과학자들이 어떻게 소프트 로봇이 정확하게 움직이기 위해 가르치고 있는지

링크 표

초록 및 1 소개

2 관련 작품

2.1 공압 작동

2.2 공압 팔

2.3 소프트 로봇 제어

3 Paul : 설계 및 제조

3.1 로봇 디자인

3.2 재료 선택

3.3 제조

3.4 작동 은행

4 데이터 수집 및 오픈 루프 제어

4.1 하드웨어 설정

4.2 비전 캡처 시스템

4.3 데이터 세트 생성 : 테이블 기반 모델

4.4 오픈 루프 제어

5 결과

5.1 최종 폴 버전

5.2 작업 공간 분석

5.3 테이블 기반 모델의 성능

5.4 굽힘 실험

5.5 체중 운반 실험

6 결론

자금 지원 정보

A. 실험 및 참고 문헌

2.3 소프트 로봇 제어

공압 소프트 로봇의 설계에서 이러한 로봇의 여전히 미성숙 상태로 인해 다양한 가능성이 있다면 가능성은 훨씬 더 증가합니다. 실제로, 소프트 로봇을 제어하는 ​​것은 여전히 ​​열린 도전입니다 [51] 그리고 단단한 로봇 공학에 존재하는 것과 아직 비슷한 정밀도를 달성하지 않더라도 많은 가능한 솔루션이 있습니다.

모델 기반 및 데이터 중심 제어 방법이 모두 테스트되었습니다. 일부 저자는 모델 기반 컨트롤러로 시작하여 기계 학습 기술의 사용으로 진화 한 다른 영역에서 일어난 일과 달리 여기에서 반대가 일어나고 있다고 제안합니다. [52]현재 두 기술 모두 공존하고 단기적으로 어느 철학이 스스로를 강요 할 것 같지는 않습니다.

모델 기반 기술에는 한편으로는 PCC의 사용과 다른 한편으로는 FEM이 포함됩니다. 전자는 공압 소프트 로봇에 성공적으로 사용되었습니다. [50, 53]. 그러나 주요 단점은 매우 엄격한 구내를 기반으로한다는 것입니다. 끊임없는 곡률과 중력 부재와 관련된 정보는 종종 적용을 불능하게 만듭니다.

반면에 FEM의 사용은 매우 좋은 결과를 얻을 수 있습니다. 지적한 바와 같이 [52]수치 적 방법은 이론적으로 분석적 방법보다 정확하지 않지만, 이와 같은 소프트 구조를 모델링 할 때 분석 방법은 그러한 복잡한 형태 (또는 때로는 알려지지 않은 형태, 구성 법 및 경계 조건에서 작업 할 수 없습니다.

그 사용은 소프트 로봇에서 널리 구현되었습니다 [12, 54]. 공압 소프트 로봇의 경우 딩 작품 [55] – 그러나 이것은 바울보다 크기가 훨씬 작습니다. [56]이전에 제시된 Sopra Arm을 사용하여 눈에 띄는 것입니다. 그러나 그들이 제시하는 문제는 필요한 높은 계산 비용이며, 이는 종종 주문 모델이 사용되지 않는 한 폐쇄 체인 제어가 불가능하게 만듭니다. [57]. 또한, 재료의 다른 탄성 및 기하학적 매개 변수를 설정하는 것은 재료를 특성화하기가 얼마나 어려운지로 인해 자동 작업이 아닙니다.

따라서, 다른 기계 학습 (ML) 기술은 일반적으로 모델링 및 제어 문제를 해결하는 데 사용됩니다. FFNN (Feedforward Neural Networks)에서 많은 기술이 사용되었습니다. [45] 보다 복잡한 네트워크 아키텍처에 [25, 58] 강화 학습의 사용 외에도 [59, 60]. 다양한 입력 데이터는 상당히 정확한 모델을 생성하는 데 사용될 수 있습니다. 데이터 중심 모델은 실제 로봇의 입력으로 잘 수행하도록 테스트되었습니다. [61]FEM 모델의 데이터 [12]둘의 조합 [62]시각적 데이터 [63].

사용 된 ML 기술의 복잡성과 얻은 결과 사이에는 관계가 관찰되지 않았다. 반대로, 이러한 경우의 철학은 항상 가능한 가장 간단한 도구 (일반적으로 소량의 데이터가 필요)를 사용하여 예상 결과를 달성하는 것입니다. 일반적이지는 않지만 다항식 조정을 기반으로 한 제어 [5] 또는 비용 기능의 최소화 [64] 심지어 달성되었습니다. 이것이 바울과 함께 따랐던 철학입니다. 또한,이 첫 번째 단계에서 목적은 매우 정확한 제어를 달성하는 것이 아니라 센서의 구현이 향후 작업으로 예상되는 것이 아니라 초기 운동 테스트를 수행 할 수있는 모델을 갖는 것입니다.