Fang, G. ; Wang, X. ; Wang, K. ; Lee, K. ; Ho, J. ; Fu, H. ; Fu, D. ; Kwok, K. (2019). Vision-Based Online Learning Kinematic Control for Soft Robots Using Local Gaussian Process Regression. IEEE Robotics and Automation Letters. https://doi.org/10.1109/lra.2019.2893691
@article{Fang_2019, title={Vision-Based Online Learning Kinematic Control for Soft Robots Using Local Gaussian Process Regression}, volume={4}, ISSN={2377-3774}, url={http://dx.doi.org/10.1109/lra.2019.2893691}, DOI={10.1109/lra.2019.2893691}, number={2}, journal={IEEE Robotics and Automation Letters}, publisher={Institute of Electrical and Electronics Engineers (IEEE)}, author={Fang, Ge and Wang, Xiaomei and Wang, Kui and Lee, Kit-Hang and Ho, Justin D. L. and Fu, Hing-Choi and Fu, Denny Kin Chung and Kwok, Ka-Wai}, year={2019}, month=apr, pages={1194–1201} }
소프트 로봇은 탄성체 재료로 인해 주변과 안전하게 상호작용할 수 있다. 그러나 이러한 순응성은 정밀 운동 제어와의 상충을 초래하며, 이를 위해 기존에는 로봇 기구학을 근사하는 모델 기반 방법들이 제안되었다. 하지만 로봇 변형과 외란에 관한 많은 파라미터는 매우 비선형일 수 있어 획득이 어렵거나 불가능하다. 모델링 불확실성과 외란을 보상하려면 로봇 자체 센서가 필요하다. 로봇 말단에 카메라를 통합한 eye-in-hand 구성이 일반적이다. 이에 본 연구는 더 정밀한 작업 수행을 위해 학습 기반 제어기를 결합한 eye-in-hand 비주얼 서보를 제안한다. Local Gaussian Process Regression을 사용해 로봇 및 카메라 파라미터의 사전 지식 없이 역매핑을 온라인으로 초기화·정제한다. 또한 실험 검증을 통해, 초탄성 로봇이 궤적 추적 중 외부 가변 하중을 보상할 수 있음을 보인다.
저자들은 eye-in-hand 비주얼 서보와 local Gaussian Process Regression(LGPR)을 결합한 온라인 학습 제어기를 제안합니다.