Publication: Robotic learning of haptic skills from expert demonstration for contact-rich manufacturing tasks
Program
Computational Sciences and Engineering
KU-Authors
KU Authors
Co-Authors
Authors
Advisor
YĆK Thesis ID
904921
Approval Date
Publication Date
Language
Type
Embargo Status
No
Journal Title
Journal ISSN
Volume Title
Alternative Title
Temasın yoÄun olduÄu üretim gƶrevleri iƧin uzman gƶsterimlerden robotik dokunsal becerilerin ƶÄrenimi
Abstract
In this study, we propose a learning from demonstration (LfD) approach that utilizes an interaction (admittance) controller and two force sensors for the robot to learn the force applied by an expert from demonstrations in contact-rich tasks such as robotic polishing. Our goal is to equip the robot with the haptic expertise of an expert by using a machine learning (ML) approach while providing the flexibility for the user to intervene in the task at any point when necessary by using an interaction controller. The utilization of two force sensors, a pivotal concept in this study, allows us to gather environmental data crucial for effectively training our system to accommodate workpieces with diverse material and surface properties and maintain the contact of polisher with their surfaces. In the demonstration phase of our approach where an expert guiding the robot to perform a polishing task, we record the force applied by the human and the interaction force via two separate force sensors for the polishing trajectory followed by the expert to extract information about the environment. An admittance controller, which takes the interaction force as the input is used to output a reference velocity to be tracked by the internal motion controller (PID) of the robot to regulate the interactions between the polisher and the surface of a workpiece. A multilayer perceptron (MLP) model was trained to learn the human force profile based on the inputs of Cartesian position and velocity of the polisher, environmental force, and friction coefficient between the polisher and the surface to the model. During the deployment phase, in which the robot executes the task autonomously, the human force estimated by our system is utilized to balance the reaction forces coming from the environment and calculate the force needs to be inputted to the admittance controller to generate a reference velocity trajectory for the robot to follow. We designed three use-case scenarios to demonstrate the benefits of the proposed system: we first compare the performance of an expert polisher with a naive user to show the importance of haptic skills in polishing. In the second use-case, we show that the proposed system can successfully learn the intrinsic changes in human force profile from the expert user for autonomous robotic polishing of workpieces of different material and surface properties. The last use-case scenario involves human intervention during the robotic polishing for the regions on the workpiece requiring more polishing. The presented use-cases highlight the capability of the proposed pHRI (physical Human Robots Interaction) system to learn from human expertise and adjust its force based on material and surface variations during automated operations, while still accommodating manual interventions as needed.
Bu ƧalıÅmada, robotun, cilalama gibi temasın yoÄun olduÄu üretim gƶrevlerinde uzman tarafından uygulanan kuvveti gƶsterimlerden ƶÄrenmesini saÄlamak iƧin bir etkileÅim (admitans) denetleyici ve iki kuvvet sensƶrü kullanan bir makina ƶÄrenmesi (MĆ) yaklaÅımı ƶneriyoruz. Amacımız, MĆ yaklaÅımını kullanarak robotu bir uzmanın dokunsal uzmanlıÄıyla donatarak kullanıcının gerektiÄinde gƶrevlere müdahale etme esnekliÄini saÄlamaktır. ĆalıÅmamızda kullandıÄımız iki kuvvet sensƶrü, MĆ modelini farklı malzeme ve yüzey ƶzelliklerine sahip iÅ parƧaları ile eÄitmek iƧin gereken Ƨevresel kuvvet verilerini toplamamızı saÄlar. YaklaÅımımızın gƶsterim aÅamasında (uzmanın robota cilalama gƶrevini gƶsterdiÄi aÅamada), insan tarafından uygulanan kuvveti ve etkileÅim kuvvetini iki ayrı kuvvet sensƶrü aracılıÄıyla ƶlçülür ve veriler keydedilir. Admitans denetleyicisi, ƶlçülen etkileÅim kuvvetini giriÅ verisi olarak alır ve robotun iƧ hareket denetleyicisinin (PID) izleyeceÄi referans hızı üretmek iƧin kullanır. Ćnerilen MĆ modeli, cilalama yapan cihazın kartez pozisyonu ve hızı, Ƨevresel kuvvet ve cihazla ile yüzey arasındaki sürtünme katsayısını kullanarak insan kuvvet profilini ƶÄrenir. Uygulama aÅamasında (robotun gƶrevi otonom olarak gerƧekleÅtirdiÄi aÅamada), MĆ modeli tarafından tahmin edilen insan kuvveti, ortamdaki reaksiyon kuvvetlerini dengelemek ve robotun takip etmesi gereken referans hız yƶrüngesini oluÅturmak iƧin etkileÅim denetleyicisine giriÅ verisi olarak kullanılır. ĆnerdiÄimiz insan-robot etkileÅimi yaklaÅımından kaynaklanan faydaları gƶstermek iƧin üç kullanım senaryosu tasarladık: İlk olarak, bir uzmanın performansını acemi bir kullanıcının performansı ile karÅılaÅtırarak cilalama iÅlemi sırasında dokunsal becerilerin ƶnemini gƶsteriyoruz. İkinci kullanım senaryosunda, ƶnerilen sistemin farklı malzeme ve yüzey ƶzelliklerine sahip iÅ parƧaları üzerinde otonom robotik cilalama yapabildiÄini gƶsteriyoruz. Son kullanım senaryosu ise, iÅ parƧasının daha fazla cilalama gerektiren bƶlgelerinde insanın manuel müdahale edebildiÄini gƶsteriyor. Sunulan senaryolar, robotun insan uzmanlıÄından ƶÄrenebildiÄini, farklı malzeme ve yüzeylere gƶre kuvvet ayarlaması yapabildiÄini, ve gerektiÄinde insanın sisteme manuel olarak müdahale edebildiÄini gƶstermektedir.
Bu ƧalıÅmada, robotun, cilalama gibi temasın yoÄun olduÄu üretim gƶrevlerinde uzman tarafından uygulanan kuvveti gƶsterimlerden ƶÄrenmesini saÄlamak iƧin bir etkileÅim (admitans) denetleyici ve iki kuvvet sensƶrü kullanan bir makina ƶÄrenmesi (MĆ) yaklaÅımı ƶneriyoruz. Amacımız, MĆ yaklaÅımını kullanarak robotu bir uzmanın dokunsal uzmanlıÄıyla donatarak kullanıcının gerektiÄinde gƶrevlere müdahale etme esnekliÄini saÄlamaktır. ĆalıÅmamızda kullandıÄımız iki kuvvet sensƶrü, MĆ modelini farklı malzeme ve yüzey ƶzelliklerine sahip iÅ parƧaları ile eÄitmek iƧin gereken Ƨevresel kuvvet verilerini toplamamızı saÄlar. YaklaÅımımızın gƶsterim aÅamasında (uzmanın robota cilalama gƶrevini gƶsterdiÄi aÅamada), insan tarafından uygulanan kuvveti ve etkileÅim kuvvetini iki ayrı kuvvet sensƶrü aracılıÄıyla ƶlçülür ve veriler keydedilir. Admitans denetleyicisi, ƶlçülen etkileÅim kuvvetini giriÅ verisi olarak alır ve robotun iƧ hareket denetleyicisinin (PID) izleyeceÄi referans hızı üretmek iƧin kullanır. Ćnerilen MĆ modeli, cilalama yapan cihazın kartez pozisyonu ve hızı, Ƨevresel kuvvet ve cihazla ile yüzey arasındaki sürtünme katsayısını kullanarak insan kuvvet profilini ƶÄrenir. Uygulama aÅamasında (robotun gƶrevi otonom olarak gerƧekleÅtirdiÄi aÅamada), MĆ modeli tarafından tahmin edilen insan kuvveti, ortamdaki reaksiyon kuvvetlerini dengelemek ve robotun takip etmesi gereken referans hız yƶrüngesini oluÅturmak iƧin etkileÅim denetleyicisine giriÅ verisi olarak kullanılır. ĆnerdiÄimiz insan-robot etkileÅimi yaklaÅımından kaynaklanan faydaları gƶstermek iƧin üç kullanım senaryosu tasarladık: İlk olarak, bir uzmanın performansını acemi bir kullanıcının performansı ile karÅılaÅtırarak cilalama iÅlemi sırasında dokunsal becerilerin ƶnemini gƶsteriyoruz. İkinci kullanım senaryosunda, ƶnerilen sistemin farklı malzeme ve yüzey ƶzelliklerine sahip iÅ parƧaları üzerinde otonom robotik cilalama yapabildiÄini gƶsteriyoruz. Son kullanım senaryosu ise, iÅ parƧasının daha fazla cilalama gerektiren bƶlgelerinde insanın manuel müdahale edebildiÄini gƶsteriyor. Sunulan senaryolar, robotun insan uzmanlıÄından ƶÄrenebildiÄini, farklı malzeme ve yüzeylere gƶre kuvvet ayarlaması yapabildiÄini, ve gerektiÄinde insanın sisteme manuel olarak müdahale edebildiÄini gƶstermektedir.
Source
Publisher
KoƧ University
Subject
Human-robot interaction, Robotics, Robotics-human factors
Citation
Has Part
Source
Book Series Title
Edition
DOI
item.page.datauri
Link
Rights
restrictedAccess
Copyrights Note
© All Rights Reserved. Accessible to Koç University Affiliated Users Only!