elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Efficient Learning of Fast Inverse Kinematics with Collision Avoidance

Tenhumberg, Johannes und Mielke, Arman und Bäuml, Berthold (2024) Efficient Learning of Fast Inverse Kinematics with Collision Avoidance. In: 22nd IEEE-RAS International Conference on Humanoid Robots, Humanoids 2023, Seiten 1-8. IEEE. 2023 IEEE-RAS 22nd International Conference on Humanoid Robots (Humanoids), 2023-12-12 - 2023-12-14, Austin, TX, USA. doi: 10.1109/Humanoids57100.2023.10375143. ISBN 979-835030327-8. ISSN 2164-0572.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Offizielle URL: https://ieeexplore.ieee.org/document/10375143

Kurzfassung

Fast inverse kinematics (IK) is a central component in robotic motion planning. For complex robots, IK methods are often based on root search and nonlinear optimization algorithms. These algorithms can be massively sped up using a neural network to predict a good initial guess, which can then be refined in a few numerical iterations. Besides previous work on learning-based IK, we present a learning approach for the fundamentally more complex problem of IK with collision avoidance. We do this in diverse and previously unseen environments. From a detailed analysis of the IK learning problem, we derive a network and unsupervised learning architecture that removes the need for a sample data generation step. Using the trained network's prediction as an initial guess for a two-stage Jacobian-based solver allows for fast and accurate computation of the collision-free IK. For the humanoid robot, Agile Justin (19 DoF), the collision-free IK is solved in less than 10 ms (on a single CPU core) and with an accuracy of 1×10-4m and 1×10-3 rad based on a high-resolution world model generated from the robot's integrated 3D sensor. Our method massively outperforms a random multi-start baseline in a benchmark with the 19 DoF humanoid and challenging 3D environments. It requires ten times less training time than a supervised training method while achieving comparable results.

elib-URL des Eintrags:https://elib.dlr.de/202625/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Efficient Learning of Fast Inverse Kinematics with Collision Avoidance
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Tenhumberg, JohannesJohannes.Tenhumberg (at) dlr.dehttps://orcid.org/0000-0002-5090-1259NICHT SPEZIFIZIERT
Mielke, ArmanTUMNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Bäuml, BertholdBerthold.Baeuml (at) dlr.dehttps://orcid.org/0000-0002-4545-4765NICHT SPEZIFIZIERT
Datum:1 Januar 2024
Erschienen in:22nd IEEE-RAS International Conference on Humanoid Robots, Humanoids 2023
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1109/Humanoids57100.2023.10375143
Seitenbereich:Seiten 1-8
Verlag:IEEE
ISSN:2164-0572
ISBN:979-835030327-8
Status:veröffentlicht
Stichwörter:inverse kinematics
Veranstaltungstitel:2023 IEEE-RAS 22nd International Conference on Humanoid Robots (Humanoids)
Veranstaltungsort:Austin, TX, USA
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:12 Dezember 2023
Veranstaltungsende:14 Dezember 2023
Veranstalter :IEEE-RAS
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Robotik
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R RO - Robotik
DLR - Teilgebiet (Projekt, Vorhaben):R - Autonomie & Geschicklichkeit [RO]
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Robotik und Mechatronik (ab 2013)
Hinterlegt von: Strobl, Dr. Klaus H.
Hinterlegt am:05 Feb 2024 08:48
Letzte Änderung:24 Apr 2024 21:02

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.