機械臂是怎麽保證速度平滑且位置精確的？

2016-12-16數位

最近論文間隙，帶著師弟們寫了個業余的計畫。最初的想法是為了避免我們在做 robot learning from demonstration 的過程中重復造輪子，寫著寫著變成了 做大做強，再創輝煌， 所以就有了把示教學習從頭實作到尾的沖動。也就是從多模態數據采集開始、到示教數據的表征學習、再到機器人的軌跡生成和控制，最後再來一個仿真器輕松驗證軌跡就完美了。

Rofunc Package

先上repo的連結

軌跡規劃

至於題主所問的 機械臂是怎麽保證速度平滑且位置精確的 ，答案就在上圖的藍色部份。我們使用的是我們的合作夥伴 Sylvain Calinon 老師的 LQT (Linear Quadratic Tracking ) 和 iLQR (iterative Linear Quadratic Regulator) 系列。Calinon 老師是一個硬核的大佬，最近搞了個repo專門針對機器人的軌跡規劃與最佳化控制問題，不過可惜的是只給出了2D example，適合教學使用。

而我們的rofunc呢，則是摸著Calinon老師過河，旨在開發簡單易用、且能夠直接用在真實機器人上的API。那麽對於 機械臂是怎麽保證速度平滑且位置精確的 ，我們的解決方案真是簡潔又美觀

import rofunc as rf via_points = ... u_hat , x_hat , mu , idx_slices = rf . lqt . uni ( via_points ) rf . lqt . plot_3d_uni ( x_hat , mu , idx_slices , ori = False , save = False )

我還貼心地在package中打包了 test data，例如

import rofunc as rf import numpy as np from importlib_resources import files via_points = np.load(files('rofunc.data.LQT_LQR').joinpath('rolling_pin_1.npy')) filter_indices = [0, 1, 5, 10, 22, 36] via_points = via_points[filter_indices]u_hat, x_hat, mu, idx_slices = rf.lqt.uni(via_points) rf.lqt.plot_3d_uni(x_hat, mu, idx_slices, ori=False, save=False, for_test=True)

簡單來講，LQT根據幾個via-point poses，可以生成指定時間間隔、指定長度、且可指定狀態變量維度（x or [x, dx] or [x, dx, ddx]）的軌跡，滿足實際機器人的平滑軌跡需求，而不至於如題主所說需要在每兩個via-points之間來一回加速減速。這是透過設計一個兼顧跟蹤損失和控制損失的cost function來實作的，所以就會呈現出平滑且精確追蹤指定路徑點的效果。至於其具體原理已經被我結合程式碼放在了package的documentation裏，這裏就不贅述了。

我們還提供了仿真環境以驗證軌跡