障碍函数（ZBF）强制执行安全约束，确保在存在新型障碍物时也能生成无碰撞轨迹。该方法在保持演示技能几何形状的同时，保证了安全集的前向不变性。

ABSTRACT

Dynamic movement primitives are widely used for learning skills which can be demonstrated to a robot by a skilled human or controller. While their generalization capabilities and simple formulation make them very appealing to use, they possess no strong guarantees to satisfy operational safety constraints for a task. In this paper, we present constrained dynamic movement primitives (CDMP) which can allow for constraint satisfaction in the robot workspace. We present a formulation of a non-linear optimization to perturb the DMP forcing weights regressed by locally-weighted regression to admit a Zeroing Barrier Function (ZBF), which certifies workspace constraint satisfaction. We demonstrate the proposed CDMP under different constraints on the end-effector movement such as obstacle avoidance and workspace constraints on a physical robot. A video showing the implementation of the proposed algorithm using different manipulators in different environments could be found here https://youtu.be/hJegJJkJfys.

研究动机与目标

• 为解决标准动态运动基元（DMP）缺乏正式安全保证的问题，此类问题可能导致任务泛化过程中发生碰撞。
• 实现在存在新型障碍物的环境中，将演示的运动技能安全泛化到新的起始和目标配置。
• 将操作约束（如障碍物避让和工作空间边界）整合进DMP中，并利用ZBF实现形式化的安全认证。
• 在满足安全约束的同时，保持原始演示轨迹的定性几何形状。
• 提供一种计算上可行的、基于优化的框架，通过调整DMP的强迫函数权重以确保约束满足。

提出的方法

• 构建非线性优化问题，以调整DMP的强迫函数权重，使其满足用户定义的零化障碍函数（ZBF）。
• 利用ZBF从数学上证明DMP轨迹始终位于预定义的安全集内（例如无碰撞工作空间）。
• 采用配点法对轨迹进行离散化，以表示连续时间DMP动力学，便于数值优化。
• 使用现成求解器（如IPOPT）求解所得的非凸优化问题，计算扰动后的强迫函数权重。
• 通过在轨迹上离散配点处强制执行ZBF条件，确保安全集的前向不变性。
• 在保持原始DMP动力学结构的同时，通过优化强迫函数调整实现约束合规。

实验结果

研究问题

• RQ1 DMP能否被修改以在存在先前未见障碍物的新环境中保证安全性？
• RQ2 如何在不损害轨迹形状或泛化能力的前提下，将形式化安全保证集成到基于DMP的运动技能学习中？
• RQ3 何种优化框架能够有效扰动DMP的强迫函数权重以满足ZBF约束？
• RQ4 CDMP在确保避障的同时，能在多大程度上保持演示轨迹的几何保真度？
• RQ5 配点数量如何影响计算效率和约束执行的准确性？

主要发现

• CDMP方法在模拟和实物机器人实验中均成功生成了在新型障碍物环境中无碰撞的轨迹。
• 实验表明，该算法在满足安全约束的同时，保持了原始DMP轨迹的定性形状，如在带障碍物的白板绘画任务中所示。
• 在Kinova Gen3和Mitsubishi Electric Assista机器人上的实验验证了CDMP在真实场景中生成可行且安全轨迹的能力。
• 该方法在“跃墙”任务和“棋子移动”任务中表现出鲁棒性，而标准DMP因碰撞而失败。
• 计算时间随配点数量增加而上升，但更高分辨率（如n=50）相比粗略离散化（如n=10）能实现更优的约束执行效果。
• 该方法实现了运动技能向新起始和目标位姿的安全泛化，且无需重新训练或启发式调参。