接触が多いタスクの難しさ

挿入、ねじ込み、研磨、ペグインホール、ケーブル配線などの接触が多い操作には、ロボットと物体との間の持続的な力に敏感な接触が含まれます。 小さな位置誤差は、詰まりや過剰な力につながります。 接触ダイナミクスは不連続で、正確にシミュレートするのが難しく、幾何公差の影響を非常に受けやすいです。

古典的なアプローチと学習されたアプローチ

古典的なアプローチでは、スパイラル検索パターンと力のしきい値によるインピーダンス制御が使用されます。 これらは既知のジオメトリに対して確実に機能しますが、タスクごとの広範な調整が必要です。 学習されたアプローチ (行動のクローニング、力の観察による RL) は、より多くのバリエーションを処理できますが、力とトルクのセンシングを備えた高品質の実証データが必要です。 現在の最良の結果は、高レベルの戦略には学習を使用し、低レベルの力の調整には古典的な制御を使用するという両方を組み合わせたものです。

連絡先タスクのデータ収集

目視観察とともに力とトルクのデータを記録することが不可欠です。 リーダーとフォロワーの遠隔操作を使用して直感的に力を伝達します。 オペレーターが過剰な矯正力を加えるフィルターのデモンストレーション。 PaXini 触覚センサーを備えた SVRC の OpenArm は、接触量の多いデータ収集に必要なセンサー スイートを提供します。