From CAD to URDF: Co-Design of a Jet-Powered Humanoid Robot Including CAD Geometry
作者: Punith Reddy Vanteddu, Gabriele Nava, Fabio Bergonti, Giuseppe L'Erario, Antonello Paolino, Daniele Pucci
分类: cs.RO
发布日期: 2024-10-10 (更新: 2024-10-11)
备注: IROS 2024
💡 一句话要点
提出一种CAD协同设计的喷气动力人形机器人优化框架，提升控制性能与机械设计。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 协同设计 机器人优化 有限元分析 多目标优化 人形机器人
📋 核心要点
- 现有协同设计方法依赖简化CAD模型，忽略机械应力与装配复杂性，限制了原型设计的优化。
- 提出一种协同设计框架，参数化关键连杆几何特征，结合多目标进化算法与有限元分析。
- 该框架应用于喷气动力人形机器人iRonCub，旨在提升其飞行性能，验证了框架的有效性。
📝 摘要（中文）
协同设计优化策略通常依赖于从CAD提取的简化机器人模型。虽然这些模型对于优化机器人控制的几何和惯性参数很有用，但它们可能会忽略对优化机械设计至关重要的重要细节。例如，它们可能没有考虑到优化几何形状上承受的机械应力以及装配级设计的复杂性。本文介绍了一种协同设计框架，旨在提高我们机器人的控制性能和机械设计。具体来说，我们确定了显着影响控制性能的机器人连杆。这些连杆的几何特征被参数化，并使用多目标进化算法进行优化，以实现最佳控制性能。此外，一个自动化的有限元方法（FEM）分析被集成到框架中，以过滤不满足所需结构安全裕度的解决方案。我们通过将其应用于增强喷气动力人形机器人iRonCub的飞行性能来验证该框架。
🔬 方法详解
问题定义：现有机器人协同设计优化方法通常基于从CAD模型中提取的简化模型。这些简化模型虽然可以用于优化几何和惯性参数，但忽略了机械应力、装配复杂性等重要细节，导致优化结果在实际原型设计中可能存在问题。因此，需要一种能够同时考虑控制性能和机械设计细节的协同设计方法。
核心思路：本文的核心思路是将控制性能优化与机械设计约束相结合。首先，识别对控制性能影响最大的机器人连杆。然后，对这些连杆的几何特征进行参数化，并使用多目标进化算法进行优化，以最大化控制性能。同时，将有限元分析（FEM）集成到优化过程中，用于评估优化后的连杆的结构强度，并过滤掉不满足安全裕度的设计方案。
技术框架：该框架包含以下主要模块：1) 机器人CAD模型；2) 关键连杆识别模块；3) 连杆几何参数化模块；4) 多目标进化算法优化模块；5) 自动化有限元分析模块；6) 优化结果评估与筛选模块。整个流程首先从CAD模型中识别关键连杆，然后对这些连杆的几何参数进行参数化。接下来，使用多目标进化算法在控制性能和结构强度之间进行优化。在每次迭代中，使用有限元分析评估连杆的结构强度，并过滤掉不满足安全裕度的设计方案。最后，对优化结果进行评估，并选择最佳设计方案。
关键创新：该论文的关键创新在于将有限元分析（FEM）集成到机器人协同设计优化框架中。通过在优化过程中考虑结构强度约束，可以避免生成在实际应用中不可行的设计方案。此外，该框架还采用了多目标进化算法，可以在控制性能和结构强度之间进行权衡，从而获得更优的设计方案。
关键设计：关键设计包括：1) 关键连杆的识别方法，例如基于灵敏度分析；2) 连杆几何参数化的方式，例如使用样条曲线或参数化几何体；3) 多目标进化算法的目标函数和约束条件，例如控制性能指标和结构安全裕度；4) 有限元分析的设置，例如网格划分、材料属性和边界条件。
🖼️ 关键图片
📊 实验亮点
该框架应用于iRonCub喷气动力人形机器人，成功优化了其飞行性能，并在满足结构强度约束的前提下，提升了机器人的整体性能。具体的性能提升数据未知，但该实验验证了框架在实际机器人设计中的有效性。
🎯 应用场景
该研究成果可应用于各种机器人系统的协同设计优化，尤其适用于对结构强度和控制性能有较高要求的机器人，如人形机器人、飞行机器人、医疗机器人等。通过该方法，可以设计出性能更优、可靠性更高的机器人系统，加速机器人技术的应用和发展。
📄 摘要（原文）
Co-design optimization strategies usually rely on simplified robot models extracted from CAD. While these models are useful for optimizing geometrical and inertial parameters for robot control, they might overlook important details essential for prototyping the optimized mechanical design. For instance, they may not account for mechanical stresses exerted on the optimized geometries and the complexity of assembly-level design. In this paper, we introduce a co-design framework aimed at improving both the control performance and mechanical design of our robot. Specifically, we identify the robot links that significantly influence control performance. The geometric characteristics of these links are parameterized and optimized using a multi-objective evolutionary algorithm to achieve optimal control performance. Additionally, an automated Finite Element Method (FEM) analysis is integrated into the framework to filter solutions not satisfying the required structural safety margin. We validate the framework by applying it to enhance the mechanical design for flight performance of the jet-powered humanoid robot iRonCub.