Entwicklung eines strukturvariablen Neuro-Fuzzy-basierten Regelungskonzeptes für humanoide Roboter Giesen, K.; Frey, C.-W., ; Kuntze, H.-B. - IITB Karlsruhe, Germany Kuntze@iitb.fraunhofer.de page 1
Inhalt 1 Motivation 2 State of the Art 3 Strukturvariables Regelungskonzept für humanoide Roboter 4 Experimentelle Roboter-Sensor- und Simulations-Plattform 5 Fallbeispiel 6 Zusammenfassung page 2
1. Motivation Gegenwärtige Situation in der industriellen Fertigung: Steigende Komplexität der Fertigungsaufgaben Steigende Häufigkeit von Produktwechseln Abnehmende Stückzahlen der Produkte Einführung von intelligenteren, sichereren und flexibleren Robotern: Multi-Sensorik für bessere Kommunikation und Integration mit der Umgebung Enge Mensch-Roboter Partnerschaft für kooperative Lösungen komplexer Aufgaben Erlernbarkeit anspruchsvoller menschlicher Fähigkeiten Höchste Sicherheit und Verfügbarkeit durch Fehlertoleranten Hard- und Softwarekomponenten Offene dynamische Rekonfiguration Anwendungsspezifischer Hard- und Softwarekomponenten (z.b. Sensoren, Regler etc.) page 3
1. Motivation Gegenwärtige Industrieroboter entsprechen nicht diesen Anforderungen! ngen! SFB 588 Teilprojekt R2: Multisensorielle Überwachung und Situationsdiagnose Überwachung durch externe Sensoren Intelligente Sensorfusion mit Neuro-Fuzzy-Konzepten Sicherheits- und Stabilitätsüberwachung Multimodale strukturvariable Regelung Optimale Steuerung und Regelung durch situationsspezifische Algorithmen Weiche Aktivierung der Teilregler Fuzzy-basierte Strategien zur stabilisierenden Reglerauswahl und -adaption page 4
2. State of the Art Positions- und Geschwindigkeitsregelung von Robotern (Achsspezifische Servo- Regelung) Zahlreiche effiziente Regelungskonzepte wurden in der Vergangenheit entwickelt: Modellbasierte Ansätze (inverse system control, adaptive Regelung, prädiktive Regelungskonzepte) Heuristische Fuzzy- und Neuro-Fuzzy Ansätze Anwendung auf Starrkörper- und elastische Roboter Sensorbasierte Regelungskonzepte (externe Regelschleifen) Nur für spezielle Anwendungen mit einzelnen Anwendungsspezifischen taktilen oder Bildverarbeitenden Sensoren Fehlen von generischen sensorbasierten Überwachungs- und Regelungskonzepten Speziell zugeschnittene Regelungssoftware ist nicht flexibel genug für angrenzende Anwendungen page 5
2. State of the Art Mensch-Roboter Kooperation Derzeit sind Personen völlig von der Arbeitsumgebung der Roboter isoliert (Sicherheitsbestimmung) Kooperation nur zwischen einzelnen Robotern (z.b. Montagestraßen) Integration von Personen ist Gegenstand laufender Forschung (z.b. MORPHA 2000; SFB 588: Humanoide Roboter -Lernende und kooperierende humanoide Roboter, 2001) Fehlertolerante Roboterregelung Sensorbasierte Konzepte zur Kollisionsvermeidung sind verfügbar, hauptsächlich zur Bahnplanung, weniger für operative Kollisionsvermeidung Fehlerdetektion und -Isolation (FDI), sowohl modellbasierte (z.b. [De Luca 2002]) als auch Heuristische, Signalbasierte Ansätze (z.b. IITB 1982) Strukturvariable, Fehlerredundante Regelungen (FTC) sind Gegenstand laufender Forschung (z.b. IFATIS 2002) page 6
3. Strukturvariables Überwachungs- und Regelungskonzept für humanoide Roboter Neuro-Fuzzy- und/oder Modellbasierte Überwachung und Regelung eines Roboters Prozessphasen- und -fehlerdiagnose Strukturumschaltung Roboter-Sensor System page 7
3. Strukturvariables Überwachungs- und Regelungskonzept für humanoide Roboter Technische Diagnose: Sensorsignale Merkmalextraktion Merkmalauswertung Prozessphasen/Fehlerklassifikation Zweistufiger Prozess beinhaltet Merkmalextraktion und -auswertung Ziel der Merkmalextraktion: Extrahierung charakteristischer und relevanter Signalinformationen Signalbasierte Methoden (Frequenzanalyse wie z.b. Fourier- und Waveletanalyse, Schwellwertvergleich) und modellbasierte Methoden können angewandt werden Merkmalauswertung stellt logischen Entscheidungsprozess dar bei dem quantitatives Wissen (Merkmale) in qualitatives Wissen transformiert wird Anwendung statistischer Methoden und/oder Methoden der künstlichen Intelligenz (z.b. neronale Netz, Fuzzy-Logik und Neuro-Fuzzy- Klassifikation page 8
3. Strukturvariables Überwachungs- und Regelungskonzept für humanoide Roboter Modelbasierte Merkmalextraktion: - Nominelles Prozessmodell (z.b. Robotermodell) M ( qq )!! + cqq (,!) + gq ( ) + Fq! + Fsign( q! ) = u u = u M - Typische Fehler (z.b. - Laständerungen;, - Veränderung der Reibung u eff - Fehlerrelevante Merkmale : v s c f eff F v F s qqq,!!!, (Bewegungsgrößen) uc u (Sollmoment) f (Fehlermoment) Roboter- Modell u" eff ueff ueff (effektives Antriebsmoment) page 9
3. Strukturvariables Überwachungs- und Regelungskonzept für humanoide Roboter Signalbasierte Merkmalextraktion: Starke Abhängigkeit der Methoden vom auszuwertenden Signaltyp Schmalbandiges Signal Standardmethoden, z.b. - Schwellwertbewertung - Trendanalyse Breitbandiges Signal Frequenzanalyse, z.b. - Fast Fourier Transformation (FFT) - Wavelet Transformation (WT) page 10
3. Strukturvariables Überwachungs- und Regelungskonzept für humanoide Roboter Merkmalextraktion mittels Wavelet Transformation - Kombinierte Zeit-/Frequenz- Informationen sind höchst wünschenswert - FFT und WFT keine Zeitinformation - Zeit und Frequenzinformation bei Analyse mit Wavelet Transformation W ( a, b) = 1 a t s () t h * a, b mit der Waveletfunktion h a, b () t t b dt a t b = cos ω 0 exp a 1 2 t a b 2 Beispiel: mit: a b = 1 ω - scale Parameter (Frequenz) - shift Parameter (Zeit) page 11
3. Strukturvariables Überwachungs- undregelungskonzept für humanoide Roboter Konzept der Wavelet Neural Networks: Anwendbar zur Mustererkennung in Signalen s j 1 1 1 w w w w Wavelet Layer w w w w Perceptron Layers o net,j Wavelet-Knoten k wird berechnet mit s o k o ( a, b) = k t s () t Ausgabe eines Neurons in layer m o n,1 w 1,m o n,2 o m o n,k w k,m o m h = 1 + exp w k k t b ak k, m Minimierung des quadratischen Fehlers E = j ( ) 1 2 d j o net, j = min 2 o k n, k page 12 dt 1
3. Strukturvariables Überwachungs- und Regelungskonzept für humanoide Roboter Fuzzy-basierte Merkmalauswertung Fuzzy-basierte Schwellwertbewertung ist realistischer als binäre Auswertung Standard-Auswertung schlechte Bewertung Mess-Signal Fuzzy-Auswertung realistischere Bewertung page 13
3. Strukturvariables Überwachungs- und Regelungskonzept für humanoide Roboter Neuro-Fuzzy Fuzzy-basierte Merkmalauswertung (NEFCLASS [Nauck / Kruse]) Merkmale Eingabeschicht µ 1 µ i µ n 1 1 1 1 Prozessphasen- / -Fehlerklassen Verdeckte Schicht Ausgabeschicht - Fuzzy-Transformation der Prozessmerkmale (physikalische Variablen linguistische Variablen ) - Dreischichtiges Neuronales Netz - Lernalgorithmus erzeugt datenbasiert Regeln und Adaptiert die Mitgliedsfunktionen (Form, Verschiebung) - Regelbasierte Merkmalbewertung, z.b. If µ 1 is small and is big and µ 2 # then process phase / fault is µ i µ i - Manuelles justieren ( ) nach Lernphase ist möglich transparenter und flexibler als ein neuronales Netzwerk page 14
3. Strukturvariables Überwachungs- und Regelungskonzept für humanoide Roboter Strukturvariables Regelungskonzept Regelgrößen Sollwerte Regler 1 Regler i Regler n Prozess- Variable Prozessphasen-/ -fehlerdiagnose µ Fuzzy mode selector soft switching Stell- Größen Störungen Optimale Regelung Charakteristischer Prozessphasen bzw. Fehlerfälle durch spezifische Sub-Regler weiche" Aktivierung oder Deaktivierung der unterschiedlichen Regler (z.b. Kraft- Positionsregelung Heuristische, fuzzybasierte Strategien zur Auswahl der Regeler und stabilisierenden Parameteradaption page 15
4 Experimentelle Roboter-Sensor- und Simulations-Plattform Experiment 2 DOF-Sensorkopf, Stereokamera, Mikrophon-Array 7 DOF-Roboter IGRIP- Simulation Kraft-/Momenten-Sensor Greifer mit integirietem bildgebenden Sensor Handhabungsobjekt Projezierte Lichtmuster page 16
4 Experimentelle Roboter-Sensor- und Simulations-Plattform Benchmark Experiment:»peg into hole problem«phase D: Kraft-/Positionsgeregeltes Fügen des Objektes Phase C: Positionsregelung während der freien Transportbewegung Phase A: Annäherung an ein Objekt Phase B: Kraftgeregeltes Greifen des Objektes page 17
4 Experimentelle Roboter-Sensor- und Simulations-Plattform Strukturvariables Regelungskonzept einer hybriden Kraft- / Positionsregelung Heuristic Fuzzymode selection Processphase- / -fault diagnosis page 18
5.Fallbeispiel Unerwartetes Herausfallen eines Objektes Greifer verliert ein gegriffenes Objekt während einer kartesischen Linearbewegung (Fehlerereignis) Aus dem Verlieren des Objektes resultieren Ein Sprung der Gravitationskraft, die am Greifer angreift Ein messbares Geräusch (Aufschlag) verlorenes Werkstück page 19
5.Fallbeispiel Gemessene Bewegungsgrößen der Achsen 1 bis 5 bei einer kartesischen linearbewegung (Normalfall) page 20
5.Fallbeispiel Gemessene Kräfte im TCP bei einer kartesischen Linearbewegung (Normalfall) mit Last: Lastfrei: page 21
5.Fallbeispiel Gemessene Signale bei einer kartesischen Linearbewegung Herausfallen Zunehmendes Moment durch Schleifen des Objektes auf der Oberfläche Aufschlag page 22
5.Fallbeispiel page 23
5.Fallbeispiel page 24
5.Fallbeispiel Normalfall Aufschlag Werkst. verloren Schleifen page 25
6. Zusammenfassung Zukünftige komplexe Aufgaben werden intelligentere, sicherere und flexiblere Roboter-Sensor-Systeme benötigen, die fähig sind mit Menschen physikalisch zu interagieren Gegenwärtige Robotertechnologien genügen nicht diesen erweiterten Forderungen Gegenstand des des SFB588 R2 Teilprojektes ist die Entwicklung neuer Überwachungs- und strukturvariabler Regelungskonzepte zur Bewältigung dieser Aufgabe Modell- und signalbasierte Merkmale werden mittels Neuro-Fuzzy Methoden zur Situationsüberwachung eines Roboters angewandt und dienen als Entscheidungsgrundlage bei der Reglerumschaltung und -adaption Erste Ergebnisse der laufenden Forschungs- und Entwicklungsaktivitäten wurden in diesem Vortrag präsentiert page 26