Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Data-Driven Model Predictive Control for the Contact-Rich Task of Food Cutting
KTH, Skolan för elektroteknik och datavetenskap (EECS), Robotik, perception och lärande, RPL. KTH, Skolan för elektroteknik och datavetenskap (EECS), Centra, Centrum för autonoma system, CAS.
Division of Systems and Control, Dept. of Electrical Engineering, Chalmers University of Technology, Gothenburg, Sweden.ORCID-id: 0000-0001-5129-342X
Center for Applied Autonomous Sensor Systems (AASS), Örebro University, Örebro, Sweden.ORCID-id: 0000-0003-3958-6179
KTH, Skolan för elektroteknik och datavetenskap (EECS), Robotik, perception och lärande, RPL. KTH, Skolan för elektroteknik och datavetenskap (EECS), Centra, Centrum för autonoma system, CAS.ORCID-id: 0000-0003-2965-2953
2019 (Engelska)Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Modelling of contact-rich tasks is challenging and cannot be entirely solved using classical control approaches due to the difficulty of constructing an analytic description of the contact dynamics. Additionally, in a manipulation task like food-cutting, purely learning-based methods such as Reinforcement Learning, require either a vast amount of data that is expensive to collect on a real robot, or a highly realistic simulation environment, which is currently not available. This paper presents a data-driven control approach that employs a recurrent neural network to model the dynamics for a Model Predictive Controller. We build upon earlier work limited to torque-controlled robots and redefine it for velocity controlled ones. We incorporate force/torque sensor measurements, reformulate and further extend the control problem formulation. We evaluate the performance on objects used for training, as well as on unknown objects, by means of the cutting rates achieved and demonstrate that the method can efficiently treat different cases with only one dynamic model. Finally we investigate the behavior of the system during force-critical instances of cutting and illustrate its adaptive behavior in difficult cases.

Ort, förlag, år, upplaga, sidor
2019.
Nationell ämneskategori
Teknik och teknologier Robotteknik och automation
Identifikatorer
URN: urn:nbn:se:kth:diva-258796OAI: oai:DiVA.org:kth-258796DiVA, id: diva2:1351463
Konferens
The 2019 IEEE-RAS International Conference on Humanoid Robots, Toronto, Canada, October 15-17, 2019.
Anmärkning

QC 20191021

Tillgänglig från: 2019-09-16 Skapad: 2019-09-16 Senast uppdaterad: 2020-01-31Bibliografiskt granskad

Open Access i DiVA

fulltext(2174 kB)66 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 2174 kBChecksumma SHA-512
8439fe17e30eb0cb7e9b64cf06c9462d4a0c1d50aeded64c835a7bea26fe1e0cbb257059311809bbdaca62b212331efe0c3a863831340582db894b12f1491122
Typ fulltextMimetyp application/pdf

Övriga länkar

Conference

Personposter BETA

Mitsioni, IoannaKarayiannidis, YiannisStork, Johannes A.Kragic, Danica

Sök vidare i DiVA

Av författaren/redaktören
Mitsioni, IoannaKarayiannidis, YiannisStork, Johannes A.Kragic, Danica
Av organisationen
Robotik, perception och lärande, RPLCentrum för autonoma system, CAS
Teknik och teknologierRobotteknik och automation

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 66 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 141 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf