[论文解读] Learning to Control Highly Accelerated Ballistic Movements on Muscular Robots

Dieter Büchler, Roberto Calandra+1 more|arXiv (Cornell University)|Apr 7, 2019

Muscle activation and electromyography studies被引用 4

一句话总结

本文提出一种由拮抗气动人工肌肉（PAMs）驱动的4-DOF轻型机械臂，通过贝叶斯优化实现安全的高速控制，实现了高达28,000°s⁻²的极端关节加速度。该系统通过PAM固有的顺应性、共激活控制以及最小化摩擦和缆绳偏转的机械设计，实现了对高速弹道轨迹的直接、安全学习，在速度和轨迹跟踪精度方面优于以往基于PAM的机器人。

ABSTRACT

High-speed and high-acceleration movements are inherently hard to control. Applying learning to the control of such motions on anthropomorphic robot arms can improve the accuracy of the control but might damage the system. The inherent exploration of learning approaches can lead to instabilities and the robot reaching joint limits at high speeds. Having hardware that enables safe exploration of high-speed and high-acceleration movements is therefore desirable. To address this issue, we propose to use robots actuated by Pneumatic Artificial Muscles (PAMs). In this paper, we present a four degrees of freedom (DoFs) robot arm that reaches high joint angle accelerations of up to 28000 deg/s^2 while avoiding dangerous joint limits thanks to the antagonistic actuation and limits on the air pressure ranges. With this robot arm, we are able to tune control parameters using Bayesian optimization directly on the hardware without additional safety considerations. The achieved tracking performance on a fast trajectory exceeds previous results on comparable PAM-driven robots. We also show that our system can be controlled well on slow trajectories with PID controllers due to careful construction considerations such as minimal bending of cables, lightweight kinematics and minimal contact between PAMs and PAMs with the links. Finally, we propose a novel technique to control the the co-contraction of antagonistic muscle pairs. Experimental results illustrate that choosing the optimal co-contraction level is vital to reach better tracking performance. Through the use of PAM-driven robots and learning, we do a small step towards the future development of robots capable of more human-like motions.

研究动机与目标

• 在物理机器人硬件上实现高速加速弹道运动的安全、直接学习。
• 克服传统电机驱动机械臂在高速控制探索中因不稳定性和硬件损坏风险带来的挑战。
• 设计一种具有最小机械摩擦和优化缆绳走线的PAM驱动机器人，以提升可控性。
• 证明拮抗PAM对的共激活控制可显著提升轨迹跟踪性能。
• 验证由于系统固有的顺应性，贝叶斯优化可直接应用于硬件而无需额外安全约束。

提出的方法

• 采用八组拮抗PAMs设计4-DOF机械臂，每个关节由两组PAMs反向驱动。
• 构建低摩擦缆绳走线的硬件系统，采用博登索（Bowden cables）并优化PAM安装方式以减少偏转和弯曲。
• 使用比例阀和基于FPGA的控制系统，以100 Hz的频率调节PAM压力，并结合100 kHz编码器反馈。
• 应用贝叶斯优化（BO）在硬件上直接调优带前馈项的PID控制器，使用预设的压力和参数范围作为安全约束。
• 提出一种新型共激活控制技术，以优化肌肉对的激活水平，提升跟踪性能。
• 估计目标空间中的帕累托前沿（位置误差与速度误差），分析共激活水平对控制性能的影响。

实验结果

研究问题

• RQ1 基于PAM驱动的机械臂是否能在无外部安全机制的情况下，通过基于学习的控制安全探索高速加速运动？
• RQ2 在非线性、高加速度的机器人系统中，共激活水平如何影响轨迹跟踪性能？
• RQ3 在机械结构简单的PAM驱动机械臂上，仅使用带前馈项的简单PID控制器在多大程度上可实现高精度跟踪？
• RQ4 通过最小化缆绳偏转和PAM与结构接触的机械设计，是否能提升高速运动的可控性？
• RQ5 贝叶斯优化是否可有效直接应用于硬件，在非线性系统中实现高速轨迹控制？

主要发现

• 该机械臂实现了28,000°s⁻²的峰值关节空间加速度和200 m/s²的任务空间加速度，其加速度性能比Barrett Wam机械臂高出10倍，速度性能高出4倍。
• 系统在高速加速度产生的高负载下未发生机械损坏，支持学习过程中的安全探索。
• 贝叶斯优化成功在硬件上直接调优了带前馈项的PID控制器，实现了在高速轨迹上的优越跟踪性能。
• 实验表明，接近估计帕累托前沿的试验具有相似的共激活水平，表明最优共激活水平对性能至关重要。
• 该机械臂仅通过手动调校的PID控制器即可在慢速轨迹上实现精确跟踪，证明了机械设计在降低非线性影响方面的有效性。
• 在帕累托前沿附近缺乏多样的共激活水平，表明当共激活水平选择得当时，线性控制可有效管理非线性动力学。