Diskret-kontinuierliche Regelung und modellbasierte Überwachung von humanoiden Robotern mit Petri-Netzen

Transkript

1 , H.-B. Kuntze - für IITB Karlsruhe, Germany Arne Lehmann, Ralf Mikut Forschungszentrum Karlsruhe (FZK) Germany Seite 1

2 Motivation Diskret-kontinuierliche Regelung Petri-Netze und Aktionsprimitive Experimentelle Ergebnisse Zusammenfassung Seite 2

3 Motivation Komplexe Zukunftsaufgaben im industriellen, privaten und öffentlichen Umfeld erfordern Roboter, die mit Menschen intelligent kooperieren und interagieren. Industrielle Robotertechnologie kann diesen Anforderungen nicht genügen! Trend zu intelligenteren und flexibleren humanoiden Robotern: Multi-Sensorik höhere Sicherheit mehr Flexibilität Seite 3

4 Diskret-kontinuierliche Regelung Seite 4

5 Pick & Place Aufgabe Diskret-kontinuierliche Regelung Bewegung über das Objekt PS1 Greifer öffnen und herunter fahren PS2 PSa Aktivierung Kopfkamera Objekt greifen PS3 PSb Annährung PS5 PSa Objekt aufheben PS4 PSc Aktivierung Handkamera Bewegung über die Zielposition PS5 PSd Aufheben absenken PS6 Greifer öffnen und Objekt positionieren PS7 PSc Seite 5

6 Diskret-kontinuierliche Regelung Peg in Hole Tragen Balancieren Wischen Seite 6

7 Modellierung einer Aufgabe durch Petri-Netze Aktionsprimitive und Petri-Netze Stelle Aktionsprimitiv (AP) Konflikt Transition Ereignis Markierung aktuelle AP Konflikt Entscheidung m i = 1 Seite 7

8 Aktionsprimitive und Petri-Netze AP = {HM, τ, λ, E, a} hybride Bewegung Informationen über die Roboterbewegung (Trajektorie, Regler,...) Werkzeugkommandos Informationen über die notwendige Ressourcen (Geifer, Sensoren, ) und ihre Aktionen (öffnen, schließen, aktivieren, ) Abbruchbedingung Informationen über die Beendigung der PS (technischer Defekt, Ziel erreicht, ) Effizienz Informationen über den Zustand der Ressourcen Affinität Informationen über die Ähnlichkeit zwischen verschiedenen APs Seite 8

9 Aktionsprimitive und Petri-Netze E(t) = ΠE i = Π ( av i (t) q i (t) r i (t) ), i = 1,, n E(t) [0,1] (zeitabhängig in Echtzeit berechnet) Ressource { Sensoren, Roboter, Greifer, externe Objekten, } av i {0,1} Verfügbarkeit der Ressource/Messung i ( nicht verfügbar, verfügbar ) q i [0,1] geschätzte Qualität der Ressource/Messung i ( unbrauchbar schwache Leistung funktionsfähig ) r i [0,1] Zuverlässigkeit der geschätzten Qualität i ( unzuverlässig zuverlässig ) Effizienz Seite 9

10 Aktionsprimitive und Petri-Netze Affinität zwischen einer AP i und der entsprechenden optimalen AP opt : a i =f(p) [0,1] p = Vergleichsparameter {Zeit, Genauigkeit, } (a priori Wissen - zeitunabhängig) A priori optimale Wahl: Ziel erreicht mit Sensor A a = 1 Ungenauere Wahl: Ziel erreicht mit Sensor B a = 0.8 Langsamere Wahl: Ziel erreicht mit Sensor C a = 0.6 Seite 10

11 Aktionsprimitive und Petri-Netze Dezentralisierte Entscheidung auf AP-Ebene PS0 on-line decision f(e PSi a i ) - für automatisch generierbare Aufgaben verwendbar - keine steigende Komplexität E PS1 Fuzzy-based efficiency evaluation PS1 E PS2 Fuzzy-based efficiency evaluation PS2 PS3 E PS3 Fuzzy-based efficiency evaluation Seite 11

12 Aktionsprimitive und Petri-Netze Störungen des Routinebetriebs (u.u. nicht planbar): Unvorhergesehene Ereignisse Stabilitätsprobleme unterlagerter Regelkreise Ausfall von Hardwarekomponenten Nicht realisierbare Aufgaben Änderungen des Plans durch den Benutzer Ausnahmebehandlung: Erfordert zusätzliche Stellen und Transitionen in den Petri-Netzen sehr komplexe Petri-Netze Lösungsvorschlag: Dekomposition von Routinebetrieb und Ausnahmebehandlung durch Gliederung in Durchführungs- und Verwaltungsnetze Seite 12

13 Aktionsprimitive und Petri-Netze Durchführungsnetz: beschreibt Roboteraufgabe Verwaltungsnetz: regelt Ausnahmebehandlung T_Ac (Continue) T_St (Stop) T_Ca (Cancel) T_St T_Ac T_Ca A_Ac A_St A_Ca Ausschnitt Verwaltungsnetz gleiche Funktionalität einheitlicher Entwurfsprozess, geringere Fehleranfälligkeit vor allem bei komplexen Roboteraufgaben Seite 13

14 Experimentelle Ergebnisse Kopfkamera decision Handkamera Localize and move by head camera Localize and move by hand camera Localize and move by tactile sensors Grasp taktile Sensoren Seite 14

15 Aktionsprimitive und Petri-Netze Qualität einer Kamera q camera = f(n, r, l) n= Rauschen r = Arbeitsbereich l = Helligkeit too near 0.5 low good Sensor noise high too far If (Noise is High) or (Range is too Far) or (Illumination is Low) then (Quality is Low) If (Noise is Low) and (Range is Good) and (Illumination is High) then (Quality is High) low Sensor range Luminosity high Seite 15

16 Experimentelle Ergebnisse Seite 16

17 Ausnahmebehandlung Experimentelle Ergebnisse decision vertikal ausweichen seitlich ausweichen Localize and move by head camera Localize and move by hand camera Localize and move by tactile sensors Grasp Seite 17

18 Experimentelle Ergebnisse Seite 18

19 Zusammenfassung - Humanoide Roboter sollten in einem dynamischen und unbekannten Umfeld agieren. - Um diese anspruchsvolle Anforderung zu bewältigen, wurde eine diskretkontinuierliche Regelung entwickelt. - Eine dynamische Aufgabenstruktur basierend auf Aktionsprimitive und Petri- Netzen wurde präsentiert sowohl als Werkzeug für eine flexible Programmierung als auch als effizientes Mittel für eine Echtzeit- Entscheidungsfindung und Ausnahmebehandlung. - Erste experimentelle Ergebnisse wurden gezeigt. Seite 19

20 Kontakte Seite 20

21 Experimentelle Ergebnisse Seite 21