Potenziale mobiler und unteraktuierter Robotersysteme erschließen: DFKI präsentiert Forschungsergebnisse auf der ICRA 2024

Am DFKI Robotics Innovation Center beschäftigen sich Wissenschaftlerinnen und Wissenschaftler mit den Herausforderungen und Möglichkeiten der unteraktuierten Robotik. Mit ihrer wegweisenden Forschung legen sie die Grundlagen für eine neue Generation dynamischer, physikalisch intelligenter Roboter, die komplexe Aufgaben bewältigen und flexibel auf ihre Umgebung reagieren können. Zu den Forschungsarbeiten, die auf der ICRA 2024 vorgestellt werden, gehört der Beitrag "RicMonk: A Three-Link Brachiation Robot with Passive Grippers for Energy-Efficient Brachiation". Darin wird ein neuartiger, von der Fortbewegung von Primaten inspirierter Roboter vorgestellt, der sich an festen Objekten festhalten kann und sich durch seine Energieeffizienz auszeichnet.

Der Beitrag "Robust Co-Design of Canonical Underactuated Systems for Increased Certifiable Stability" beschreibt einen innovativen Co-Design-Algorithmus, der das Verhalten und die Robustheit von unteraktuierten Systemen durch die Kombination von Trajektorienoptimierung, Stabilisierung und Designoptimierung verbessert. Eine neue Methode zur adaptiven Steuerung von mobilen Robotern, mit der diese besser auf dynamische Veränderungen in ihrer Umgebung reagieren können, stellt das Paper "Gaussian Mixture Likelihood-based Adaptive MPC for Interactive Mobile Manipulators" vor.

Neben den wissenschaftlichen Beiträgen ist das DFKI auch an der Organisation von zwei Workshops im Rahmen des Konferenzprogramms beteiligt. Die Workshops "Loco-Manipulation: Algorithms, Challenges & Applications" und "Co-Design in Robotics: Theory, Practice, and Challenges" laden die Teilnehmenden ein, sich mit anderen Expertinnen und Experten aus der Robotik-Community auszutauschen und zusammenzuarbeiten.

Die akzeptierten Paper im Detail:

RicMonk: A Three-Link Brachiation Robot with Passive Grippers for Energy-Efficient Brachiation von Grama Srinivas Shourie Grama Srinivas Shourie, Mahdi Javadi, Shivesh Kumar, Hossein Zamani Boroujeni, Frank Kirchner

Das Paper stellt RicMonk vor, einen dreigliedrigen Roboter mit passiven Hakengreifern. Er ist in der Lage, sich durch abwechselndes Greifen und Loslassen seiner Gliedmaßen an festen Objekten entlang zu hangeln, was auch als Brachiation bezeichnet wird. Diese bei Primaten beobachtete Bewegungsweise ermöglicht eine vielseitige Fortbewegung auf leiterartigen Strukturen. Der Roboter ist anatomisch einem Gibbon nachempfunden und verfügt über einen Schwanzmechanismus zur Energieversorgung. Der Beitrag beschreibt die Anwendung der Direkten Kollokationsmethode, einer numerischen Optimierungstechnik, die zur Trajektorienoptimierung und Stabilisierung von Robotern verwendet wird. Zur Stabilisierung dynamischer Systeme, deren Verhalten sich mit der Zeit ändert, wird ein zeitvariabler linearer quadratischer Regler eingesetzt. Um die Verbesserung der Energieeffizienz durch das Vorhandensein eines passiven Schwanzes zu demonstrieren, enthält die Arbeit auch eine vergleichende Analyse zwischen RicMonk und seinem Vorgängersystem AcroMonk, einem zweigliedrigen Brachialroboter. Das Systemdesign von RicMonk, die Steuerung und die Softwareimplementierung sind auf GitHub öffentlich zugänglich.

Link: https://github.com/dfki-ric-underactuated-lab/ricmonk
Kontakt: shivesh.kumar@dfki.de

Robust Co-Design of Canonical Underactuated Systems for Increased Certifiable Stability von Federico Girlanda, Shivesh Kumar, Lasse Shala, Frank Kirchner

Durch die Verknüpfung von Bahnoptimierung, Stabilisierung und Designoptimierung kann das optimale Verhalten eines Systems zur Erfüllung einer bestimmten Aufgabe erreicht werden. Dieser Ansatz erweist sich besonders vorteilhaft für unteraktuierte Systeme, die weniger Aktuatoren als Freiheitsgrade haben und daher aufwendigere Steuersysteme erfordern. In diesem Papier wird ein neuartiger Co-Design-Algorithmus namens Robust Trajectory Control with Design optimization (RTC-D) vorgeschlagen. Eine innere Optimierungsschicht (RTC) führt gleichzeitig eine direkte Transkription (DIRTRAN) durch, um eine nominale Trajektorie zu finden, während optimale Hyperparameter für einen stabilisierenden zeitvarianten linearen quadratischen Regler (TVLQR) berechnet werden. RTC-D ergänzt RTC um eine Designoptimierungsschicht, die die Robustheit des Systems maximiert, indem sie eine auf zeitvarianten Lyapunov-basierten Bereich der Attraktivität (ROA) -Analyse, die eine formale Stabilitätsgarantie für nicht-nominale Zustände bietet. Der vorgeschlagene Algorithmus wurde an zwei verschiedenen unteraktuierten Systemen getestet: dem drehmomentbegrenzten einfachen Pendel und dem Wagen-Pendel. Umfangreiche Simulationen von nicht-nominalen Anfangsbedingungen zeigen eine verbesserte Robustheit, während Experimente an realen Systemen eine erhöhte Unempfindlichkeit gegenüber Drehmomentstörungen zeigen.

Link: https://dfki-ric-underactuated-lab.github.io/robust_codesign/
Kontakt: shivesh.kumar@dfki.de

Gaussian Mixture Likelihood-based Adaptive MPC for Interactive Mobile Manipulators von Dimitrios Rakovitis, Dennis Mronga

Mobile Roboter werden heutzutage oft für Interaktionsaufgaben in der realen Welt wie das Öffnen von Türen oder für Pick-and-Place-Aufgaben eingesetzt. Die Anpassung der Robotersteuerung an unsichere Kontaktdynamiken stellt bei der Verwendung in realen Umgebungen eine große Herausforderung dar. Adaptive Model Predictive Control (AMPC) ist ein Ansatz zur Steuerung von Roboterbewegungen, der sich an unsichere oder sich ändernde Dynamiken anpasst. Die meisten vorhandenen AMPC-Ansätze für mobile Manipulation erfordern entweder die Einstellung durch Fachpersonal oder ein umfangreiches Training, was die Einführung neuer oder unterschiedlicher Aufgaben sehr schwierig macht. Außerdem werden normalerweise nicht mehrere unabhängige Umgebungsparameter in der AMPC-Formulierung berücksichtigt. Das Paper stellt einen hierarchischen Ansatz vor, der Gaussian Mixture Models (GMMs) und Gaussian Mixture Regression (GMR) nutzt, um die dynamischen Modellparameter des MPC anhand propriozeptiver Messungen vorherzusagen. Der Ansatz, der die Durchführung von Aufgaben mit mehreren unbekannten Umgebungsparametern ermöglicht, wird in Simulationen und in realen Experimenten an einem mobilen Manipulator evaluiert und mit mehreren Basislinienmethoden verglichen. Es wurde gezeigt, dass er bei verschiedenen Aufgaben wie Pick-and-Place, Schieben und Türöffnen besser abschneidet als der Standard-MPC und ein bestehender AMPC-Ansatz.

Link: https://rakovitisd.github.io/gmL_MPC.github.io/
Kontakt: dennis.mronga@dfki.de

Mehr Informationen zu den Workshops mit DFKI-Beteiligung:

Loco-Manipulation: Algorithms, Challenges & Applications
Oliver Urbann (Fraunhofer IML), Julian Eßer (Fraunhofer IML), Ioannis Havoutis (Oxford University), Shivesh Kumar (Chalmers/DFKI), Gabriel Margolis (MIT), Carlos Mastalli (Heriot-Watt University), Claudio Semini (IIT), Olivier Stasse (LAAS-CNRS).

Link: https://sites.google.com/view/loco-manipulation-icra24/home
Kontakt: shivesh.kumar@dfki.de

Co-design in Robotics: Theory, Practice, and Challenges
Cynthia Sung (GRASP Lab, UPenn), Darwin Lau (Chinese University of Hong Kong), Hannah Stuart (UC Berkeley), Pauline Pounds (University of Queensland), Shivesh Kumar (Chalmers/DFKI), Patrick M. Wensing (Uni Notre Dame)

Link: https://www.robotmechanisms.org/activities/icra-2024-codesign
Kontakt: shivesh.kumar@dfki.de