Robotic learning of haptic skills from expert demonstration for contact-rich manufacturing tasks

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 çalışmada, robotun, cilalama gibi temasın yoğun olduğu üretim görevlerinde uzman tarafından uygulanan kuvveti gösterimlerden öğrenmesini sağlamak için bir etkileşim (admitans) denetleyici ve iki kuvvet sensörü kullanan bir makina öğrenmesi (MÖ) yaklaşımı öneriyoruz. Amacımız, MÖ yaklaşımını kullanarak robotu bir uzmanın dokunsal uzmanlığıyla donatarak kullanıcının gerektiğinde görevlere müdahale etme esnekliğini sağlamaktır. Çalışmamızda kullandığımız iki kuvvet sensörü, MÖ modelini farklı malzeme ve yüzey özelliklerine sahip iş parçaları ile eğitmek için gereken çevresel kuvvet verilerini toplamamızı sağlar. Yaklaşımımızın gösterim aşamasında (uzmanın robota cilalama görevini gösterdiği aşamada), insan tarafından uygulanan kuvveti ve etkileşim kuvvetini iki ayrı kuvvet sensörü aracılığıyla ölçülür ve veriler keydedilir. Admitans denetleyicisi, ölçülen etkileşim kuvvetini giriş verisi olarak alır ve robotun iç hareket denetleyicisinin (PID) izleyeceği referans hızı üretmek için kullanır. Önerilen MÖ modeli, cilalama yapan cihazın kartez pozisyonu ve hızı, çevresel kuvvet ve cihazla ile yüzey arasındaki sürtünme katsayısını kullanarak insan kuvvet profilini öğrenir. Uygulama aşamasında (robotun görevi otonom olarak gerçekleştirdiği aşamada), MÖ modeli tarafından tahmin edilen insan kuvveti, ortamdaki reaksiyon kuvvetlerini dengelemek ve robotun takip etmesi gereken referans hız yörüngesini oluşturmak için etkileşim denetleyicisine giriş verisi olarak kullanılır. Önerdiğimiz insan-robot etkileşimi yaklaşımından kaynaklanan faydaları göstermek için üç kullanım senaryosu tasarladık: İlk olarak, bir uzmanın performansını acemi bir kullanıcının performansı ile karşılaştırarak cilalama işlemi sırasında dokunsal becerilerin önemini gösteriyoruz. İkinci kullanım senaryosunda, önerilen sistemin farklı malzeme ve yüzey özelliklerine sahip iş parçaları üzerinde otonom robotik cilalama yapabildiğini gösteriyoruz. Son kullanım senaryosu ise, iş parçasının daha fazla cilalama gerektiren bölgelerinde insanın manuel müdahale edebildiğini gösteriyor. Sunulan senaryolar, robotun insan uzmanlığından öğrenebildiğini, farklı malzeme ve yüzeylere göre kuvvet ayarlaması yapabildiğini, ve gerektiğinde insanın sisteme manuel olarak müdahale edebildiğini göstermektedir.