[论文解读] Learning Compliance Adaptation in Contact-Rich Manipulation

Jianfeng Gao, You Zhou+1 more|arXiv (Cornell University)|May 1, 2020

Robot Manipulation and Learning参考文献 10被引用 4

一句话总结

本文提出了一种基于双向GRU的预测模型，用于在高接触力操作中预测力剖面，实现实时异常检测与自适应阻抗控制。系统在正常运行时实现高精度的力跟踪，并能迅速适应外部干扰的柔顺性，异常事件检测时间低于70ms。

ABSTRACT

Compliant robot behavior is crucial for the realization of contact-rich manipulation tasks. In such tasks, it is important to ensure a high stiffness and force tracking accuracy during normal task execution as well as rapid adaptation and complaint behavior to react to abnormal situations and changes. In this paper, we propose a novel approach for learning predictive models of force profiles required for contact-rich tasks. Such models allow detecting unexpected situations and facilitates better adaptive control. The approach combines an anomaly detection based on Bidirectional Gated Recurrent Units (Bi-GRU) and an adaptive force/impedance controller. We evaluated the approach in simulated and real world experiments on a humanoid robot.The results show that the approach allow simultaneous high tracking accuracy of desired motions and force profile as well as the adaptation to force perturbations due to physical human interaction.

研究动机与目标

• 使机器人在正常高接触力操作任务中保持高刚度与精确的力跟踪能力。
• 利用预测力建模检测异常事件（如碰撞、人为干预或接触丢失）。
• 在检测到异常后动态调整柔顺性，同时确保安全恢复。
• 在仿真与真实世界人形机器人实验中实现实时、低延迟的适应性。
• 将预测力建模与自适应阻抗控制相结合，实现鲁棒、安全的人机交互。

提出的方法

• 使用正常任务执行过程中采集的力与运动数据，训练双向门控循环单元（Bi-GRU）网络，以学习预期力剖面的预测模型。
• 预测模型输出平均力估计值与3倍标准差置信区间，以量化不确定性。
• 当实际力测量值超出预测置信区间时判定为异常，触发异常评分。
• 基于阈值的异常检测机制（例如−1000）可在70ms内触发柔顺性调整。
• 自适应阻抗控制器在检测到异常后300ms内将刚度降低至正常值的2%，从而在干扰期间实现柔顺行为。
• 异常事件后，系统逐步将控制参数恢复至正常值，防止不稳定，确保高刚度操作的安全恢复。

实验结果

研究问题

• RQ1 基于Bi-GRU的预测力模型能否有效检测高接触力操作中预期力剖面的偏离？
• RQ2 系统检测并响应碰撞或人为干扰等异常事件的速度有多快？
• RQ3 能否在不牺牲正常任务执行期间力跟踪精度的前提下实现自适应柔顺性？
• RQ4 系统如何在异常事件后确保稳定且安全的恢复，而不会引发不稳定？
• RQ5 该方法能否在不同表面几何形状与动态交互场景中实现泛化？

主要发现

• 系统在异常事件发生后70ms内检测到碰撞、中断及人机交互等异常情况。
• 在平坦、倾斜及曲面等不同表面上正常运行时，力调节的均方根误差（RMSE）为1.047N，表明具有高跟踪精度。
• 预测的力剖面与实测值高度吻合，根据3倍标准差规则，置信区间覆盖了99.7%的数据。
• 在检测到异常后300ms内，刚度降低至正常值的2%，从而在干扰期间实现柔顺行为。
• 控制参数的恢复过程是渐进进行的，防止了抖动与不稳定，尤其在连续发生异常事件时表现更优。
• 该方法已在ARMAR-6人形机器人上成功验证，涵盖多种表面类型，在仿真与真实世界实验中均表现良好。