From data extraction to data-driven dynamic modeling for cobots: A method using multi-objective optimization☆

doi:10.1016/j.robot.2025.105006

From data extraction to data-driven dynamic modeling for cobots: A method using multi-objective optimization☆

2025-05-18

0

OA

AI

D

Diego Navarro-Cabrera *

J

Juan H. García-Guzmán

N

N.C. Cruz

B

Brayan Valencia-Vidal

DOI：10.1016/j.robot.2025.105006

原文链接

查看原文

摘要

En 中文

控制协作机器人（cobots）是机器人运动控制和安全人机交互（HRI）领域中的一个新兴且具有挑战性的范式。机器人与环境之间可靠交互所需的安全措施阻碍了经典位置控制方法的应用，促使研究人员探索替代性电机控制技术，并重点关注基于机器学习（ML）的方法。尽管强化学习已作为创建协作机器人智能控制器的占主导地位的方法出现，但监督学习在以更快速、更安全的方式开发基于数据驱动的模型型ML控制器方面代表了一种有前景的替代方案。在本工作中，我们研究了创建学习机器人动力学所需方法论中的若干方面。为此，我们使用多目标进化算法（MOEAs）对不同的基准轨迹上的多个PD控制器进行了微调，这些算法考虑了控制器的精度以及在安全HRI框架下的低扭矩下的顺从性。我们深入探讨了数据提取方法论的各个方面，包括MOEA的选择和校准。我们还证明了需要对每个轨迹单独调整控制器，以及轨迹速度如何影响调整过程和机器人的最终动力学特性。最后，我们创建了一个新型数据集，并通过将其所有提取的动态数据输入逆动力学机器人模型并集成到前馈控制循环中，验证了其使用效果。我们的方法显著优于先前调整过的单个标准PD控制器，从而证明了所提出方法的有效性。

Keyword:

Torque control

Dynamic modeling

Genetic algorithms

PD control

Machine learning

Supervised learning

From data extraction to data-driven dynamic modeling for cobots: A method using multi-objective optimization☆

摘要

AI总结

期刊

机构

引用论文