A QP Framework for Improving Data Collection: Quantifying Device-Controller Performance in Robot Teleoperation
Yuxuan Zhao, Yuanchen Tang, Jindi Zhang and Hongyu Yu
机器人学习使机器人系统具有类似人类的大脑智能,通过经验自主获取和适应技能,增强在各种环境中的灵活性和适应性。 旨在实现大型语言模型(LLM)的类似能力水平,以实现体现智能,数据质量在训练具有不同机器人技能的基础模型方面起着至关重要的作用。 在这项研究中,我们调查了使用远程操作设备进行操纵任务的数据收集。 不同的设备与相应的控制器策略配对时会产生不同的效果,包括基于位置的逆运动学(IK)控制,基于扭矩的逆动力学(ID)控制和基于优化的合规性控制。 在本文中,我们开发了一个与不同的远程操作设备和操纵控制器兼容的远程操作管道。 在管道中,我们构建了最佳的 QP 配方,动态空格和阻抗跟踪作为新的最佳控制器,以实现兼容的姿势跟踪和奇点避免。 关于最佳控制器,它根据机器人接头可操纵性调整权重分配,该机械性反映了姿势跟踪的联合配置状态,其形式是阻抗控制和单数避免与空空间跟踪。 对定量实验结果的分析表明远程操作轨迹数据的质量,包括跟踪误差,奇点的发生和关节轨迹的平滑度,具有不同的远程操作接口和运动控制器的组合。
Robot learning empowers the robot system with human brain-like intelligence to autonomously acquire and adapt skills through experience, enhancing flexibility and adaptability in various environments. Aimed at achieving a similar level of capability in large language models (LLMs) for embodied intelligence, data quality plays a crucial role in training a foundational model with diverse robot skills. In this study, we investigate the collection of data for manipulation tasks using teleoperation d...
