論文の概要: An adaptive admittance controller for collaborative drilling with a
robot based on subtask classification via deep learning
- arxiv url: http://arxiv.org/abs/2205.14457v2
- Date: Tue, 31 May 2022 09:44:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-01 12:06:07.454137
- Title: An adaptive admittance controller for collaborative drilling with a
robot based on subtask classification via deep learning
- Title(参考訳): 深層学習によるサブタスク分類に基づくロボットによる協調掘削のための適応型アドミタンス制御
- Authors: Berk Guler, Pouya P. Niaz, Alireza Madani, Yusuf Aydin, Cagatay
Basdogan
- Abstract要約: pHRIタスクには, アイドル, ドライビング, コンタクトという3つのサブタスクがある。
この分類に基づいて、人間とロボットの相互作用を制御するアクセタンスコントローラのパラメータをリアルタイムで適応的に調整する。
実験結果から、ANNモデルは、12人の被験者に対して98%の精度で、異なるアクセント制御条件下でサブタスクを検出することができることがわかった。
- 参考スコア(独自算出の注目度): 2.7823969627873986
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a supervised learning approach based on an
Artificial Neural Network (ANN) model for real-time classification of subtasks
in a physical human-robot interaction (pHRI) task involving contact with a
stiff environment. In this regard, we consider three subtasks for a given pHRI
task: Idle, Driving, and Contact. Based on this classification, the parameters
of an admittance controller that regulates the interaction between human and
robot are adjusted adaptively in real time to make the robot more transparent
to the operator (i.e. less resistant) during the Driving phase and more stable
during the Contact phase. The Idle phase is primarily used to detect the
initiation of task. Experimental results have shown that the ANN model can
learn to detect the subtasks under different admittance controller conditions
with an accuracy of 98% for 12 participants. Finally, we show that the
admittance adaptation based on the proposed subtask classifier leads to 20%
lower human effort (i.e. higher transparency) in the Driving phase and 25%
lower oscillation amplitude (i.e. higher stability) during drilling in the
Contact phase compared to an admittance controller with fixed parameters.
- Abstract(参考訳): 本稿では,人工ニューラルネットワーク(ann)モデルに基づく教師付き学習手法を提案し,硬い環境との接触を伴う人間-ロボット間インタラクション(phri)タスクにおけるサブタスクのリアルタイム分類を行う。
ここでは,pHRIタスクのサブタスクとして,アイドル,ドライビング,コンタクトの3つを考える。
この分類に基づいて、人間とロボットの相互作用を調節するアクセタンスコントローラのパラメータをリアルタイムで調整し、運転段階においてロボットが操作者に対してより透明になり(すなわち抵抗が小さく)、接触段階においてより安定したものにする。
アイドルフェーズは主にタスクの開始を検出するために使用される。
実験の結果、annモデルは12人の被験者に対して98%の精度で異なるアドミタンス制御条件下でサブタスクを検出できることが示されている。
最後に,提案するサブタスク分類器に基づくアドミタンス適応により,駆動相での人間の労力(すなわち高い透明性)が20%低減し,接触相での掘削時の振動振幅(すなわち高い安定性)が25%低下することを示した。
関連論文リスト
- Human-Agent Joint Learning for Efficient Robot Manipulation Skill Acquisition [48.65867987106428]
本稿では,人間とロボットの協調学習システムについて紹介する。
これにより、ロボットエンドエフェクターの制御を学習支援エージェントと共有することができる。
また、人間の操作者は、手動制御と自動制御のトレードオフを達成するために制御比率を調整できる。
論文 参考訳(メタデータ) (2024-06-29T03:37:29Z) - Predicting the Intention to Interact with a Service Robot:the Role of Gaze Cues [51.58558750517068]
サービスロボットは、接近する人が対話する意図をできるだけ早く知覚する必要がある。
我々は,この認識課題を,対話を意図した潜在的なユーザ意図のシーケンス・ツー・シーケンス分類器を用いて解決する。
我々の主な貢献は、この文脈における人の視線を表す特徴の利点の研究である。
論文 参考訳(メタデータ) (2024-04-02T14:22:54Z) - Speaker-Independent Dysarthria Severity Classification using
Self-Supervised Transformers and Multi-Task Learning [2.7706924578324665]
本研究では, 生音声データから難聴度を自動的に評価するトランスフォーマーに基づく枠組みを提案する。
話者非依存型遅発性重度分類のための多タスク学習目標とコントラスト学習を組み込んだ,話者非依存型遅発性正規化(SALR)と呼ばれるフレームワークを開発した。
我々のモデルは従来の機械学習手法よりも優れた性能を示し、精度は70.48%$、F1スコアは59.23%$である。
論文 参考訳(メタデータ) (2024-02-29T18:30:52Z) - Combining model-predictive control and predictive reinforcement learning
for stable quadrupedal robot locomotion [0.0]
モデル予測型と予測型強化型学習コントローラの組み合わせによりこれを実現できるかを検討する。
本研究では,両制御手法を組み合わせて,四足歩行ロボットの安定ゲート生成問題に対処する。
論文 参考訳(メタデータ) (2023-07-15T09:22:37Z) - Pedestrian-Robot Interactions on Autonomous Crowd Navigation: Reactive
Control Methods and Evaluation Metrics [23.389778235940405]
本稿では,自律移動車を用いた群集ナビゲーション制御フレームワークを提案する。
本研究では, 自然群集における会計効率, コントローラ応答, 群集間相互作用の評価指標を提案する。
反応制御器は,群集ナビゲーションに高速かつ連続的に適応するために必要なタスクを果たす。
論文 参考訳(メタデータ) (2022-08-03T14:56:03Z) - Adaptation through prediction: multisensory active inference torque
control [0.0]
本稿では,産業用アームのための多感能動型トルクコントローラを提案する。
私たちのコントローラは、予測的脳仮説にインスパイアされ、現在のアクティブな推論アプローチの能力を向上します。
論文 参考訳(メタデータ) (2021-12-13T16:03:18Z) - On the relationship between disentanglement and multi-task learning [62.997667081978825]
ハードパラメータ共有に基づくマルチタスク学習と絡み合いの関係について,より詳しく検討する。
マルチタスクニューラルネットワークトレーニングの過程において, 絡み合いが自然に現れることを示す。
論文 参考訳(メタデータ) (2021-10-07T14:35:34Z) - Domain Adaptive Robotic Gesture Recognition with Unsupervised
Kinematic-Visual Data Alignment [60.31418655784291]
本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。
ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。
その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
論文 参考訳(メタデータ) (2021-03-06T09:10:03Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳(メタデータ) (2021-01-26T16:01:02Z) - Learning Compliance Adaptation in Contact-Rich Manipulation [81.40695846555955]
本稿では,コンタクトリッチタスクに必要な力プロファイルの予測モデルを学習するための新しいアプローチを提案する。
このアプローチは、双方向Gated Recurrent Units (Bi-GRU) に基づく異常検出と適応力/インピーダンス制御を組み合わせたものである。
論文 参考訳(メタデータ) (2020-05-01T05:23:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。