Open Source Robotics

Eine kuratierte Sammlung hochwertiger Open-Source-Robotikprojekte, Werkzeuge und Software für die Robotik-Community.

Dynamic Manipulation

  • Kategorie: Planning & manipulation › Manipulation
  • Schlagwörter: manipulation, dynamics, nonprehensile, deformable-objects, throwing

Manipulation, bei der Trägheits- und Beschleunigungskräfte für die Aufgabe wesentlich sind, etwa beim Werfen, Ausschleudern oder Fangen, sodass sich das Objekt nach Ende des Kontakts weiterbewegt.

Definition

Dynamische Manipulation (Dynamic Manipulation) umfasst Manipulationsaufgaben, bei deren Analyse die Kräfte nicht ignoriert werden können, die zum Beschleunigen von Roboter und Objekt nötig sind. Matthew Mason und Kevin Lynch verwendeten den Begriff Anfang der 1990er-Jahre, um solche Aufgaben von den kinematischen, statischen und quasistatischen Operationen abzugrenzen, die die meisten Arbeiten zu Greifen und Montage voraussetzen. Werfen, Jonglieren, Schlagen, Hochwerfen, das schnelle Wegreißen eines Objekts von einem Tisch und das Ausschleudern eines Tuchs sind typische Beispiele: Der Roboter baut im Objekt Impuls auf, und ein großer Teil der nützlichen Bewegung geschieht, nachdem der Endeffektor abgebremst oder das Objekt losgelassen hat.

Der Hauptnutzen sind Reichweite und Geschwindigkeit. Ein Wurf kann ein Objekt außerhalb des Arbeitsraums des Arms platzieren, ein Ausschleudern kann ein Kleidungsstück weit über die Spannweite des Arms hinaus ausbreiten, und ein schneller Schlag kann ein Objekt bewegen, das ein langsames Schieben nur mitschleifen würde. Dynamische Aktionen erlauben es auch einem einfachen Greifer oder gar keinem Greifer, Freiheitsgrade zu steuern, die er nicht direkt halten kann; vieles in diesem Bereich ist nicht-greifend (nonprehensile) und nutzt Schwerkraft, Trägheit und Kontakt statt eines festen Griffs. Der Preis ist, dass das Ergebnis von Größen abhängt, die schwer zu messen und zu modellieren sind: Reibung beim Gleiten und Loslassen, Stoßverhalten, Luftwiderstand bei leichten oder verformbaren Objekten, Aktuatorbandbreite und Timingfehler von wenigen Millisekunden.

Es gibt zwei grundsätzliche Ansätze. Modellbasierte Arbeiten leiten die Bewegungsgleichungen von Roboter und Objekt her, planen Trajektorien, die Drehmoment- und Geschwindigkeitsgrenzen einhalten, und stützen sich oft auf schnelle Rückführung, wie bei Jonglier- und Schlagrobotern. Lernbasierte Arbeiten, häufiger bei verformbaren Objekten und unbekannten Gegenständen, lernen die Parameter einer kleinen Menge von Bewegungsprimitiven, etwa eines Ausschleuderns oder eines Hochwerfens, aus Versuchen in der Simulation oder auf der Hardware und korrigieren Effekte, die das Modell nicht erfasst. In beiden Fällen muss die Hardware hohe Geschwindigkeiten sicher erreichen können, weshalb viele Systeme in umzäunten Zellen oder mit Leichtbauarmen betrieben werden.

Warum es wichtig ist

Viele alltägliche Aufgaben, vom Ausschütteln eines Hemds bis zum Werfen von Teilen in einen Behälter, sind mit dynamischer Bewegung viel schneller oder überhaupt nur damit möglich. Zu erkennen, wann eine Aufgabe Dynamik statt langsamer quasistatischer Bewegung braucht, verändert die Wahl von Hardware, Modell, Regler und Sicherheitsmaßnahmen.

Wichtige Anwendungen

  • Entfalten von Tüchern und Kleidungsstücken durch Ausschleudern
  • Werfen von Objekten in Behälter außerhalb der Reichweite des Arms
  • Jonglieren, Schlagen und Fangen mit schnellen Armen
  • Nicht-greifendes Hochwerfen und Umgreifen in der Hand
  • Manipulation von Seilen und Kabeln mit Peitschen- oder Schwingbewegungen

In der Praxis

Ein Team, das ein System zum Entfalten von Tüchern mit zwei Armen baut, versucht es zuerst mit Greif-und-Zieh-Aktionen und stellt fest, dass ein zerknülltes Kleidungsstück viele Schritte zum Ausbreiten braucht. Es wechselt zu einem Ausschleuder-Primitiv: Beide Greifer fassen das Tuch an zwei Punkten, heben es an, schwingen es mit hoher Geschwindigkeit nach vorn und senken es ab, während sie nach hinten ziehen, sodass Luftwiderstand und Impuls des Tuchs es flach auf dem Tisch ausbreiten. Eine gelernte Policy wählt aus einem Bild von oben nur die beiden Greifpunkte, während die Ausschleudertrajektorie selbst fest ist und auf die Geschwindigkeitsgrenzen der Arme abgestimmt wurde. Die Ingenieure prüfen, dass die Grenzen für Gelenkgeschwindigkeit und -beschleunigung der Arme eingehalten werden, dass der Schwung innerhalb des sicherheitstechnisch ausgelegten Arbeitsraums bleibt und dass die Greifer den Stoff fest genug halten, um ihn mitten im Schwung nicht zu verlieren.

Häufige Missverständnisse

  • Dynamische Manipulation bedeutet einfach, den Arm schnell zu bewegen — entscheidend ist, dass Trägheitskräfte für das Ergebnis der Aufgabe eine Rolle spielen, nicht die Geschwindigkeit des Arms allein
  • Sie erfordert ein genaues Physikmodell — viele Systeme nutzen feste Bewegungsprimitive und lernen deren Parameter aus Versuchen, statt jeden Effekt zu modellieren
  • Sie ist nur für effektvolle Vorführungen nützlich — dynamische Aktionen können die Zahl der nötigen Schritte bei Aufgaben wie dem Ausbreiten von Tüchern oder dem Befüllen von Behältern verringern
  • Ein quasistatischer Planer kann einfach schneller laufen — sobald die Trägheit eine Rolle spielt, sagt ein quasistatisches Modell die Bewegung des Objekts nach dem Kontakt nicht mehr voraus

Wer das wissen sollte

  • Manipulationsforschende, die an verformbaren oder nicht-greifenden Aufgaben arbeiten
  • Ingenieure für Roboterlernen, die Bewegungsprimitive entwerfen
  • Regelungsingenieure, die Hochgeschwindigkeits-Armtrajektorien abstimmen
  • Sicherheitsingenieure, die Arbeitszellen für schnelle Roboterbewegungen spezifizieren

Verwandte Technologien

  • Nicht-greifende Manipulation (Nonprehensile Manipulation)
  • Bewegungsprimitive (Motion Primitives)
  • Trajektorienoptimierung (Trajectory Optimization)
  • Physiksimulation (Physics Simulation)
  • Hochgeschwindigkeits-Bildverarbeitung (High-Speed Vision)

Verwandte Begriffe

  • Quasi-Static Manipulation
  • Extrinsic dexterity
  • Contact mode
  • Coulomb Friction
  • Motion Primitive
  • Dexterous Manipulation

Verwandte Projekte

  • LeRobot: HuggingFace ML library for real-world robotics in PyTorch
  • Isaac Lab: NVIDIA robot learning framework: one task API across Newton, PhysX and Isaac Sim
  • NVIDIA Isaac GR00T: NVIDIA open foundation model for humanoid robot reasoning and skills
  • OpenVLA: 7B-parameter Vision-Language-Action model for robotic manipulation
  • Drake: MIT robotics toolbox for model-based dynamics, optimization, and control system design
  • OpenArm: 7DOF humanoid arm for physical AI research in contact-rich environments

Diese Website benötigt JavaScript. Bitte aktivieren Sie JavaScript, um unsere Open-Source-Robotikprojekte zu erkunden.