Human-Inspired Compliant Controllers for Robotic Assembly

Abstract

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. Durch 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 D