Entorno de Gym basado en impedancia para el robot colaborativo IIWA de cara a interacción humano robot

• Montesino Valle, Ignacio ^[1] ; Łukawski, Bartek ^[1] ; Victores, Juan G. ^[1] ; Jardón Huete, Alberto ^[1] ; Balaguer, Carlos ^[1]
  1. [1] Universidad Carlos III de Madrid

     Universidad Carlos III de Madrid

     Madrid, España

     
• Localización: XLIII Jornadas de Automática: libro de actas: 7, 8 y 9 de septiembre de 2022, Logroño (La Rioja) / coord. por Carlos Balaguer Bernaldo de Quirós, José Manuel Andújar Márquez, Ramón Costa Castelló, C. Ocampo-Martínez, Juan Jesús Fernández Lozano, Matilde Santos Peñas, José Simó, Montserrat Gil Martínez, José Luis Calvo Rolle, Raúl Marín, Eduardo Rocón de Lima, Elisabet Estévez Estévez, Pedro Jesús Cabrera Santana, David Muñoz de la Peña Sequedo, José Luis Guzmán Sánchez, José Luis Pitarch Pérez, Óscar Reinoso García, Óscar Déniz Suárez, Emilio Jiménez Macías, Vanesa Loureiro-Vázquez, 2022, ISBN 978-84-9749-841-8, págs. 762-769
• Idioma: español
• Títulos paralelos:
  • Impedance based Gym environment for the IIWA Collaborative robot towards human robot interaction
• Enlaces
  • Texto completo
• Resumen
  • español

    A medida que aumenta la fisioterapia de rehabilitación, también aumenta el deseo de soluciones robóticas robustas y adaptables para estandarizar y automatizar procedimientos comunes. Sin embargo, las técnicas de control modernas todavía tienen que migrar a entornos centrados en la interacción humana como los que requiere la fisioterapia. Esto se debe en gran parte a la falta de entornos de aprendizaje que puedan aprovechar los modernos robots con control de fuerzas. El objetivo de este artículo es introducir un nuevo entorno de aprendizaje por refuerzo (RL) para el entrenamiento de un manipulador robótico controlado por fuerza tanto en simulación como en el mundo real. Este problema puede dividirse en tres componentes, cada uno de los cuales depende del anterior. En primer lugar, se requiere un controlador de control robusto que sirva de puente entre el lenguaje de programación nativo de los robots (C++) y el lenguaje de programación Python, donde se implementan la mayoría de los algoritmos de RL. En segundo lugar, un controlador de impedancia cartesiana que pueda ajustarse para funcionar en la simulación y en el mundo real, abstrayendo la mayor parte de la complejidad de la de la dinámica de cuerpos rígidos. Y, por último, la construcción del entorno RL basado en la omnipresente interfaz OpenAI Gym.

  • English

    As rehabilitation physiotherapy is on the rise, so too is the desire for robust and adaptable robotic solutions to standarise and automate common procedures. Yet modern control techniques have still to migrate to human-interaction centered environments such as the ones required in physiotherapy. This is in great part due to the lack of learning environments that can leverage modern force controlled robots. The aim of this paper is therefore to introduce a new reinforcement learning (RL) environment for learning and training of a force controlled robotic manipulator both in simulation and in the real world. This problem can be divided into three components, each one depending on the last one. First, a robust control driver is required that bridges between the robots native programming language (C++) and the Python programming language, where most RL algorithms are implemented. Second, a cartesian impedance controller that can be fitted to work both in simulation and in the real world, abstracting away most of the complexity of rigid body dynamics. And finally the construction of the RL environment based on the ubiquitous OpenAI Gym interface.