MeshDMP: Motion Planning on Discrete Manifolds using Dynamic Movement Primitives

📄 arXiv: 2410.15123v2 📥 PDF

作者: Matteo Dalle Vedove, Fares J. Abu-Dakka, Luigi Palopoli, Daniele Fontanelli, Matteo Saveriano

分类: cs.RO

发布日期: 2024-10-19 (更新: 2025-01-30)

备注: Accepted at the 2025 IEEE International Conference on Robotics and Automation

💡 一句话要点

MeshDMP：利用动态运动原语在离散流形上进行运动规划，解决工业自动化中复杂曲面操作问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 动态运动原语 离散流形 示教学习 机器人运动规划 工业自动化

📋 核心要点

  1. 现有工业自动化方案难以适应复杂工件几何形状，导致机器人难以可靠地执行与复杂工件接触的运动任务。
  2. MeshDMP方法利用离散流形上的微分算子嵌入工件几何信息，并扩展动态运动原语框架，实现在网格表面上生成运动。
  3. 通过仿真和真实实验验证了MeshDMP在汽车表面抛光等工业自动化任务中的有效性，展示了其良好的应用前景。

📝 摘要（中文）

本文提出了一种基于示教学习的方法，旨在解决工业自动化中机器人可靠地执行与复杂工件接触运动的任务难题。现有方案难以无缝适应工件几何形状。该方法利用离散流形上的微分算子嵌入从三角网格提取的工件几何信息，并将动态运动原语（DMPs）框架扩展到网格表面上的运动生成。此外，还提出了一种有效的运动适应策略，通过对学习到的力项进行等距变换，使运动适应不同的表面。该方法被称为MeshDMP，在仿真和真实实验中进行了评估，在汽车表面抛光等典型工业自动化任务中显示出良好的效果。

🔬 方法详解

问题定义：工业自动化中，机器人需要在复杂曲面上进行精确的接触运动，例如打磨、抛光等。现有方法难以有效地适应工件表面的复杂几何形状，导致运动精度和泛化能力不足。如何让机器人能够学习并泛化在复杂曲面上的运动轨迹是一个关键问题。

核心思路：论文的核心思路是将工件的表面几何信息嵌入到运动规划过程中。具体来说，利用三角网格表示工件表面，并使用离散流形上的微分算子来提取表面的几何特征。然后，将这些几何特征融入到动态运动原语（DMPs）框架中，从而使机器人能够学习并生成适应工件表面的运动轨迹。

技术框架：MeshDMP的整体框架包括以下几个主要模块：1) 网格处理模块：从工件的CAD模型或点云数据生成三角网格。2) 几何特征提取模块：利用离散流形上的微分算子，如离散曲率、法向量等，提取网格表面的几何特征。3) DMP学习模块：使用示教学习方法，从人工示教的运动轨迹中学习DMP参数。DMP的forcing term被设计为依赖于提取的几何特征。4) 运动生成模块：根据学习到的DMP参数和当前工件表面的几何特征，生成新的运动轨迹。5) 运动适应模块：通过对学习到的forcing term进行等距变换，使运动能够适应不同的工件表面。

关键创新：MeshDMP的关键创新在于将离散流形上的微分算子与DMP框架相结合，从而使机器人能够学习并泛化在复杂曲面上的运动轨迹。与传统的DMP方法相比，MeshDMP能够显式地考虑工件表面的几何信息，从而提高了运动的精度和泛化能力。此外，提出的等距变换方法能够有效地将学习到的运动轨迹适应到不同的工件表面。

关键设计：论文中一个关键的设计是forcing term的设计。Forcing term被设计为几何特征的函数，例如曲率和法向量。具体来说，forcing term可以表示为几何特征的线性组合，其中线性组合的系数是DMP的学习参数。另一个关键的设计是等距变换方法。该方法通过对学习到的forcing term进行旋转和平移，使其能够适应不同的工件表面。等距变换的参数可以通过最小化目标函数来求解，目标函数衡量了变换后的forcing term与新的工件表面几何特征之间的差异。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过仿真和真实实验验证了MeshDMP的有效性。在汽车表面抛光实验中，MeshDMP能够生成平滑、精确的运动轨迹，并且能够有效地适应不同的工件表面。实验结果表明，MeshDMP能够显著提高抛光质量和效率。具体的性能数据和对比基线在论文中有详细描述，展示了MeshDMP相对于传统方法的优越性。

🎯 应用场景

MeshDMP方法在工业自动化领域具有广泛的应用前景，例如汽车表面抛光、焊接、喷涂等。该方法可以使机器人能够更加灵活、精确地完成复杂曲面上的操作任务，提高生产效率和产品质量。此外，该方法还可以应用于医疗机器人领域，例如手术辅助机器人，使其能够更加安全、有效地进行手术操作。

📄 摘要（原文）

An open problem in industrial automation is to reliably perform tasks requiring in-contact movements with complex workpieces, as current solutions lack the ability to seamlessly adapt to the workpiece geometry. In this paper, we propose a Learning from Demonstration approach that allows a robot manipulator to learn and generalise motions across complex surfaces by leveraging differential mathematical operators on discrete manifolds to embed information on the geometry of the workpiece extracted from triangular meshes, and extend the Dynamic Movement Primitives (DMPs) framework to generate motions on the mesh surfaces. We also propose an effective strategy to adapt the motion to different surfaces, by introducing an isometric transformation of the learned forcing term. The resulting approach, namely MeshDMP, is evaluated both in simulation and real experiments, showing promising results in typical industrial automation tasks like car surface polishing.