Human-Inspired Compliant Controllers for Robotic Assembly

Automatisierung mit Robotern ist ein fester Bestandteil moderner Fertigungsprozesse und in vielen Industrienationen ein wichtiger Treiber von Wettbewerbsfähigkeit. Das Programmieren der Roboter erfordert dabei in der Regel Expertenwissen. In einem typischen Prozess werden Trajektorien offline erstellt und vor Ort an der Anlage nachjustiert.
Das Ergebnis ist eine hochgenaue Beschreibung von speziellen Anweisungen mit stark eingeschränkter Anpassungsfähigkeit an kleinsten Positionsänderungen der Werkstücke. Besonders kraftsensitive Fügevorgänge sind jedoch sehr schwer zu programmieren und automatisieren. ... mehrDurch Lokalisierungsfehler werden Unsicherheiten in die Prozessketten eingebracht, die in Verbindung mit dem geringen Spiel der Bauteile bereits bei geringen Fluchtungsfehlern zu Verklemmungen und Verkantungen führen. Das Lösen dieser Aufgaben kann nicht durch das bloße Abspielen von vorprogrammierten Bewegungen robust erreicht werden und benötigt daher häufig nach wie vor manuelle Montage. Die
Übertragung von menschlichem Geschick in Roboterprogramme scheitert dabei vor allem an genauen Anweisungen zur Handhabung der Unsicherheiten, die wir eher intuitiv lösen: Bei manueller Montage lässt sich an der richtigen Stelle etwas drücken, drehen oder rütteln, diese Strategien sind jedoch technisch schwer zu quantifizieren und nachzubilden.
Die vorliegende Arbeit stellt einen hybriden Ansatz zwischen modellbasierten und daten-getriebenen Methoden vor, diese Strategien und Fähigkeit (engl. Skills) aus menschlichem Vormachen zu extrahieren und durch neu entwickelte Kraftregler auf Industrie-Roboter zu übertragen.
Der Fokus liegt auf Robotern mit gelenkseitiger Positions- oder Geschwindigkeitsregelung. Diese Systeme sind in industriellen Anlagen weit verbreitet und können über einen am Roboterflansch montierten Kraft-Momenten-Sensor durch eine äußere Regelungsschleife mit Nachgiebigkeit aufgerüstet werden. Eine kraftsensitive Interaktion ist in diesen Fällen erforderlich um große Reaktionskräfte zwischen Bauteil und Roboter zu
vermeiden. Die Arbeit adressiert Anwendungsfälle, in denen die reale Hardware nicht für die Programmierung zur Verfügung steht. Systeme im Einsatz können damit durch ein Software-Update mit den neuen Fähigkeiten umgerüstet werden.
Die vorliegende Arbeit untersucht zunächst vorhandene Ansätze zur Implementierung von Nachgiebigkeitsregelung für die betrachteten Robotersysteme. Anschließend werden verwandte Arbeiten im Bereich des Skill-Learning in der Robotikforschung mit Fokus auf Montage-Applikationen analysiert und diskutiert. Eine qualitative Analyse bewertet die verschiedenen Ansätze unter aufgestellten Gütekriterien und motiviert die Kombination Modellbasierter mit datengetriebenen Methoden.
Die betrachteten Fügevorgänge werden in einem Simulator nach modelliert und über Teleoperation mit einem Joystick ausgeführt. Der Einsatz von Simulation stellt im Allgemeinen hohe Anforderungen an den Realismus physikalischer Effekte um den Transfer der Lösungsansätze auf die reale Hardware zu garantieren. Die vorliegende Arbeit löst dieses Problem indem typische Verkantungen, die bei der späteren Ausführung mit dem Roboter auftreten können, mit erhöhten Reibwerten bewusst übertrieben werden. Physikalische Ungenauigkeiten im simulierten Kontaktverhalten der Bauteile werden genutzt, um die Montage auf künstliche Weise zu verkomplizieren und verlangen
dadurch beim Vormachen und Lösen der Aufgabe mit dem Joystick robuste Strategien durch die Bediener.
Durch Aufzeichnung der kommandierten Steuerbefehle und der Relativbewegung der Bauteile werden Datensätze erhalten, die menschliche Skills implizit in das iterative Zusammenspiel zwischen eigenen Aktionen und beobachteter Auswirkung einbetten.
Basierend auf diesen Datensätzen wird die Modellierung der Skills anschließend als überwachtes Lern-Problem formuliert. Die Skills werden über spezielle Rekurrente Neuronale Netze modelliert, die reaktives Verhalten aus den aufgezeichneten Daten lernen und mit probabilistischen Komponenten die Ambivalenz des Hin-und-her-Probierens in engen Kontakten nachbilden können. Die Eingangs- und Ausgangsdaten der Skills werden dabei in roboterunabhängigen, objektbezogenen Koordinaten formuliert, wodurch
die Skills frei im Arbeitsraum des Manipulators durch eine geeignete kartesische Regelung angewendet werden können.
Zum Transfer der Skills auf Roboter wird ein neuartiger Regelungsansatz entwickelt, der das Prinzip der Dynamiksimulation auf die Kraftregelung überträgt. Während der Ausführung generieren die gelernten Skill-Modelle vom Menschen inspirierte Steuersignale, die mit den Sollgrößen der Robotertrajektorien und den gemessenen Kontaktkräften des Sensors überlagert werden. Die resultierende Größe wird anschließend als Anre-
gung für ein virtuelles Modell des Roboters verwendet, das die Bewegung für den echten Roboter vorsimuliert und ihn damit steuert. Über eine einfach anzuwendende Parametrisierung des virtuellen Systems kann ein lineares Verhalten im kartesischen Arbeitsraum des Reglers erreicht werden. Das Problem der Inversen Kinematik in singulären Gelenkkonfigurationen wird auf physikalisch plausible Weise durch den dynamikbasierten Regler gelöst und bietet damit eine stabile Alternative zu bestehenden Ansätzen.
Die entwickelten Theorien und Methoden werden in Experimenten in Simulation und auf Hardware evaluiert. Parameterstudien in Simulation untersuchen die Fähigkeit des vorgestellten Skill-Modells die Datensätze zu lernen und prüfen die Robustheit ihrer Ausführungen. Der neu entwickelte, dynamikbasierte Ansatz zur Lösung des Inversen Kinematik Problems wird gegen ausgewählte Referenzmethoden abgeglichen und mit dem neuen Regler auf verschiedenen Robotersystemen getestet. Ein abschließender Skill-Transfer von Simulation auf echte Hardware zeigt das Gesamtkonzept anhand zwei ausgewählter Anwendungen. Die Methoden und Beiträge der Arbeit werden im Folgenden
im Detail erörtert.

Robotic automation is a key driver for the advancement of technology. Programmed by trained engineers and application programmers, industrial manipulators execute fast and repetitive tasks through highly precise instructions. While this is an established process for motion generation with little contact, force-sensitive assembly is still very challenging to program and automate. Based on constraint formulations, these recipes are strongly limited in their adaptivity to slight changes in positioning and unforeseen jamming. Human sensing and cognition, on the contrary, are powerful sources of inspiration
... mehr
but finding technical representations for these skills and translating them into robot controllers is part of ongoing research.
This work presents methods to extract and learn assembly skills from human performance and to transfer them into controllers on industrial robots. By combining model-based and data-driven approaches, the programming is reduced to robot-independent teleoperation of assembly tasks in a simulation environment. A special form of a recurrent neural network mimics this recorded behavior and learns force-sensitive strategies to handle part jamming and wedging for autonomous execution. This skill is then transferred to industrial robots with a novel, unifying force controller. The focus of this work lies on investigating technical realizations of such skills and their programming, and on
the special requirements posed by compliant control for industrial robots. The developed methods are implemented in software and evaluated both in simulation and on real robotic manipulators. With this modeling and programming approach, this thesis hopes to contribute valuable insights towards the goal to endow robots with human skills for assembly.