High versatility and flexibility of robotic systems require kinematic structures with many degrees of freedom. This usually renders the system kinematically redundant, i.e., the main manipulation or interaction task does not fully determine its maneuvers. Additional constraints or objectives are required to solve the under-determined control and planning problems. The state-of-the-art approaches arrange tasks in a hierarchy and decouple lower from higher priority tasks on velocity or torque level. Velocities and torques are elements of vector spaces. Thus the approaches are inherently based on linear algebra tools. In this paper, we develop an approach to redundancy resolution and decoupling on position level. That requires moving from vector spaces and linear algebra to manifolds and differential geometry. We propose to determine, another set of coordinate functions in addition to the task forward kinematics. The Jacobian of those functions shall resemble the conditions known from the linear algebra-based velocity- and torque-level decoupling to the best extent possible. The approach provides a better insight into the topological properties of robot kinematics and control problems, allowing a more global geometric view. Quasi-decoupled coordinates can help to avoid or diminish some practical and theoretical difficulties related to the classical projection approaches at the cost of higher offline computational efforts. A condition for the existence of these coordinates is derived. If the condition is not satisfied, we still find approximate solutions by numerical optimization. Finally, we show simulation results for both, trajectory tracking and classical impedance control and validate the approach experimentally on a 7DoF robot.


翻译:机器人系统的高度多变性和灵活性要求具有多种自由度的运动结构。 这通常使系统在运动上变得多余, 也就是说, 主操作或互动任务并不完全决定其动作。 需要额外的限制或目标来解决决定不足的控制和规划问题。 最先进的方法将任务排列在一个层次上, 并且从速度或托盘层次的较优先任务中分解较低的任务。 速度和托盘是矢量空间的元素。 因此, 这些方法本质上仍然以线性代数工具为基础。 在本文中, 我们开发了一种系统冗余解和在位置级别上脱钩的方法。 这需要从矢量空间和线性升代数的代数任务完全决定它的动作。 需要从矢量空间和线性代数的代数到不同的几何测量问题。 我们提议确定, 除了前向运动的任务之外, 另一套协调功能的组合, 与线性升数速度和托克水平的计算方法相类似。 因此, 最有可能找到7级级级的解析方法。 这种方法可以更清楚地了解机器人的表层解算方法的表面特性特性特性特性特性, 和精确的精确的计算方法, 使得我们无法避免产生更精确的精确的精确的精确的计算, 。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14日
专知会员服务
52+阅读 · 2020年9月7日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Arxiv
0+阅读 · 2022年6月17日
On Feature Normalization and Data Augmentation
Arxiv
15+阅读 · 2020年2月25日
VIP会员
相关VIP内容
专知会员服务
50+阅读 · 2020年12月14日
专知会员服务
52+阅读 · 2020年9月7日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Top
微信扫码咨询专知VIP会员