AVTONOMNO UČENJE ROBOTSKIH OPERACIJ V KONTAKTU Z OKOLICOKramberger, Aljaž (Avtor) Ude, Aleš (Mentor) učenje s posnemanjemprilagajanje robotskih trajektorijmanipulacijadinamični generatorji gibovtransformacija gibanjapasivna interakcijadetekcija objektovplaniranje montažnih nalogRobotski sistemi imajo pomembno vlogo v današnji sodobni industrijski proizvodnji. Realizacija današnjih masovnih načinov proizvodnje brez vpeljave robotskih sistemov ne bi bila mogoča. Omenjeni sistemi delujejo v zaprtih, strukturiranih okoljih z visoko natančnostjo in zanesljivostjo. Zaradi visoke cene in amortizacijske dobe lahko te sisteme najdemo v velikih industrijskih obratih. S prihodom novih tehnologij in povezovanja sistemov v t.i. industriji 4.0 je opazen počasen trend tranzicije v manjše industrijske obrate, kjer je potreba po kooperacijskem delovanju človeka in robota ter spreminjanju izdelkov bolj pogosta. V ta namen je potrebno razviti robotske sisteme, ki so dovzetni za okolico v kateri delujejo in omogočajo hiter prenos znanja, prilagodljivost in varno delovanje. Klasični pristopi programiranja industrijskih robotov so kompleksni in dolgotrajni. Rešitev predstavljajo metode, ki uporabljajo programiranje s posnemanjem človeka [14, 15, 4]. Pri učenju s posnemanjem prenos znanja na robotske sisteme poteka na različne načine: s haptičnim vmesnikom [7], optičnimi senzorji [8], ter v zadnjih letih zelo popularnim kinestetičnim vodenjem [5, 10]. Kinestetično vodenje je posledica novih trendov razvoja robotskih mehanizmov, na primer: Kuka LWR, Universal Robot, Franka Emika, idr. V tej doktorski disertaciji smo se osredotočili na programiranje robotov s kinestetičnim vodenjem, pri čemer nismo zajemali samo kinematične trajektorije, ampak tudi pripadajoče sile in navore potrebne za izvedbo naloge v kontaktu. Klasični pristopi vodenja po sili so v robotiki dobro poznani [36, 37], manj pa so raziskane metode, ki omogočajo hitro učenje novih gibanj v kontaktu z okolico in njihovo adaptacijo na nepredvidljive dogodke. Za uspešno izvedbo adaptacije je potrebno robotsko gibanje prilagoditi med izvajanjem in pri tem upoštevati nastopajoče sile in navore. V ta namen zapišemo trajektorije z dinamičnimi generatorji gibov (angl. Dynamic Movement Primitives - DMP) [22, 23], ki omogočajo spreminjanje le-teh med izvajanjem ter niso neposredno odvisni od časa. Časovna odvisnost robotskih trajektorij je pogosto neprimerna, ker je med izvedbo adaptacije – glede na signale, izmerjene s senzorji [32] – gibanje robota potrebno večkrat pospešiti ali popolnoma ustaviti[24]. V disertaciji obravnavamo regulator, ki poskrbi za prilagajanje robotskega gibanja na podlagi predvidenih sil, pridobljenih z demonstracijo, in dejanskih izmerjenih sil. Ena izmed pomembnih lastnosti pri fizični interakciji človeka z okoljem je njegova sposobnost prilagajanja podajnosti. S spreminjanjem podajnosti je mogoče prilagoditi interakcijske sile med robotskim sistemom in okolico [30]. Prav tako se z uporabo metod robotskega učenja sistem sam nauči potrebnih znanj za izvedbo naloge [52], na primer za učenje sil potrebnih za odpiranje vrat. Najbolj pogosto uporabljene metode so spodbujevano učenje [51] in robotsko učenje s ponavljanjem [103]. V tem delu smo se osredotočili predvsem na slednjo metodo, ter s pomočjo ponavljanja naloge minimizirali napako med dejanskimi in želenimi silami in navori. Na ta način se lahko robotski sistem sam nauči optimalnega gibanja glede na želeno nalogo. Posebno pozornost je potrebno posvetiti varnemu in stabilnemu izvajanju nalog pri kontaktu z okolico oz. neposredni bližini človeka. Ocena pasivnosti nam pove, ali sistem porablja več energije, kot je predpisano [47, 48]. Da zagotovimo pasivno in stabilno delovanje, je potrebno sistemu predpisati določeno energijo v obliki rezervoarja energije [50, 49], ki jo robot lahko porabi za izvedbo naloge. Za doseganje vsestranskosti delovanja robotskih mehanizmov je potrebno s postopki statističnega učenja obstoječa znanja povezovati z novimi. Med vsemi obstoječimi metodami velja poudariti dve, lokalno uteženo regresijo (angl. "LocallyWeighted Regression- LWR) [64] in Gasussovo regresijo (angl. "Gaussian Process Regression-GPR) [66]. Statistično učenje na podlagi baze znanja, generira nova znanja glede na podane parametre naloge. V preteklosti so se statistične metode uporabljale predvsem za robotska gibanja, ki niso bila v stiku z okolico, kot na primer robotsko seganje [72]. V tem delu smo se osredotočili predvsem na statistično učenje profilov sil in navorov, ter orientacij zapisanih s kvaternioni, ki so uporabljeni kot referenca za adaptacijo. Prenos naučenega znanja znotraj delovnega območja robota je zelo pomembno, ker na ta način zagotovimo izkoristek celotnega delovnega področja. Za pridobivanje informacij, ki jih potrebujemo za prenos gibanja, v ne strukturiranih okoljih uporabimo globinske kamere, s katerimi zaznamo lego objektov. Lego objekta lahko zaznamo na več načinov, v tem delu smo uporabili algoritem iterativne najbližje točke [80, 82]. Med transformacijo trajektorij lahko pride do odstopanj med dejansko pozicijo objekta in izmerjeno, ki je posledica raznih zunanjih vplivov in natančnosti kalibracije med sistemi. V ta namen smo razvili metode za kompenzacijo odstopanja, s katerimi zagotovimo uspešno izvedbo naloge. Prav tako so te metode lahko uporabljene v povezavi s algoritmom planiranja zaporedja sestavljanja. Algoritmu lahko na več načinov predstavimo relacije med sestavnimi deli, na primer: sestavljanje v virtualnem okolju [83], nepopolna zaporedja montaže [90], govornimi ukazi [86], itd. V tem delu smo se osredotočili na samostojno učenje relacij med danimi sestavnimi deli. Sistem planiranja samostojno tvori poizkuse in jih izvede na realnem sistemu. Po končani izvedbi se nauči modela relacij montažne naloge in tvori optimalna zaporedja izvedbe sestavljanja. Predlagane metode smo preizkusili z raznimi eksperimenti v simulacijah in na realnih sistemih.20182018-03-09 13:20:02Doktorsko delo/naloga100147VisID: 41681COBISS_ID: 11995476sl