Kinesthetic teaching and predictive control of interaction tasks in robotics
Third party funded individual grant
Start date : 01.07.2021
End date : 30.06.2024
Project details
Scientific Abstract
Feinfühlige Interaktionen als Teil industrieller Fertigungsaufgaben sind im Allgemeinen sehr komplex zu beschreiben und zu realisieren. Ein Grund hierfür ist die Heterogenität der aufgabenspezifischen Anforderungen an das Bewegungs- und Regelverhalten. Eine direkte Umsetzung der Aufgabe in ein Roboterprogramm erfordert daher hochqualifiziertes Fachpersonal und ist deshalb nur für große Stückzahlen rentabel. Um eine flexible Einsetzbarkeit und einfache (Re-)Konfiguration des Robotersystems zu ermöglichen, soll im Forschungsvorhaben ein Ansatz zur Programmierung von Interaktionsaufgaben über kinästhetische Demonstration entwickelt werden. Hierbei wird der Roboter vom Anwender durch die gesamte Manipulationsaufgabe geführt, während die Roboterbewegung sowie die Interaktionskräfte simultan erfasst werden. Um die Suboptimalität bzw. Variation in der menschlichen Demonstration abzubilden, ist die mehrfache Demonstration der Aufgabe erforderlich. Dies gilt insbesondere für komplexe Bewegungsabläufe und Interaktionssituationen, wie bspw. periodische Bewegungen oder die Montage von Bauteilen, die schwer demonstrierbar und zugleich entscheidend für eine erfolgreiche Aufgabenausführung sind.
Als Basis des Vorhabens dient ein am Lehrstuhl entwickeltes generisches Rahmenwerk zur modellprädiktiven Interaktionsregelung von Robotern, bei dem die Manipulationsaufgabe in eine Sequenz von Elementaraufgaben (sog. Manipulationsprimitive - MPs) mit individuellem Bewegungs- und Regelverhalten zerlegt wird, die durch einen modellprädiktiven Regelansatz einheitlich abgebildet werden können. Für die Realisierung der kinästhetischen Demonstration von Manipulationsaufgaben wird der MPIC-Ansatz in diesem Vorhaben methodisch weiterentwickelt, bspw. um das Weiterschalten der MPs vorausschauend über den Prädiktionshorizont zu berücksichtigen. Zudem werden Ansätze entwickelt, um die MP-Sequenz der Gesamtaufgabe automatisch aus der Mehrfachdemonstration und ohne spezifisches Expertenwissen zu generieren. Basierend auf der Demonstration soll zudem die Aufgabenausführung durch das Lernen der aufgabenspezifischen Sollwerte und der Transitionsbedingungen zwischen den einzelnen MPs iterativ verbessert werden sowie die Optimierung der Gesamtaufgabe betrachtet werden.
