Průzkum pracovního prostoru robota pomocí detekce a izolace kolizí

Abstract

Roboti stále častěji pracují v prostředí, kde dochází ke spolupráci s lidmi. V takových případech je pro zajištění bezpečnosti nezbytné spolehlivě detekovat fyzický kontakt a adekvátně na něj reagovat. Senzory momentu v kloubech robota představují alternativu k vnějším senzorům pro detekci a lokalizaci kolizí. Tato práce se zabývá problémem, jak umožnit robotovi autonomně prozkoumávat a mapovat svůj pracovní prostor na základě detekce a lokalizace kolizí, a to prostřednictvím měření externích momentů působících na jeho konstrukci. Ukazujeme, že robot KUKA LBR iiwa se sedmi stupni volnosti (7-DOF) je schopen detekovat a lokalizovat překážky ve svém pracovním prostoru pomocí válcové aproximace a kolizně založeného přístupu, který spoléhá výhradně na proprioceptivní snímání. Pomocí implementace dvou typů prohledávacích strategií tato práce demonstruje, že robot je schopen lokalizovat kontaktní body s přiměřenou přesností. Přesnost lokalizace však klesá v konfiguracích blížících se k singulárním pozicím, což vede k větším chybám v odhadu místa kontaktu.

Robots increasingly operate in collaborative environments with humans, where detecting and responding to physical contact is essential for ensuring safety. In such contexts, internal joint torque sensors offer an alternative to external sensing for detecting and localizing physical collisions. This work addresses the problem of enabling a robot to autonomously explore and map its workspace by detecting and localizing collisions through measurements of external torques acting on a robot. We demonstrate that a 7-DOF KUKA LBR iiwa robot can detect and localize obstacles in its workspace using a cylindrical approximation and collision-driven approach based solely on proprioceptive sensing. Implementing two types of search strategies, the main findings show that a robot can localize contact points with reasonable accuracy. However, the accuracy decreases in near-singular configurations and leads to larger localization errors.