Contribution to the parametric identification of dynamic models : application to collaborative robotics
Identification appliquée à la robotique collaborative
Résumé
Robotics has played an important role on industrial changes over the last decades, allowing to reduce costs, improve quality, increase productivity and reduce dangers for employees. Even though robots were first designed to work in industrial scenarios inside cages, there has been a tendency over the last years to delete these barriers and allow the robots not only to share their workspace with humans, but also their tasks and objectives.
This has widened their application area whose result is an increasingly frequent appearance of robots in our daily lives and a necessity to master the robot in a better way. Whether it is needed to design a control law, simulate the system to predict future states, or perform fault or collision detection, an accurate and reliable model is mandatory. The best way to do this is by gray-box modeling techniques: they make use of the knowledge of the physical laws that govern the system and of experimental data. The increasingly complexity of the systems and its surroundings, and the need to redefine the model while the system is running, bring these techniques back into the spotlight.
In the context of this thesis, the focus is made on the development and enhancement of parameter estimation methods to be applied in the identification of the dynamic model of robotic systems. The case of collaborative robotics is studied by validating all the methods with the KUKA LBR iiwa 14 R820. However, our methods are general and applicable to a wide variety of robots, as results using the Pioneer LX 2-wheels differential drive mobile robot and the Stäubli TX40 industrial manipulator are also shown.
The contributions are presented in two main axes. On the one hand, offline en-bloc estimation methods are treated, which are usually used to have a first idea of the model. Considering that the parameters have a physical meaning and that measurements are inherently noisy, the first proposed algorithm is robust against noise and ensures physical consistency of the estimates.
The second proposed method addresses two other hindrances: the facts that manufacturers of commercial robots often hide important information and measurements to the users due to copyright and safety reasons; and the important but not fully understood friction phenomenon. The method identifies the model that the manufacturer has included in their controller in a reverse-engineering process, and uses it to estimate friction parameters.
On the other hand, in systems that change during time or interact with an unknown dynamically changing environment, the estimation of the model and its parameters must be updated in an online basis. For this purpose, recursive variants must be analyzed. Aspects as algorithm initialization, stability of estimates and computing time gain importance. In this context, we first develop a new method that yields consistent estimates with noisy measurements, its robust against initial values and does not require an external simulation of the system. Second, although it is known that global identification is more accurate than sequential identification, sometimes the latter is the only possibility. We develop new methods which propagate the statistical distribution of estimates in the different identification steps, leading to no loss of information and more precise estimates. Finally, some of these methods are tested in several online scenarios which include human interaction and different payloads.
La robotique a joué un rôle important dans les changements industriels de ces dernières décennies, permettant de réduire les coûts, d’améliorer la qualité, d’augmenter la productivité et de réduire les dangers pour les employés. Bien que les robots aient d’abord été conçus pour travailler dans des scénarios industriels à l’intérieur de cages, on a eu tendance ces dernières années à supprimer ces barrières et à permettre aux robots non seulement de partager leur espace de travail avec les humains, mais aussi leurs tâches et leurs objectifs. Cela a élargi leur champ d’application, avec pour résultat une apparition de plus en plus fréquente des robots dans notre vie quotidienne et la nécessité de mieux maîtriser le robot. Qu’il s’agisse de concevoir une loi de commande, de simuler le système pour prédire les états futurs ou d’effectuer la détection de défauts ou de collisions, un modèle précis et fiable devient nécessaire. La meilleure façon d’y parvenir est d’utiliser des techniques de modélisation de type « gray-box » : elles font appel à la connaissance des lois physiques qui régissent le système et aux données expérimentales. La complexité croissante des systèmes et de leur environnement, ainsi que la nécessité de réadapter le modèle pendant le fonctionnement du système, remettent ces techniques sur le devant de la scène.
Dans le cadre de cette thèse, l’accent est mis sur le développement et l’amélioration des méthodes d’estimation des paramètres à appliquer dans l’identification du modèle dynamique des systèmes robotiques. Le cas de la robotique collaborative est étudié en validant toutes les méthodes avec le KUKA LBR iiwa 14 R820. Cependant, nos méthodes sont générales et applicables à une grande variété de robots, comme en témoignent les résultats obtenus avec le robot mobile Pioneer LX et le manipulateur industriel Stäubli TX40.
Les contributions sont présentées selon deux axes principaux. D’une part, on traite des méthodes d’estimation en-bloc hors ligne, qui sont généralement utilisées pour avoir une première idée du modèle. Considérant que les paramètres ont une signification physique et que les mesures sont intrinsèquement bruitées, le premier algorithme proposé est robuste au bruit de mesure et assure la consistance physique des estimations. La deuxième méthode proposée s’attaque à deux autres obstacles : le fait que les fabricants de robots commerciaux souvent ne divulguent pas des informations et des mesures importantes aux utilisateurs pour des raisons de confidentialité et de sécurité, et le phénomène important mais peu maîtrisé de la friction. La méthode identifie le modèle que le fabricant a inclus dans son contrôleur dans un processus de rétro-ingénierie, et l’utilise pour estimer les paramètres de friction.
D’autre part, dans les systèmes qui changent au cours du temps ou qui interagissent avec un environnement inconnu et dynamique, l’estimation du modèle et de ses paramètres doit se faire en ligne. À cette fin, les variantes récursives doivent être abordées. Des aspects tels que l’initialisation de l’algorithme, la stabilité des estimations et le temps de calcul prennent de l’importance. Dans ce contexte, nous développons d’abord une nouvelle méthode qui produit des estimations cohérentes avec des mesures bruitées, qui est robuste par rapport aux valeurs initiales et qui ne nécessite pas de simulation externe du système. Deuxièmement, bien qu’il soit connu que l’identification globale est plus précise que l’identification séquentielle, cette dernière est parfois la seule option. Nous développons ainsi de nouvelles méthodes qui propagent la distribution statistique des estimations dans les différentes étapes d’identification, ce qui permet de ne pas perdre d’information et d’obtenir des estimations plus précises. Enfin, certaines de ces méthodes sont testées dans plusieurs scénarios en ligne qui incluent une interaction humaine et différentes charges utiles.
Origine | Fichiers produits par l'(les) auteur(s) |
---|