SC-DMPs: Interaktionssteifigkeit führt Basisfunktionsallokation für präzises Skill-Lernen
Die Autoren stellen Stage-Criticality-Guided Dynamic Movement Primitives (SC-DMPs) vor, die die Verteilung der Basisfunktionen anhand einer aus Bediener-Roboter-Interaktionssteifigkeit und Bahnvariabilität abgeleiteten Kritikalität anpassen. In Handschrift- und realen Roboteraufgaben erzielen SC-DMPs im Vergleich zu DMPs, ProMPs, ProDMP, GP-MP und KMP geringere Reproduktions- und Generalisierungsfehler, insbesondere in aufgabenkritischen Abschnitten, bei kompakter Modellgröße. Der Beitrag ist zur Veröffentlichung in IEEE Transactions on Industrial Informatics angenommen.
Wie können Basisfunktionen in Dynamic Movement Primitives anhand von Interaktionssteifigkeit und Demonstrationsvariabilität so allokiert werden, dass präzisionskritische Trajektorienabschnitte ohne Vergrößerung des Modells besser reproduziert und generalisiert werden?
Klassische DMPs platzieren Basisfunktionen zeitlich gleichmäßig und können die Approximationskapazität nicht an abschnittsweise unterschiedliche Präzisionsanforderungen anpassen. Probabilistische oder kernelbasierte Verfahren wie ProMPs, ProDMP, GP-MP und KMP regulieren lokale Genauigkeit über Kovarianz- oder Kernelparameter, aber nicht über eine explizite, aufgabenabhängige Allokation von Approximationsressourcen. Dadurch entstehen in engen Füge- oder Kontaktphasen oft unerwünscht hohe Abweichungen.
Bisherige Ansätze verbessern die Repräsentation durch probabilistische Verteilungen oder Kernel-Methoden (ProMPs, ProDMP, GP-MP, KMP) oder durch Verfeinerung der DMP-Parameter, etwa über Krümmung, Varianz oder Mutual-Information-basierte Gewichte. Diese Kriterien beschreiben jedoch eher Trajektorienstruktur oder Informationsgehalt als tatsächliche aufgabenbedingte Toleranzen; eine geometrisch einfache, aber enge Steckaufgabe kann hohe Positionsgenauigkeit erfordern, ohne in der Bahngeometrie auffällig zu sein.
SC-DMPs kombinieren während kinästhetischen Teachings geschätzte Bediener-Roboter-Interaktionssteifigkeit mit der über GMM/GMR ermittelten Variabilität mehrerer Demonstrationen zu einem Stage-Criticality-Index. Ein kleines temporales Verfeinerungsnetz (STR-Net) glättet diesen Index; anschließend werden die DMP-Basiszentren über die inverse kumulative Kritikalität im normalisierten Zeitraum neu verteilt und in den kanonischen Phasenraum abgebildet. Die Bandbreiten werden anhand der Zentrenabstände initialisiert und mit zyklischer Koordinatensuche an die lokale Approximationsunterstützung angepasst.
Auf Handschrift-Trajektorien (Buchstaben Z und M, jeweils 12 Demonstrationen) schneidet SC-DMPs in 45 von 48 Vergleichen über 5, 10, 15, 20, 25 und 30 Basisfunktionen besser ab als klassische DMPs; die mittleren Fehlerreduktionen betragen 21,42 % (RMSE), 21,92 % (W-RMSE), 32,50 % (RMSE-Geo) und 24,67 % (MaxE). In vier Endpunkt-Variationstests erzielt SC-DMPs in 34 von 36 Vergleichen niedrigere Fehler; bei räumlicher Skalierung von 0,5× bis 5× betragen die Reduktionen für Z 12,99 % NSE, 17,64 % W-RMSE und 24,07 % RMSE-Geo, für M 18,74 %, 25,01 % und 26,80 %. Gegenüber ProMPs, ProDMP, GP-MP und KMP reduziert SC-DMPs den Lern-RMSE um 3,4 % bzw. 1,6 % und den Endpunkt-Generalisierungs-RMSE-Geo um 46,1 % bzw. 23,9 % für Z und M gegenüber dem jeweils besten Konkurrenzwert. In drei realen KUKA-iiwa-Aufgaben (Stecken/Ziehen, sequenzielles Tauchen, Flächenwischen, je 4 Demonstrationen) sinkt der RMSE um 5,83 % bis 17,51 %, der RMSE in aufgabenkritischen Regionen um 19,93 % bis 23,86 % und der MaxE in diesen Regionen um 6,56 % bis 42,01 % gegenüber DMPs.
Die Autoren weisen darauf hin, dass der Ansatz auf präzisionsorientierte Fähigkeiten zugeschnitten ist, bei denen sich kritische Phasen in Interaktionssteifigkeit und Bahnkonsistenz widerspiegeln; komplianzdominierte Niedrigsteifigkeitsphasen benötigen zusätzliche Kraft-, Bild-, Objektdynamik- oder Kontextsignale. Die realen Roboterexperimente verwenden nur einen Manipulator (KUKA iiwa) und vier Demonstrationen pro Aufgabe; die Bandbreitenoptimierung ist ein koordinatenweises Verfahren ohne globale Optimalitätsgarantie. Ob Code veröffentlicht wird, ist im Paper nicht berichtet.
Die Methode ist für Hersteller und Integratoren von LfD-basierten Robotersystemen relevant, insbesondere bei Feinmontage, Steckverbindungen und kontinuierlichem Kontakt wie Wischen oder Polieren. Eine Integration in kommerzielle Teach-in-Workflows ist innerhalb von ein bis drei Jahren denkbar, sofern sEMG-basierte Steifigkeitsschätzung und die vorgeschlagene Allokation in bestehende DMP-Bibliotheken übernommen werden; dafür müssen zusätzliche Sensordaten während der Demonstration verfügbar sein und die Echtzeitfähigkeit der DMP-Ausführung erhalten bleiben.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.