ARC-OPT

Adaptive Robot Control using Optimization

Ansprechpartner/in:
ARC-OPT ist eine Sammlung von Tools für die optimierungs-basierte Regelung von Robotersystemen. Es ermöglicht die intuitive Spezifikation, Ausführung und Optimierung von reaktiven Roboteraufgaben, welche mehrere simultan auszuführende Teilaufgaben beinhalten. ARC-OPT beinhaltet verschiedene Robotermodelle und Löser, welche die Implementierung von hierarchischen, gewichteten oder hybriden Regelungsentwürfen auf komplexen Robotern mit vielen Freiheitsgraden erlauben, zum Beispiel Humanoiden.
Internetseite: https://github.com/ARC-OPT
Schlüsselwörter: Optimierungs-basierte Regelung, Whole-Body Control, Humanoide Robotik
Status: aktiv
Betriebssystem: Linux
Programmiersprachen: C++, Python
Lizenz: BSD-3-Clause
Eigentumsrechte: Diese Software wurde vom DFKI sowie von der Arbeitsgruppe Robotik der Universität Bremen entwickelt und wird unter dieser Verantwortung weiterentwickelt. Bei Fragen und Anregungen wenden sie sich an die Ansprechpartner.
 

Softwarebeschreibung

Übersicht über die Komponenten von ARC-OPT [Bildnachweis: Dennis Mronga, DFKI]
Programming by Demonstration Ansatz zur intuitiven Programmierung von Whole-Body Controllern [Bildnachweis: Dennis Mronga, DFKI]

Whole-Body Control (WBC) ist ein auf Optimierung basierender Ansatz zur Regelung von Robotern mit redundanten Freiheitsgraden, zum Beispiel Humanoide oder mobile Manipulatoren. WBC ermöglicht die gleichzeitige Ausführung mehrerer Aufgaben, indem es diese als Nebenbedingungen oder innerhalb der Kostenfunktion eines Online-Optimierungsproblems definiert. In jedem Regelzyklus wird das Optimierungsproblem aktualisiert, gelöst und seine Lösung als Steuersignal auf die Aktuatoren des Roboters abgebildet. Anstatt die Inverse Kinematik oder Dynamik jeder Aufgabe einzeln zu berechnen, bestimmt WBC die optimale Lösung, welche alle Aufgaben, sowie physikalischen Nebenbedingungen wie zum Beispiel Kontaktkräfte oder Gelenkgrenzen berücksichtigt. Auf diese Weise können komplexe Roboteraufgaben aus einfacheren Teilaufgaben entworfen und die gesamten Freiheitsgrade des Roboters optimal genutzt werden.

ARC-OPT ist ein modularer Baukasten für optimierungsbasierte Regelungsverfahren. Das Framework stellt verschiedene Robotermodelle, Löser und vollständige Whole-Body Controller zur Verfügung, welche durch standardisierte Schnittstellen beliebig kombiniert werden können. Auf diese Weise können mit geringem Aufwand eine Vielzahl von optimierungsbasierten Feedback Reglern für Multi-Task Probleme konfiguriert werden.
Ein Problem bei WBC und anderen optimierungsbasierten Ansätzen zur Robotersteuerung ist, dass Expertenwissen benötigt wird, um das Optimierungsproblem so zu modellieren, dass das gewünschte Roboterverhalten erzielt wird. So ist es notwendig die Aufgabe zu analysieren, entsprechende Aufgabenmodelle abzuleiten, Nebenbedingungen zu definieren und den Aufgaben geeignete Prioritäten zuzuweisen. Dieser, meist manuell ausgeführte Vorgang, ist sehr zeitaufwendig und fehleranfällig. Darüber hinaus sind die entwickelten Lösungen meist auf bestimmte Situationen beschränkt. Falls sich die Aufgabe oder die Umgebung des Roboters verändert, schlagen die händisch entwickelten Lösungen meist fehl und die Aufgabenbeschreibung muss angepasst werden.
Auf diesem Grund stellt ARC-OPT über eine Python Schnittstelle verschiedene Ansätze zur Verfügung, um das Optimierungsproblem anhand von Daten automatisiert abzuleiten und mit Hilfe von maschinellen Lernverfahren an neue Situation anzupassen. Die Daten können dabei zum Beispiel experimentell anhand von Nutzerdemonstrationen gewonnen werden. WBC Probleme können auf diese Weise intuitiv programmiert, adaptiert und optimiert werden. Existierende WBC Ansätze werden durch ARC-OPT leichter nutzbar, allgemeingültiger und adaptiver beim Einsatz in dynamischen Umgebungen.
ARC-OPT ist in die Robotik Frameworks Rock und ROS integriert und besitzt eine Anbindung an verschiedene Simulationsumgebungen wie RaiSim, MARS und Gazebo, welche zur Evaluierung genutzt werden können.

Referenzen

Anwendungsfelder: Weltraumrobotik
Unterwasserrobotik
Logistik, Produktion und Consumer
Assistenz- und Rehabilitationssysteme
SAR- & Sicherheitsrobotik
Verwandte Projekte: HARTU
Handling with AI-enhanced Robotic Technologies for flexible ManUfacturing (01.2023- 12.2025)
BesMan
Behaviors for Mobile Manipulation (05.2012- 07.2016)
Hybr‐iT
Hybride und intelligente Mensch-Roboter-Kollaboration – Hybride Teams in wandlungsfähigen, cyber-physischen Produktionsumgebungen (11.2016- 10.2019)
TransFIT
Flexible Interaktion für Infrastrukturaufbau mittels Teleoperation und direkte Kollaboration und Transfer in Industrie 4.0 (07.2017- 12.2021)
iMRK
Intelligente Mensch-Roboter-Kollaboration (03.2015- 06.2016)
HySociaTea
Hybrid Social Teams for Long-Term Collaboration in Cyber-Physical Environments (09.2014- 08.2016)
iLAADR
Internal Logistics with Automated Autonomous Delivery and Replenishment (01.2016- 12.2016)
Verwandte Robotersysteme: ARTEMIS
DLR SpaceBot Cup 2013 Rover
OmniPick
RH5
Humanoider Roboter als Assistenzsystem in menschoptimierter Umgebung
RH5 Manus
Humanoider Roboter als Assistenzsystem in menschoptimierter Umgebung
iMRK
Intelligenter Zweiarm-Manipulator zur Mensch-Roboter Kollaboration
Mobipick
KUKA KR 60
KUKA KR 60-3 Roboter Arm
AILA
Mobile Dual-Arm-Manipulation
ARTEMIS
DLR SpaceBot Cup 2013 Rover
MANTIS
Mehrbeiniges Manipulations- und Lokomotionssystem
Fördergeber: Bundesministerium für Bildung und Forschung
Bundesministerium für Wirtschaft und Klimaschutz
Deutsches Zentrum für Luft- und Raumfahrt e.V.
Förderkennzeichen: BesMan FKZ 50RA1216, Hybr-iT FKZ 01IS16026A, TransFit FKZ 50RA1701

Videos

M-RoCK+VeryHuman: Whole-Body Control of Series-Parallel Hybrid Robots

Das Video illustriert die Ergebnisse der Arbeit Dennis Mronga, Shivesh Kumar, Frank Kirchner: "Whole-Body Control of Series-Parallel Hybrid Robots", Accepted for Publication: IEEE International Conference on Robotics and Automation (ICRA), 23.5.-27.5.2022, Philadelphia, 2022.

RH5: Motion Capture State Feedback für die Echtzeitsteuerung eines humanoiden Roboters

Das Video veranschaulicht die Ergebnisse der Veröffentlichung Mihaela Popescu, Dennis Mronga, Ivan Bergonzani, Shivesh Kumar, Frank Kirchner: "Experimental Investigations into Using Motion Capture State Feedback for Real-Time Control of a Humanoid Robot", zur Veröffentlichung angenommen: MDPI Sensors Journal, Sonderausgabe "Advanced Sensors Technologies Applied in Mobile Robot", 2022.

Anwendung: Lernen von adaptiven Task Constraints für einen Whole-Body Controller

Anwendung: Optimierungsbasierte Regelung eines industriellen Zweiarmroboters

© DFKI GmbH
zuletzt geändert am 16.11.2023
nach oben