Imitationslernen für einen Roboter-Manipulator: Trajektoriengenerierung ohne Encoder
Ein servogesteuerter Roboter-Manipulator mit MG996R-Servos – ohne integrierte Encoder – leidet unter Spiel, mechanischem Verschleiß und Positionsungenauigkeit. Statt aufwändige kinematische Kalibrierung durchzuführen, setzen wir Imitationslernen ein: Der Manipulator wird manuell entlang gewünschter Bewegungsabläufe geführt, während externe Potentiometer die Gelenkstellungen erfassen. Diese vom Menschen vorgezeigten Trajektorien dienen anschließend zum Training eines neuronalen Netzes, das die Bewegung Schritt für Schritt reproduziert.
Das mechanische Design umfasst ein drehbares Basisgelenk (Z-Achse), drei gelenkige Arme und einen Endeffektor mit Greifer. Zehnkiloohm-Potentiometer an allen vier Gelenken liefern analoge Signale alle 10 ms an ein Arduino Mini. Die Servosteuerung erfolgt über einen PCA9685PW-PWM-Treiber. Alle Trajektoriendaten werden in CSV-Dateien protokolliert und später offline verarbeitet.
Hardware-Aufbau und Betriebsmodi
Das Arduino liest die Potentiometerwerte ein und glättet sie zur Unterdrückung von Rauschen: Jeder neue Messwert wird als gewichteter Mittelwert mit dem vorherigen Wert aktualisiert. Roh-ADC-Werte (0–1023) werden erst später auf einem PC – nicht direkt am Mikrocontroller – in Gelenkwinkel umgerechnet, um Servo-Jitter während der Aufnahme zu vermeiden.
Das System arbeitet in zwei klar getrennten Modi:
- Trajektorienaufzeichnung, basierend auf Potentiometer-Rückmeldung.
- Wiedergabe und Servo-Ansteuerung, zur Ausführung der gelernten Bewegungen.
Die Servos werden über eine separate Stromversorgung gespeist, um Spannungseinbrüche zu vermeiden. Der praktische Arbeitsraum des Roboters ist auf ein überschaubares Raster aus 34 Zielpunkten beschränkt – vergleichbar mit einem Schachbrett. Eine einzige Startposition oberhalb dieses Rasters dient als Zwischenwegpunkt für alle Bewegungen: Start → Ziel → Start.
Dies reduziert den Datenumfang deutlich: Es genügen lediglich 68 Trajektorien (Hin- und Rückwege), statt alle möglichen Paarverbindungen zwischen den 34 Punkten abzudecken.
Phasen des Imitationslernens
Trajektorienaufzeichnung
Der Manipulator wird manuell von der Startposition zu einem Zielpunkt und zurück bewegt. Das Arduino protokolliert dabei alle 10 ms die Gelenkstellungen. Die Rohaufnahmen enthalten Rauschen und Drift infolge mechanischen Spiels.
Zielkalibrierung
Die endgültigen Gelenkwinkel werden feinjustiert, um eine präzise Positionierung des Endeffektors sicherzustellen. Die Endpunkte der aufgezeichneten Trajektorien werden angepasst, um akkumulierte Fehler auszugleichen – besonders wichtig für wiederholbare Greif- oder Ablagevorgänge.
Training des neuronalen Netzes
Das Modell prognostiziert die nächste inkrementelle Änderung der Gelenkwinkel (Delta) auf Grundlage des aktuellen Gelenkzustands und der Zielkoordinaten. Eingabe: aktuelle Gelenkwinkel + (x, y)-Zielposition. Ausgabe: vierdimensionaler Delta-Vektor. Eine abschließende „Zielkorrektur“-Phase verfeinert die letzten 10 % der Bewegung gezielt auf die kalibrierte Zielposition.
Ein PyBullet-URDF-Modell des Manipulators dient ausschließlich der Visualisierung – nicht der Simulation oder physikbasierten Ausbildung – sodass reale Effekte wie Spiel und Nachgiebigkeit nicht modelliert werden.
Datenaufbereitung
Trajektorien werden normalisiert und auf eine feste Länge interpoliert. Für jedes Start–Ziel-Paar werden mehrere Demonstrationen erhoben und gemittelt, um die Robustheit zu erhöhen.
Die Vorverarbeitung umfasst:
- Rauschunterdrückung mittels gleitendem Durchschnitt.
- Normalisierung der Gelenkwinkel auf den Bereich [0, 1].
- Lineare Interpolation auf 100–200 Zeitschritte pro Trajektorie.
- Konkatenierung der (x, y)-Zielkoordinaten als konditionierende Eingabe für das Netzwerk.
Architektur des neuronalen Netzes
Wir verwenden ein Multilayer-Perceptron (MLP) mit folgenden Merkmalen:
- 4 Eingaben (normalisierte Gelenkwinkel),
- zwei gelernte Embeddings für die Ziel-x/y-Koordinaten,
- ein zusätzliches zeitliches Schrittembedding (zur Kodierung des Fortschritts).
- Versteckte Schichten: 256 → 128 → 64 Neuronen, ReLU-Aktivierungsfunktion, Dropout (p = 0,1).
- Ausgabe: 4 vorhergesagte Winkeldeltas.
Training mit Mean-Squared-Error-(MSE)-Verlust auf Deltas, Adam-Optimierer (Lernrate = 1e−3), Batch-Größe = 32 und 500 Epochen. Die Daten werden im Verhältnis 80/10/10 (Trainings-/Validierungs-/Testdatensatz) aufgeteilt.
Fehlerkompensation: Die letzten 10 % jeder Trajektorie werden durch lineare Interpolation direkt zur kalibrierten Zielposition ersetzt – so wird höchste Endpunktgenauigkeit sichergestellt.
Ergebnisse und Generalisierungsfähigkeit
Das trainierte Netzwerk reproduziert Trajektorien mit Gelenkwinkelfehlern unter 5° und erreicht eine Zielgenauigkeit innerhalb von ±2 mm. Bei unbekannten Zellmittelpunkten (interpoliert zwischen den Trainingsrasterpunkten) bleibt die Generalisierung innerhalb von ±4 mm erhalten.
Vergleich verschiedener Methoden:
| Methode | Gelenkwinkelfehler | Zielgenauigkeit (mm) |
|---------|--------------------|------------------------|
| Kinematisches Open-Loop-Modell | 12° | ±8 |
| Nur Imitationslernen | 4° | ±2 |
| Imitationslernen + Zielkorrektur | 2° | ±1 |
Der Ansatz lässt sich problemlos auf andere kostengünstige Manipulatoren ohne eingebaute Sensorik übertragen.
Kernergebnisse
- Imitationslernen umgeht die Notwendigkeit von Encodern sowie präzisen kinematischen Modellen.
- Externe Potentiometer liefern zuverlässige Referenzdaten für Trajektorien.
- Das neuronale Netz generiert konditionierte, zielgerichtete Bewegungsschritte – ergänzt durch eine finale Zielkorrektur.
- Lediglich 68 manuell aufgezeichnete Trajektorien ermöglichen eine starke Generalisierung auf neue Ziele.
- Eine Endpunktgenauigkeit unter 2 mm ist auch mit preiswerter Hardware erreichbar.
— Editorial Team
Noch keine Kommentare.