Use the Force, Bot! -- Force-Aware ProDMP with Event-Based Replanning

📄 arXiv: 2409.11144v1 📥 PDF

作者: Paul Werner Lödige, Maximilian Xiling Li, Rudolf Lioutikov

分类: cs.RO, cs.LG

发布日期: 2024-09-17

备注: Submitted to ICRA 2025

💡 一句话要点

提出力感知的ProDMP，结合事件驱动的重规划，用于接触丰富的操作任务

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 力感知 动态运动基元 机器人操作 轨迹重规划 接触力控制

📋 核心要点

  1. 传统运动基元在接触力敏感的机器人操作中表现不足，难以适应外部扰动和动态变化。
  2. FA-ProDMP通过整合力反馈信息，在概率动态运动基元框架下实现轨迹的实时调整和优化。
  3. 实验表明，FA-ProDMP在模拟工业装配任务和实际插头插入任务中，性能优于其他运动基元方法。

📝 摘要（中文）

本文提出了一种新的方法FA-ProDMP，将力感知引入到概率动态运动基元(ProDMP)中。FA-ProDMP在运行时调整轨迹，以适应测量和期望的力。它提供平滑的轨迹，并捕获多个轨迹上的位置和力相关性，例如来自人类演示的数据。FA-ProDMP支持多个力的轴向，因此与笛卡尔空间或关节空间控制无关。这使得FA-ProDMP成为从演示中学习接触丰富的操作任务（如抛光、切割或工业组装）的宝贵工具。为了可靠地评估FA-ProDMP，本文还引入了一个模块化的3D打印任务套件POEMPEL，其灵感来自流行的乐高Technic销。POEMPEL模拟了具有力要求的工业插孔装配任务。它提供了多个调整参数，例如位置、方向和插头刚度级别，从而改变了所需力的方向和大小。实验表明，由于其基于测量力的重规划能力，FA-ProDMP在POEMPEL设置和电源插头插入任务上优于其他MP公式。这些发现突出了FA-ProDMP如何提高机器人系统在接触丰富的操作任务中的性能。

🔬 方法详解

问题定义：现有运动基元方法在处理接触丰富的操作任务时，无法有效利用力反馈信息进行轨迹调整，导致鲁棒性和适应性不足。尤其是在工业装配等任务中，精确的力和位置控制至关重要，而传统方法难以满足这些需求。

核心思路：FA-ProDMP的核心在于将力信息融入到ProDMP框架中，使其能够根据实时测量的力进行轨迹重规划。通过学习位置和力之间的相关性，FA-ProDMP能够生成既平滑又符合力约束的轨迹，从而提高机器人操作的精度和可靠性。

技术框架：FA-ProDMP的整体框架包括以下几个主要模块：1) 基于ProDMP的轨迹生成器，用于生成初始轨迹；2) 力传感器，用于实时测量机器人与环境之间的作用力；3) 轨迹重规划模块，根据测量的力和期望的力，对轨迹进行调整；4) 控制器，用于执行调整后的轨迹。整个流程是一个闭环控制系统，能够实时响应环境变化。

关键创新：FA-ProDMP的关键创新在于其力感知的轨迹重规划机制。与传统的运动基元方法不同，FA-ProDMP能够根据实时力反馈信息动态调整轨迹，从而更好地适应接触丰富的操作任务。此外，FA-ProDMP能够学习位置和力之间的相关性，从而生成更加自然和高效的轨迹。

关键设计：FA-ProDMP的关键设计包括：1) 使用高斯混合模型(GMM)对位置和力之间的相关性进行建模；2) 设计了一种基于力误差的轨迹调整策略，能够平滑地调整轨迹，避免突变；3) 采用事件驱动的重规划机制，只有当力误差超过一定阈值时才进行轨迹重规划，从而降低计算复杂度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，FA-ProDMP在POEMPEL任务套件和电源插头插入任务中均优于其他运动基元方法。在POEMPEL任务中，FA-ProDMP的成功率显著高于其他方法。在电源插头插入任务中，FA-ProDMP能够更平滑地插入插头，并减少了对插座的损坏。这些结果表明，FA-ProDMP在接触丰富的操作任务中具有显著的优势。

🎯 应用场景

FA-ProDMP在接触丰富的机器人操作任务中具有广泛的应用前景，例如工业装配、打磨抛光、医疗手术等。通过学习人类专家的操作技能，FA-ProDMP可以帮助机器人完成复杂的操作任务，提高生产效率和产品质量。此外，FA-ProDMP还可以应用于人机协作场景，使机器人能够更好地与人类协同工作。

📄 摘要（原文）

Movement Primitives (MPs) are a well-established method for representing and generating modular robot trajectories. This work presents FA-ProDMP, a new approach which introduces force awareness to Probabilistic Dynamic Movement Primitives (ProDMP). FA-ProDMP adapts the trajectory during runtime to account for measured and desired forces. It offers smooth trajectories and captures position and force correlations over multiple trajectories, e.g. a set of human demonstrations. FA-ProDMP supports multiple axes of force and is thus agnostic to cartesian or joint space control. This makes FA-ProDMP a valuable tool for learning contact rich manipulation tasks such as polishing, cutting or industrial assembly from demonstration. In order to reliably evaluate FA-ProDMP, this work additionally introduces a modular, 3D printed task suite called POEMPEL, inspired by the popular Lego Technic pins. POEMPEL mimics industrial peg-in-hole assembly tasks with force requirements. It offers multiple parameters of adjustment, such as position, orientation and plug stiffness level, thus varying the direction and amount of required forces. Our experiments show that FA-ProDMP outperforms other MP formulations on the POEMPEL setup and a electrical power plug insertion task, due to its replanning capabilities based on the measured forces. These findings highlight how FA-ProDMP enhances the performance of robotic systems in contact-rich manipulation tasks.