Adaptive Robotic Tool-Tip Control Learning Considering Online Changes in Grasping State

迄今为止，已经开发了各种各样的机器人工具操作方法。然而，据我们所知，它们中没有一种考虑到抓取状态（例如抓取位置和工具角度）在工具操作过程中随时可能发生变化的事实。此外，几乎没有研究能够处理可变形的工具。在本研究中，我们开发了一种方法，利用包括参数偏差在内的神经网络来估计工具尖端的位置、控制工具尖端，并处理身体和工具之间关系的在线适应性变化。我们使用两种不同类型的机器人（轴驱动机器人PR2和腱驱动机器人MusashiLarm）进行实验，证明了我们的方法在抓取状态的在线变化和可变形工具方面的有效性。

论文旨在解决机器人工具操作中的抓取状态变化和可变形工具的问题，提出了一种使用神经网络进行在线自适应控制的方法。

论文提出了一种包含参数偏差的神经网络，用于估计工具尖端的位置、控制工具尖端，并处理身体和工具之间关系的在线自适应变化。

论文在PR2和MusashiLarm两种不同类型的机器人上进行了实验，展示了该方法在处理抓取状态变化和可变形工具方面的有效性。值得关注的是，该方法使用神经网络进行在线自适应控制，能够处理复杂的实时控制问题。

最近的相关研究包括使用深度学习方法进行机器人操作的研究，以及处理可变形物体的研究。相关论文包括《End-to-End Learning of Robotic Manipulation for Visually Guided Insertion》和《Deformable Object Manipulation: A Survey》。