Learning-based Control for 4D Printing and Soft Robotics

Abstract

Användande av nya sensorer och aktuatorer av flexibla och smarta material har blivit en ny trend inom robotikforskning. Studier om design, produktion och styrning av den nya typen av robotar motiverar förskningen om mjuka robotar och 4D-printade robotar. 3D Printing (3DP) är en additiv tillverkningsteknik som används i stor utsträckning vid utskrift av flexibla material för att tillverka mjuka robotar. 4D Printing (4DP) kombinerar 3DP-teknik med smarta material för att producera transformerbara enheter. 4DP skriver först ut strukturer med specifikt designade responsiva material. När yttre stimuli som temperatur, spänning eller magnetfält appliceras på den utskrivna strukturen ändrar den form på ett programmerbart sätt. Omformningsegenskapen hos 4DP skapar ett nytt sätt att aktuera robotar.

Användningen av dessa specialmaterial ger dessa nya robotar bättre följsamhet och anpassningsförmåga till sin arbetsmiljö. Men jämfört med de stela motsvarigheterna har de också komplexa dynamiska egenskaper såsom betydande icke-linjäritet och tidsvarians. Dessa faktorer gör den nogranna modelleringen och robusta kontrollen av dessa nya robotar utmanande och hindrar därmed deras potentiella tillämpningar. Med fokus på mjuka robotsystem som möjliggörs av 3DP- och 4DP-metoder, studerar denna avhandling både traditionella och Machine Learning (ML)-baserade metoder för modellering, perception och kontroll av mjuka, icke-linjära och tidsvarierande robotsystem. De viktigaste bidragen från denna avhandling är:

• En metod för Closed-Loop (CL) reglerad 4DP (CL4DP) med temperaturstimulerad Shape Memory Polymer (SMP) har utvecklats och validerats både numeriskt och experimentellt. Reglersystemet ökar precisionen och robustheten i omformningsegenskapen för 4D-utskrivet SMP. Tillämpningar av CL4DP utforskas.
• Metoder för datadriven modellidentifiering tillämpas för att lära sig den dynamiska modellen av omformningsprocessen för CL4DP och den inlärda modellen är lämplig modellbaserad reglering. Modellfria och adaptiva Reinforcement Learning-regulatorer (RL) har utvecklats för att hantera icke-linjäriteten och tidsvariationen hos 4D-utskrivna aktuatorer. För att förbättra stabiliteten och snabb anpassningsförmåga väljs en mindre uppsättning basfunktioner istället för att blint använda Deep Neural Networks (DNN).
• En fyrbent robot med mjuka aktuatorer och dess simuleringsmodell utvecklas. Beräknings effektiviteten och modell noggrannheten hos simulatorn studeras och optimeras genom att jämföra olika simuleringsmetoder såsom Finite Element Method (FEM) och lumped parameter method.
• Det optimala gångmönstret för en mjukbent fyrbensrobot hittas genom rutnäts-sökning och RL med en fysikbaserad simuleringsmodell. För att effektivisera RL-tränings-processen används modelleringsknep för att minska simuleringstiden för modellen och curriculum learning används för att minska inlärningstiden.
• En mjuk sensor gjord av utskrivbara elektriskt ledande material och 3DP är designad och optimalt kalibrerad för att uppskatta formen på ett pneumatiskt driven mjuk aktuator. Den mjuka sensorns geometri är optimalt utformad för bästa linjäritet, hysteres och driftegenskaper. Online-uppskattningen är baserad på en linjär regressionsmodell som lärts från experimentella data.
• En pneumatiskt driven mjukgripare är utvecklad av 3DP, den utskrivbara mjuka sensorn och polplacerings reglering. Griparens funktion kräver inte ett externt bildåterkopplingssystem för att mäta dess form, vilket istället uppskattas av den integrerade mjuka sensorn. Positionsåterkopplingen från den mjuka sensorn och regulatorn genom polplaceringmetoden gör att den mjuka griparen kan utföra komplexa uppgifter med hög precision.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-319489