Forschungsprojekte
© Universität Bielefeld
Bionischer Handling Assistent
Der Bionische Handling-Assistent (BHA) ist ein ausgereifter Vertreter aus dem Bereich der Softroboter, aber eine zuverlässige Steuerung dieses Roboters ist von Natur aus schwierig. Wir glauben, dass solche Probleme grundsätzlich durch die Anwendung von Lernmethoden gelöst werden können. Wir liefern damit das erste funktionierende Steuerungskonzept für diese anspruchsvolle Roboterplattform.
Roboter ziehen eine wachsende Zahl von Forschern an, die von verschiedenen Motivationen angetrieben werden. Die wahrscheinlich bedeutendste ist der "Verstehen durch Bauen"-Ansatz in der Biorobotik, der danach strebt, biologische Mechanismen durch technische Implementierungen zu ergänzen, die deren Funktionalität nachahmen. Aus der anderen Perspektive der Mensch-Roboter-Interaktion, zum Beispiel in Co-Working-Szenarien, sind voll nachgiebige Softroboter von großem Interesse, da sie eine intrinsisch sichere und natürliche Interaktion ermöglichen. Dies steht im Gegensatz zu traditioneller Starrgelenksrobotik mit klassischer Aktuation und steifer Steuerung, die nur in Käfigen vom Menschen getrennt werden kann. Trotz dieses offensichtlichen Vorteils weicher Roboter besteht der Nachteil eines biologisch inspirierten Designs oft darin, dass kaum analytische Modelle für die Steuerung zur Verfügung stehen, was sich wiederum prohibitiv auf die Anwendungen auswirkt. Es ist daher oft eine grundsätzliche Herausforderung, einen ähnlichen Grad an praktischer Funktionalität wie bei klassischen starren Robotern zu erreichen. Es stellt sich die Frage, wie man die wesentlichen Probleme in Bezug auf Kinematik, Dynamik und Steuerung bei weichen Robotern angehen kann. Wir wenden maschinelles Lernen an, um diese Probleme zu lösen. Wir demonstrieren die Leistungsfähigkeit des Lernens am BHA, wobei wir glauben, dass diese Ansätze über den speziellen Mechanismus hinaus gültig sind und auch in anderen Domänen und Soft-Robotik-Plattformen zu Durchbrüchen führen könnten.
Der Bionische Handling Assistent (BHA) ist ein sehr ausgereifter Vertreter aus dem Bereich der Softroboter [1]. Er wurde von Festo als robotisches Pendant zu einem Elefantenrüssel konzipiert und hat starkes Interesse geweckt, weil er zu einer neuen Klasse von weichen und leichten Robotern auf Basis der 3D-Schnellfertigung gehört. Er ist pneumatisch betätigt und mit mehreren Segmenten aus durchgängig parallelen Bauteilen ausgestattet, die mit geringen Drücken betrieben werden und damit inhärent sicher sind. Gleichzeitig wurde bisher noch keine automatische Steuerung für den BHA eingeführt. Der Hauptgrund dafür ist wahrscheinlich, dass das BHA erhebliche Herausforderungen für jedes klassische Regelungsschema beinhaltet, einschließlich hoher Dimensionalität und Redundanz, sehr langsamer Aktuatordynamik, aktivem Nachgiebigkeitsregelungsmodus, restriktiven und unbekannten Betätigungsbereichen und instationärem Systemverhalten aufgrund von Reibung und Viskoelastizität.
Wir werden zeigen, wie Lernen das wesentliche Werkzeug sein kann, um die Steuerung des BHA in mehrfacher Hinsicht und auf mehreren Ebenen zu ermöglichen.
Damit liefern wir das erste betriebliche Steuerungskonzept für diese anspruchsvolle Roboterplattform, basierend auf einer fortschrittlichen mehrstufigen Steuerungsarchitektur [8]. Die zentralen Beiträge unserer Arbeit sind vielschichtig:
- Auf einer niedrigeren Ebene gehen wir das Problem der langsamen Aktuatordynamik an, die nur eine sehr langsame und unbefriedigende Rückkopplungsregelung zulässt, während eine präzise modellbasierte Regelung der inversen Dynamik auf dem BHA eindeutig nicht machbar ist. Wir beschreiben daher zunächst ein dekomponiertes Modell der inversen Dynamik, das nur Gleichgewichtszustände der Roboterdynamik berücksichtigt. Diese Vereinfachung ermöglicht praktisch das Lernen, indem zu viele Freiheitsgrade und hochdimensionale Zustandsräume solcher Roboter vermieden werden. Wir demonstrieren am BHA, dass ein solches inverses Gleichgewichtsmodell erlernt und in einem Feedforward-Feedback-Regler effektiv für eine schnelle und agile Regelung genutzt werden kann. In einem zweiten Schritt wird dieses Regelungsschema zu einem aktiven Nachgiebigkeitsregelungsmodus erweitert, der sich nun auf der Ebene der Benutzerinteraktion befindet. Sie erlaubt, ähnlich wie bei der klassischen Gravitationskompensation, die freie Bewegung des Roboters auf der Basis des impliziten Wissens über die gravitativen und mechanischen Kräfte, die im gelernten Gleichgewichtsmodell kodiert sind. Dies ermöglicht das kinästhetische Teachen von Positionen und Aufgaben an den BHA in der Mensch-Roboter-Interaktion. Um jedoch über die einfache Reproduktion von Positionen aus dem Teach-in hinauszugehen, ist ein vollständiges Modell der inversen Kinematik erforderlich. Siehe [2,3] für Details.
- Wir sind auch in der Lage, das Erlernen von Greiffähigkeiten auf dem BHA zu ermöglichen, d.h. den Endeffektor des Roboters in Richtung einer gewünschten Position zu bewegen, indem wir die Körperhaltung des Roboters ändern. Die erfolgreiche Steuerung solcher Aufgaben lässt sich gut mit dem Begriff der internen Modelle verstehen, die auf explorative Weise gelernt werden. Sobald interne Modelle für eine bestimmte Aufgabe etabliert sind, sagt ein Vorwärtsmodell die Folge eines Motorbefehls voraus, während ein inverses Modell einen Motorbefehl vorschlägt, der notwendig ist, um ein gewünschtes Ergebnis zu erreichen. Doch das Lernen von Grund auf ist schwierig. Insbesondere, wenn das motorische System komplex ist und einem nicht-stationären Verhalten unterliegt. Die Schlüsselidee ist daher, ein Explorationsparadigma namens "Goal Babbling" anzuwenden, um die inverse Kinematik zu erlernen, ganz ähnlich wie bei Säuglingen, die bereits Tage nach der Geburt zielgerichtete Handlungen versuchen und so "lernen zu greifen, indem sie versuchen zu greifen". Siehe [4,5] für Details.
- Diese Strategie ist sehr vorteilhaft für hochdimensionale motorische Systeme, die zudem hoch redundant sind: Die Aufgaben beim sensomotorischen Lernen sind typischerweise viel niederdimensionaler als die motorischen Systeme selbst. Das Greifen kann auf unendlich viele Arten erfolgen, da sowohl menschliche Körper als auch moderne Robotersysteme mehr Freiheitsgrade haben, als zur Lösung der Aufgabe notwendig sind. Dies wird in theoretischen Arbeiten gezeigt, die die Nützlichkeit des Goal-Babbling-Ansatzes stark unterstützen. Siehe [8,9] für Details.
- Wir evaluierten auch die Verwendung der Kontinuumskinematik mit konstanter Krümmung als kinematisches Modell für den BHA von Festo. Eine neue, elegante und parameterlose Methode zum Umgang mit geometrischen Singularitäten in gestreckten Positionen wird vorgestellt und die Stabilität der Methode wird mit numerischen Simulationen gezeigt. Das Modell bietet ein praktisches und hocheffizientes Werkzeug für die Simulation und das Experimentieren mit Kontinuumsrobotern. Siehe [6] für Details.
- Softwareabstraktionen des bestehenden Robot Control Interface (RCI) und der Compliant Control Architecture (CCA) werden für den BHA aus der Perspektive der Softwaremodellierung und Softwarearchitektur untersucht. Wir konzentrieren uns auf drei verschiedene Herausforderungen: Die erste Herausforderung besteht darin, sinnvolle und hierarchische semantische Abstraktionen des Roboters zu ermöglichen. Die zweite Herausforderung besteht darin, Hardware-I/O-Abstraktionen für den prototypischen und heterogenen technischen Aufbau zu entwickeln. Die dritte Herausforderung besteht darin, dies in einer flexiblen und wiederverwendbaren Weise zu realisieren. Siehe [7] für Details.
- Offener Quellcode über Goal Babbling und die kinematische Simulation des BHA finden sie hier.
Insgesamt adressieren unsere Methoden eine gelernte Pseudo-Inversdynamik-Steuerung, einen High-Level-Steuerungsmodus, um eine nachgiebige Mensch-Roboter-Interaktion zu ermöglichen, und das effiziente Lernen von direkten inversen Modellen. Keines der Ergebnisse ist ausschließlich auf den BHA zugeschnitten, wir sind der festen Überzeugung, dass ähnliche Ansätze auch für andere Soft-Roboter-Plattformen, wie z.B. wurmartige Instrumente für minimal-invasive Operationen mit Fernbetätigung, nützlich sind. Sie könnten somit den Weg für die tatsächliche Anwendung von Soft-Robotern in Bezug auf allgemeine Manipulationsaufgaben ebnen.
Publications:
- A. Grzesiak, R. Becker, and A. Verl. “The Bionic Handling Assistant - A Success Story of Additive Manufacturing”. Assembly Automation, vol. 31, no. 4, pp. 329 - 333, 2011.