[论文解读] Design, Modeling, and Redundancy Resolution of Soft Robot for Effective Harvesting

Milad Azizkhani, Anthony L. Gunderman+4 more|arXiv (Cornell University)|Mar 15, 2023

Soft Robotics and Applications被引用 5

一句话总结

本文提出了一种气动驱动、运动学冗余的柔性机器人臂，配备肌腱驱动夹持器，用于自动化黑莓采摘。该系统采用基于视觉反馈的实时增益调度冗余解析算法，实现了亚毫米级精度（初始定位位置误差0.64±0.27 mm，姿态误差1.08±1.5°），精细定位精度达0.75±0.36 mm，在15颗黑莓的田间采摘测试中实现100%成功率。

ABSTRACT

Blackberry harvesting is a labor-intensive and costly process, consuming up to 50\% of the total annual crop hours. This paper presents a solution for robotic harvesting through the design, manufacturing, integration, and control of a pneumatically actuated, kinematically redundant soft arm with a tendon-driven soft robotic gripper. The hardware design is optimized for durability and modularity for practical use. The harvesting process is divided into four stages: initial placement, fine positioning, grasp, and move back to home position. For initial placement, we propose a real-time, continuous gain-scheduled redundancy resolution algorithm for simultaneous position and orientation control with joint-limit avoidance. The algorithm relies solely on visual feedback from an eye-to-hand camera and achieved a position and orientation tracking error of $0.64\pm{0.27}$ mm and $1.08\pm{1.5}^{\circ}$, respectively, in benchtop settings. Following accurate initial placement of the robotic arm, fine positioning is achieved using a combination of eye-in-hand and eye-to-hand visual feedback, reaching an accuracy of $0.75\pm{0.36}$ mm. The system's hardware, feedback framework, and control methods are thoroughly validated through benchtop and field tests, confirming feasibility for practical applications.

研究动机与目标

• 通过开发柔性机器人替代方案，解决人工采摘黑莓带来的高人力成本和果实损伤风险。
• 克服由于柔性机器人臂具有非线性、连续体及不确定性动力学特性所带来的控制挑战。
• 利用视觉反馈与冗余解析技术，实现对柔性机器人臂在位置和姿态上的精确同步控制。
• 开发一种模块化、耐用且适用于田间部署的机器人平台，以满足实际农业应用需求。
• 在实验室和真实田间环境下验证系统性能，证明其在自动化浆果采摘中的可行性。

提出的方法

• 设计一种气动驱动、运动学冗余的柔性机器人臂，采用模块化、耐用组件以适应田间使用。
• 集成肌腱驱动的柔性夹持器，实现对果实的安全、灵巧抓取，避免损伤娇嫩的聚合瘦果。
• 实施一种实时、连续的增益调度冗余解析算法，实现位置与姿态控制的解耦，并避免关节极限问题。
• 采用眼在手（eye-in-hand）与眼在手（eye-to-hand）视觉反馈，实现在初始定位与精细定位阶段的闭环控制。
• 应用高层级工作流程，管理初始定位与精细定位之间的状态转换，确保任务执行的稳定性。
• 通过参数优化对冗余解析算法进行标定与调参，确保其具备稳定、可重复且连续的行为表现。

实验结果

研究问题

• RQ1 仅依靠视觉反馈，运动学冗余的柔性机器人臂能否实现精确的位置与姿态同步控制？
• RQ2 在实时约束条件下，增益调度冗余解析算法在保持关节限位避免与跟踪精度方面表现如何？
• RQ3 结合眼在手与眼在手视觉反馈的视觉伺服控制，在柔性机器人采摘系统中对提升精细定位精度的改善程度如何？
• RQ4 所提出的柔性机器人平台是否能在真实农业环境中实现可靠的采摘性能？
• RQ5 在田间条件下，该系统在位置、姿态及抓取成功率等方面的关键性能指标是什么？

主要发现

• 在仅使用视觉反馈的台架实验中，所提出的冗余解析算法实现了0.64±0.27 mm的位置跟踪误差和1.08±1.5°的姿态误差。
• 结合眼在手与眼在手视觉反馈的精细定位，在10个测试目标上实现了0.75±0.36 mm的平均误差。
• 在田间测试中，系统成功采摘了15颗黑莓，成功率100%，证明了其在真实环境中的可行性。
• 采摘过程中机器人保持了稳定一致的性能，未观察到对果实的损伤或机械故障。
• 视觉反馈与冗余解析的集成，使得即使在柔性机器人存在非线性与不确定性的情况下，也能实现精确的初始定位。
• 平台的模块化与耐用性设计，支持其在非结构化农业环境中的实际部署。