Blog

Jun 16, 2023

La tecnología de Panasonic agiliza la enseñanza del movimiento para robots...

A medida que avanza el uso de robots industriales, la tecnología para programar eficientemente los movimientos de los robots se vuelve cada vez más importante. En particular, en entornos que impliquen contacto con personas y

A medida que avanza el uso de robots industriales, la tecnología para programar eficientemente los movimientos de los robots se vuelve cada vez más importante. En particular, en entornos que implican contacto con personas y objetos, se requieren movimientos que reduzcan el riesgo de contacto mientras se realizan tareas con precisión, pero se sabe que el control del robot que logra ambas cosas es extremadamente difícil. Por lo tanto, Panasonic desarrolló un método para programar eficientemente un robot asumiendo que se comporta de manera flexible como un resorte. Se desarrolló un método novedoso para aprender los parámetros de rigidez del control de impedancia para satisfacer tanto el desempeño de la tarea como los requisitos de seguridad mediante la segmentación de los movimientos enseñados a los robots demostrados por humanos y la optimización bayesiana multiobjetivo.

Esta tecnología ha sido reconocida internacionalmente y ha sido aceptada en la Conferencia Internacional IEEE/RSJ sobre Robots y Sistemas Inteligentes (IROS) 2023, una conferencia importante sobre tecnología de inteligencia artificial y robótica. Será presentado en la sesión plenaria a realizarse en Detroit, Michigan en EE.UU. del 1 al 5 de octubre de 2023.

La enseñanza directa, en la que los humanos enseñan directamente los movimientos de los robots, se utiliza ampliamente como método para programar los movimientos de los robots debido a su simplicidad. Sin embargo, cuando un robot reproduce una acción enseñada en un entorno donde hay contacto con objetos o donde personas u otros robots cooperan o dividen el trabajo, se hace necesario afrontar el riesgo de contacto imprevisto para evitar daños a personas, objetos, o el propio robot, lo que dificulta su utilización para determinadas tareas.

La tecnología de control para robots que se mueven con flexibilidad utiliza control de impedancia, que imita un sistema de resorte virtual y proporciona flexibilidad al robot. Si se establece un parámetro apropiado del sistema de resorte (ganancia de impedancia), es posible reducir el riesgo de contacto mientras se realiza la operación indicada con precisión. Sin embargo, con el control de impedancia, generalmente existe un equilibrio entre seguridad y precisión del movimiento, y es difícil establecer una ganancia de impedancia que optimice ambas al mismo tiempo.

Además, para lograr la tarea deseada, es necesario que los robots realicen con precisión múltiples acciones consecutivas. Por ejemplo, en el caso de abrir una puerta, el robot debe 1) acercarse al pomo, 2) girar el pomo y 3) abrir la puerta. Sin embargo, la ganancia de impedancia óptima difiere para cada operación.

Por lo tanto, como se muestra en la Figura 1, Panasonic desarrolló un método que primero segmenta una serie de movimientos que se están enseñando para facilitar la optimización de los parámetros y luego encuentra la ganancia de impedancia óptima para cada segmento mediante la optimización bayesiana multiobjetivo.

Figura 1: Flujo de aprendizaje de los parámetros de control de impedancia con el método recientemente desarrollado. Fotografías y segmentaciones ilustran la tarea de limpieza de la mesa realizada por un robot real. Citado de la Figura 1 del artículo aceptado.

Primero, el método de segmentación de tareas recientemente desarrollado IC-SLD (Dinámica lineal de conmutación consciente del control de impedancia) supone que una serie de movimientos demostrados se genera mediante múltiples combinaciones de ecuaciones de movimiento del sistema de resorte para el control de impedancia, y define esto como el problema de inferir la ganancia de impedancia desconocida y el tiempo de conmutación de la ecuación. IC-SLD resuelve este problema minimizando el error entre la trayectoria predicha y la trayectoria enseñada real. En comparación con métodos convencionales como el modelo de mezcla gaussiana (GMM) o la dinámica lineal de conmutación (SLD), la segmentación realizada por IC-SLD es adecuada para la optimización.

Posteriormente se explora la ganancia de impedancia mediante optimización bayesiana utilizando conocimientos previos. Dado que IC-SLD también genera un valor estimado de la ganancia de impedancia, utilizarlo como solución candidata hace que la optimización sea más eficiente. Al aplicar la optimización bayesiana π-BO [Hvarfner+, ICLR2022] que es capaz de hacer uso del conocimiento previo, se obtienen ganancias de impedancia óptimas que optimizan simultáneamente el desempeño de la tarea (la suma acumulada de funciones de recompensa) y los índices de seguridad (la suma acumulativa de los parámetros de rigidez). buscado mientras se repetían las pruebas de movimiento del robot.

Experimentos con tareas simuladas y un robot real demostraron que nuestro método permite aprender la ganancia de impedancia en un tiempo más corto que el método convencional.

Figura 2: Resultados de segmentación para la tarea de apertura de puertas realizada utilizando IC-SLD y el método convencional. Citado de la Figura 4 del artículo aceptado.

Figura 3: Resultados del aprendizaje de la ganancia de impedancia en simulación y equipos reales utilizando el método recientemente desarrollado. El eje horizontal es el número de intentos y el eje vertical es un índice que combina el desempeño de la tarea y la seguridad. Citado y procesado a partir de la Figura 3 y la Figura 8 del artículo aceptado.

La tecnología de enseñanza de robots recientemente desarrollada acelera el uso de robots en entornos en los que colaboran con humanos. Continuaremos acelerando la implementación social de la IA y la robótica, y promoveremos la investigación y el desarrollo de tecnología de IA que contribuya a la vida y los lugares de trabajo de nuestros clientes.

“Aprendizaje de la rigidez compatible mediante la segmentación de tareas basada en el control de impedancia y la optimización bayesiana multiobjetivo con prioridades”, que aparecerá en IROS 2023https://arxiv.org/abs/2307.15345.

Sitio web oficial de IROS 2023: https://ieee-iros.orgSitio web de Panasonic×AI: https://tech-ai.panasonic.com/enSitio web de Robotics Hub: https://tech.panasonic.com/global/robot

https://holdings.panasonic/global