Franka 科研版机器人二次开发和研究案例--Idiap研究所/浙江大学

最新推荐文章于 2025-04-14 11:48:55 发布

PNP机器人

最新推荐文章于 2025-04-14 11:48:55 发布

阅读量533

点赞数 8

文章标签：机器人

本文链接：https://blog.csdn.net/PNP_Robotics/article/details/145769642

版权

集智联机器人为德国 Franka Robotics GmbH中国区金牌战略合作伙伴，负责Frank Robotics在中国区域的关于Franka机器人的销售、渠道拓展、技术支持等工作。

本次系列介绍Franka科研版机器人FR3在科学研究中的案例。本文为中文翻译，请参考原文，论文解释权和所有权属于原作者。

用操作规划来配置空间领域的距离

李一鸣1,2 、池学敏1,3, Amirreza Razmjoo1,2和西尔万 ·卡利农1,2

1Idiap研究所2伊诺克 ·普拉特自由图书馆3浙江大学

项目页面：https://sites.google.com/view/cdfmp/home

摘要-有符号距离场（SDF）是机器人技术中一种流行的隐式形状表示法，它以一种易于与控制、优化和学习技术相结合的形式提供关于物体和障碍物的几何信息。通常情况下，sdf被用来表示任务空间中的距离，这与我们在3D世界中感知到的熟悉的距离概念相对应。然而，sdf可以在数学上用于其他空间，包括机器人配置空间。对于机器人机械手，这个配置空间通常对应于机器人的每个关节的关节角度。虽然在机器人规划中习惯于表示配置空间的哪些部分不与障碍物碰撞，但很少将这些信息视为配置空间中的距离场。在本文中，我们展示了在机器人配置空间中考虑sdf进行优化的潜力，我们称之为配置空间距离场（简称CDF）。与在任务空间中使用SDF类似 , CDF提供了一个有效的关节角度距离查询和直接访问导数（关节角度速度）。大多数方法将任务空间中的一部分分割整个计算，然后在配置空间中分割一部分（计算任务空间中的距离，然后用逆运动学计算动作）。相反，CDF允许通过控制、优化和学习问题以统一的方式利用隐式结构。特别地，我们提出了一种有效的算法来计算和融合CDFs，可以推广到任意场景。在提高计算效率的同时，提出了一种利用多层感知器（MLPs）对应的神经CDF表示方法，以获得一种紧凑而连续的表示方法。我们用平面避障例子和7轴Franka机器人证明了CDF在逆运动学和操作规划任务中的有效性。项目页面：

https://sites.google.com/view/cdfmp/home

1.介绍

距离是最基本和最直观的指标

用来表示多个变量之间的相互关系。在机器人技术中，它们通常被用于测量不同表示之间的几何关系，如点、姿态、轨迹、表面和形状，这些表示被用于各种任务，包括逆运动学 [22,4]和操作规划[18]。有符号距离场（SDF）表示方法已经成为一种流行的表示方法，例如，它可以用于编码从一个点到一个对象边界的欧氏距离。可微性和单位范数梯度特性使其很容易集成到学习[41,6,37]、优化[27,28,36]和控制 [5,26,17]中。

sdf通常用于三维任务空间中。在操作的背景下，一个典型的控制任务由两个步骤组成，首先使用任务空间中的SDF 来评估到对象的距离，然后是一个逆运动学步骤，找到可以减少此距离的关节角度配置。由于任务空间和联合空间之间存在非线性映射，该问题通常通过二阶优化迭代（对应于每次迭代使用雅可比伪逆）来解决。

图1-左描述了在配置空间中可视化的这个过程，其中整个距离场被计算为彩色水平集（在实践中，我们只在机器人当前的关节配置下评估前向运动学函数和相关的雅可比矩阵）。

虽然sdf通常用于三维任务空间，但也可以考虑在其他空间中，包括发生规划和控制问题的机器人关节配置空间。我们在图1-左中看到，当我们将一个SDF从任务空间转换到配置空间时，单位范数梯度的属性消失了，而在图1-右中，这个属性保持不变。我们将这种方法称为配置空间距离场（CDF） , 这是一个标量场，测量配置空间中关节角度和物体几何形状之间的角距离。1-右）。对于操作任务，CDF直接估计机器人与物体建立接触所需的最小关节运动，梯度一致地指向物体。与任务空间中的SDF不同，CDF是直接在构型空间中表示的，保持了距离场的欧氏性质，确保了距离的均匀跨度，并保持了梯度方向上的单位大小。

CDF有几个优点。它自然地连接了任务空间和配置空间，

为问题提供了统一的方法来解决传统的计算。例如，逆运动学问题通常是通过评估任务空间距离，然后计算关节空间运动来解决的。相比之下，CDF通过一步梯度投影来解决了这个问题，避免了高斯-牛顿迭代。它还提供了直观的测地线 , 反映对象几何在配置空间，见图。1.此外，CDF继承了SDF 的优点，包括隐式结构、涉及多个SDF的组合的布尔操作、

高效的查询和可微性。我们还提出了一种被称为神经CDF的神经变体。与神经SDFs类似，神经CDFs还提供了一种紧凑的、连续的、分析性的和潜在的空间表示，从而促进了无缝集成到学习、优化和控制框架中。大多数为sdf开发的方法都可以直接应用于CDF，它直接解决了配置空间中的问题。

图1 : SDF和CDF之间的差异。彩色的水平集描述了到物体的距离，其中黑色的轮廓表示导致机器人-物体表面接触的关节角度。SDF和CDF的零水平集是相同的，但CDF的其他水平集具有均匀扩展距离和单位范数梯度的特征。这一特性导致了可以直接计算的梯度投影，这一步解决了接触任务的逆运动学问题（见青色和粉红色的轨迹），而SDF在遇到奇点时需要多次迭代，甚至可能由于梯度消失而失败（见黄色的轨迹 ) 。CDF上的测地线自然地包裹在配置空间中的物体的形状上（参见蓝色、绿色和紫色的轨迹）。

本文的组织结构如下。第二节回顾了相关的工作。第三节讨论了CDF的公式、性质、计算和融合策略。第四节是隐式神经CDF表征。第五节VI证明了CDF的有效性身体逆运动学和操作计划任务。第七节对本文进行了讨论和总结。本文的主要贡献是：

CDF表示法的引入，为解决配置空间中的机器人操作挑战提供了一个统一的框架。

一种计算对象在配置空间中的零水平集几何形状的有效算法，对应于将导致碰撞的机器人配置集。随后还提出了一种融合策略，将多个CDF在线结合起来，使CDF能够推广到不同的场景。

一种利用多层感知器（MLP）的神经CDF变体，并设计相应的损失函数，从而产生一个简洁和连续的表示。这种变化提供了跨效率、准确性和压缩能力的权衡，同时保持了一个简单和灵活的结构。

在平面机器人和7轴Franka机器人上比较CDF与SDF及其导数的实验。这些实验突出了CDF通过梯度投影解决逆运动学任务的效率，以及它在解决操作规划挑战方面的有效性，从而产生了自然的机器人运动。

2 .相关工作

SDFs在计算机版本和图形学领域获得了广泛的关注，特别是在形状编码[25,9]、网格生成[31]和可微渲染[39,20]方面。它们在距离和梯度查询方面的功效使它们在机器人技术中很受欢迎，并在规划[27,45]，映射[10]，和操作[6]。最近的研究提出用关节角[14]进行SDF编码，或学习机器人操纵器[19]扫体积的 SDF表示，以对铰接机器人的SDF建模，并将其应用于操作任务[16]。

机器人技术中对sdf的主要关注集中在任务空间上，其中配置空间动作通常是通过两个空间[33,29]之间的映射来独立计算的。现有的方法通常使用表示联合配置[32,42]的碰撞状态的二进制映射来对配置空间进行建模，以支持基于样本的运动规划算法[43,3,11]。尽管取得了重大进展，但由于缺乏梯度信息，这些控制和规划策略在高维空间的计算上是昂贵的。

相比之下，在配置空间中考虑一个距离场引入了新的控制和规划策略，通过将焦点从传统的二进制碰撞掩模转移到连续的和结构化的表示。例如，使用这种方法，逆运动学问题简化为构型空间中的SDF回拉，只需要一个梯度投影。更一般地说，CDF能够将为任务空间开发的SDF方法转换到配置空间。计算可以看作是一个点质量系统，而障碍在构型空间中形成拓扑孔，测地线在它们周围产生自然的弯曲路径[28]。该方法可以推广到几何运动规划框架中，包括黎曼运动策略 [29]、几何结构[38]，以及通过在距离场[13,1]上分配度量而进行的动态感知运动优化。