Robotics and Biology Laboratory

Robust Motion Generation for Mobile Manipulation — Integrating Control and Planning under Uncertainty

Arne Sieverling

Titel: Robust Motion Generation for Mobile Manipulation — Integrating Control and Planning under Uncertainty

 Zusammenfassung:

Diese Arbeit leistet einen Beitrag zu algorithmischen Ansätzen für das Problem der Bewegungserzeugung für mobile Manipulatoren. Dieses Problem ist in unstrukturierten Umgebungen ungelöst, in denen der Roboter keinen Zugang zu präzisen Modellen hat, sondern den Zustand der Welt mit Hilfe seiner Sensoren ableiten muss. Die Herausforderungen für die Bewegungsgenerierung bei diesen Problemen ergeben sich aus der Unsicherheit, die in den Sensoren der realen Welt vorherrscht, den verschiedenen Modalitäten, die berücksichtigt werden müssen, und den Echtzeitbeschränkungen. Unser Ansatz in dieser Arbeit ist es, lokale Rückkopplungskontrolle mit globaler Planung unter Unsicherheit zu kombinieren, um drei verschiedene Anwendungen in der Manipulation zu lösen.
Im ersten Teil dieser Arbeit zeigen wir die Machbarkeit eines rückkopplungsgesteuerten Ansatzes für ein reales Manipulationsproblem. Wir stellen ein autonomes mobiles Kopiersystem für die Entnahme von Behältern vor. Dieses System nahm an der "Amazon Picking Challenge" teil, wo es 25 Konkurrenten übertraf. Wir bewerten die Stärken und Schwächen von Feedback- und planungsbasierten Methoden, indem wir unser System mit anderen vergleichen.

Im zweiten Teil stellen wir planungsbasierte Ansätze vor, die Sampling zur effizienten Suche in hochdimensionalen Räumen verwenden. Wir stellen einen neuartigen Planer für Bewegungen vor, der den Kontakt nutzt, um die Unsicherheit zu verringern. Wir schlagen ein partikelbasiertes Unsicherheitsmodell vor und durchsuchen den kombinierten Raum von Konfigurationen im freien Raum und im Kontakt. Unsere Experimente zeigen, dass die Strategien unseres Planers robuster sind als die Lösungen traditioneller Sampling-basierter Planer, da der Kontakt zur Verringerung der Unsicherheit genutzt wird. Wir erweitern diesen Planer um ein Modell für taktile Rückmeldung, das es ihm ermöglicht, Objekte nur anhand des Signals von Kontaktsensoren zu lokalisieren.
Im dritten Teil diskutieren wir die kontinuierliche Integration von Sensordaten in Pläne. Um sich in unstrukturierten Umgebungen effizient bewegen zu können, müssen Roboter ihre Pläne als Reaktion auf Sensordaten kontinuierlich anpassen. Wir besprechen die Trajektorienoptimierung als ein Werkzeug für die Pfadanpassung. Wir schlagen einen neuen Ansatz zur sensorbasierten Bewegungsgenerierung vor, der auf einer Faktorisierung in drei Aufgaben basiert: 1) kontinuierliche Bahnanpassung, 2) kontinuierliche lokale Planung neuer Bewegungsalternativen, 3) globale Planung mit einem Modell einer unsicheren Umgebung. Diese Faktorisierung ermöglicht es uns, robuste Bewegungen in anfänglich völlig unbekannten Umgebungen mit dynamischen Hindernissen zu erzeugen. Darüber hinaus stellen wir eine Online-Lernmethode für die Manipulationskontrolle vor, die auf dem Feedback multimodaler Sensoren basiert. Wir schließen diese Arbeit ab, indem wir alle vorgestellten Techniken in einem neuartigen, vereinheitlichenden Rahmen für die Bewegungsgenerierung kombinieren.

November 2018