bilateral制御の設計(FACTR 2)
一部だけ実装した設計案
このページは実装の手順をまとめた設計案です.§7の段階1〜5を実装し,模擬の試験を通しました.実機での動作は確かめていません.使える設定は 設定 の「力の逆送」にあります.段階6以降の設定key・command・node名(sensor,next,gripperの逆送など)は提案で,現行のroboloomでは使えません.
作成日:2026-10-27.調査対象は次のとおりです.codeは読んだだけで,実行していません.
| 対象 | 版 |
|---|---|
| philiphan0109/factr2_next | 0df02c5(2026-09-04) |
| FACTR teleop(初代,比較用) | 7a07ab3 |
| FACTR:Liu et al., Force-Attending Curriculum Training for Contact-Rich Policy Learning,RSS 2025,arXiv:2502.17432 | |
| FACTR 2:Oh, Liu, Tao, Han et al., arXiv:2606.12406 v2 |
1.採用する方式
bilateral制御には,主に二つの方式があります.
| 方式 | follower | leaderへ返すもの | 必要なもの |
|---|---|---|---|
| 力逆送型(FACTR / FACTR 2) | 位置制御のまま.電流制限つき位置制御でもよい | followerが外から受けた関節torqueの推定値 | 外力の推定(torque sensor,または電流から推定) |
対称型(位置–位置,robopyの bilateral_joint) |
電流制御.両側に同じPD結合を入れる | 両者の位置差から出る結合torque | 両腕の重力model,torque定数,follower側の電流制御 |
roboloomはFACTR 2の力逆送型を採用します.理由は次のとおりです.
- followerは位置制御のまま使えます.このため,既存の
FollowerSafety(範囲・速度・期限・変化量の検査とHOLD)がそのまま安全の仕組みとして働きます. - 返すのは外力だけです.followerの摩擦や慣性は操作者に伝わりません.
- FACTR 2のNEXTは,torque sensorのない機体でもmotor電流から外力を推定します.DynamixelのRakuda2のような機体に適用できます.
- 対称型を後で加えることも妨げません(§8).
2.FACTRの原理
leaderの制御則
leaderのmotorを電流(torque)制御で動かし,次の和を出します(論文Eq. 5).
τ = τ_feedback + τ_null + τ_grav + τ_friction + τ_limit
| 項 | 式(論文) | 役割 |
|---|---|---|
| 力の逆送 | τ_feedback = μ_f K_fp τ_ext − K_fd q̇(Eq. 1) |
followerの外力をleaderへ返す.K_fp はleaderとfollowerの最大torqueの比,μ_f は弱めるための係数,K_fd は接触時の振動を抑える減衰 |
| gripper | τ_h,t = α(−k_h I_g,t) + (1−α) τ_h,t−1,α = 0.1(Eq. 2) |
follower gripperの電流を,指で感じる力として返す.指数移動平均をかける |
| 零空間 | τ_null = (I − J⁺J)(−K_np (q − q_rest) − K_nd q̇)(Eq. 3) |
冗長自由度(7軸の腕)を手先に力を出さずに休止姿勢へ寄せる |
| 重力 | RNEAで g(q) を計算(Eq. 4) |
腕が落ちないようにする |
| 摩擦 | 静止摩擦:低速時に符号を振動させるdither.動摩擦:μ_c sgn(q̇) + μ_v q̇(付録Eq. 7–8) |
静止摩擦を切り,手で動かしやすくする |
| 可動域 | 端に近づくと反発するpotential(付録Eq. 9–10) | 可動域の端で押し返す |
hardware:leaderはXC330-T288-TとXM430-W210-T(約1,230ドル),followerはFranka Pandaです.制御周期は500 Hzです.Frankaが出す外力推定 τ_ext をそのまま使います.
論文には安定性や受動性の解析はありません.安定化の手段は,減衰 K_fd,弱め係数 μ_f,gripperの平滑化だけです.
方策の学習
外力 τ_ext は,ACT方策の入力に1 tokenとして加えます.学習の初めは画像をぼかし,そのぼかしを徐々に弱めます(Force-Attending Curriculum).こうして,方策が力の入力を無視しないようにします.未知物体での平均成功率は,画像のみが21.3%,画像+力(curriculumなし)が61.2%,FACTRが87.5%です.
力のfeedbackありの遠隔操作は,なしに比べてtask完了率が+64.7%,完了時間が−37.4%でした.ただし,feedbackの有無で集めたdataから方策を学習して比べる実験はしていません.
3.FACTR 2とNEXTの原理
FACTR 2は,torque sensorのない機体にFACTRを広げます.中心はNEXT(Neural External Torque estimation)です.
τ̂_ext = τ_m − τ̂_free(x_{t−H+1..t}), x_t = [q, q̇, q_cmd − q]
τ_mはmotor電流から求めたtorque(K·I)です.τ̂_freeは,接触していないときにmotorが出すtorqueの予測です.過去H = 50 stepの関節位置,速度,追従誤差から,LSTM(2層×128)で予測します.重力・摩擦・慣性・位置制御器の応答を,まとめて学習します.- 学習dataは,接触のない自由な動作を約10分記録したものです.学習は約1分,推論は100 Hzです.
- 精度:接触時のFranka torque sensorとの誤差(L1)は0.547 Nmです.外乱observerは1.471 Nmでした.
- 限界:modelは機体ごとに学習し直す必要があります.torqueの絶対値は
Kの精度に依存します.
leaderへの返し方(Eq. 8)は τ_feedback = K_fp τ̂_ext です.重力・摩擦・零空間の項はFACTRのまま使います.方策の学習は,FACTRのcurriculumからFIRSTに変わりました.FIRSTは,接触の前後を多く選ぶように学習dataを再標本化します.方策の入力には,電流そのままより τ̂_ext のほうがよい結果でした(NIST挿入で0.567対0.431).
4.factr2_nextの実装
factr2_nextはNEXTの公式実装です.Gello型のleaderでAgileX Piperを動かす遠隔操作のdemoも含みます.通信はすべてROS 2の JointState です.
| 部分 | 内容 |
|---|---|
| leader | XC330-T288-T ×7,4 Mbps,電流制御(Operating Mode 0).制御は500 Hz,follower への指令の送信は100 Hz |
| follower | Piper(CAN).MIT mode(関節PD)で,指令を受けるたびに書き込む.補間・速度制限はない |
| 外力推定 | Piperの effort − LSTMの予測.速度は200 Hzの差分.推定値には指数移動平均(α = 0.2)をかける |
| 接触判定 | 推定値のL1 normにhysteresis(2.0で接触,1.0で非接触) |
| 返す力 | gate · gains · τ_ext − damping · q̇ を ±max_torque に制限 |
| gate | 接触中かつ推定値が新しい(0.2 s以内)とき1,それ以外は0.500 Hzごとに ramp_alpha = 0.35で追従し,急に変えない |
factr2_feedback.py:162-176 の該当部分です.
target_gate = 1.0 if self.contact and self._fresh() else 0.0
self.gate = (1.0 - self.ramp_alpha) * self.gate + self.ramp_alpha * target_gate
tau = self.gate * self.gains * self.tau_ext
tau -= self.damping * leader_joint_vel
tau = np.clip(tau, -self.max_torque, self.max_torque)
既定のgainは負です([-0.06, -0.08, -0.08, -0.03, -0.03, -0.02]).推定値は「motorが余分に出しているtorque」で,外力とは逆向きです.負のgainは,leaderに外力と同じ向きの力を返すためと読めます(推測).
注意すべき点:
- 配布設定では,力の逆送,重力補償,ditherがいずれも無効です.有効なのは零空間とgripperのfeedbackだけです.
- READMEによると,gate・ramp・平滑化は論文の実験では使っていません.
- Piperは6軸で冗長ではありません.このため,零空間の項は固定の対角行列による弱い姿勢ばねになっています.
- follower側には指令の期限がありません.leaderが止まると,最後の目標を保持し続けます.
5.roboloomにすでにあるもの
| 必要なもの | roboloomの現状 |
|---|---|
| leaderの電流制御と制御則の合成 | JointDevice と制御則(free,position,spring,gravity_comp,impedance).groupごとに差し替えられる |
| 重力補償 | gravity_comp.計測した保持電流から同定した g(q)(mA)を使う.torque定数は不要 |
| 可動域 | gravity_comp の範囲barrier(barrier_mA_per_count),逸走の検査(max_velocity,範囲外) |
| 静止摩擦への対処 | breakaway hold(hold_mA).FACTRのditherとは逆で,「置いた所に止まる」ための項 |
| 減衰 | kd(mA/(count/s)) |
| followerの状態 | follower nodeの state に positions,velocities,currents_mA,実際に書いた目標 target(= q_cmd)がある |
| 記録 | record_effort: true で observation.effort(電流)を記録 |
| followerの制御則 | follower.yaml の control で,follower側にも制御則を使える(電流制限つき位置制御など).実機では未検証 |
| 安全 | FollowerSafety,指令の期限,Bus Watchdog の検出,estop・release・quit で leader を脱力 |
足りないもの:
- 外力の推定(model残差,NEXT).
- followerからleaderへの戻りの経路.現在のleader nodeは
sessionしか受け取りません. - leader側の逆送の項(gate,ramp,期限,制限).
- gripperの力の逆送.
- 外力の記録と,推定器の学習用dataの記録.
Rakuda2の腕は片側6軸+gripperで冗長ではありません.このため,零空間の項は今回は扱いません.ditherは,breakaway holdと目的が逆なので,必要になったときに別の制御則として検討します.
6.設計
単位と符号
roboloomは関節の値をmotorの生の単位(count,mA)で扱います.重力modelもmAで同定し,torque定数を推定に含めます.逆送もこの方針に合わせます.
- 推定器は,follower関節ごとに
residualを出します.単位はfollowerの電流の単位(DynamixelならmA)です. - 定義は
residual = 実測の電流 − 自由運動での予測電流です.motorが外力に逆らって余分に出している分です. - 外力は
−residualの向きにかかります. - leaderへの電流は次の式で求めます.
signはcontrollerのjoints対応にある符号です.
i_feedback[leader j] = − k_j · sign_j · residual[follower j]
k_j(leaderのmA / followerのmA)の目安は,FACTRのK_fpと同じく,leaderとfollowerの最大torqueの比に弱め係数をかけたものです.Rakuda2では,XC330とXM430/XM540のtorque定数の比が入ります.torque_constant_Nm_per_Aを関節ごとに設定した機体では,N·mでも表示します.Frankaのように外力をN·mで出す機体では,推定器の単位をNmと宣言し,k_jの単位をmA/Nmにします.- 符号は,1関節ずつ実機で確かめます(§7 段階5).
dataflow
leader ──sample──► controller ──command──► follower ──state──► estimator
▲ │ ▲ │
└──── feedback ──────┘ └────────────── estimate ──────────┘
| node | 追加する入出力 | 役割 |
|---|---|---|
estimator(新しい役割 estimators) |
入力 <follower>/state(最新1件),出力 estimate,status |
followerの状態から residual と接触の判定を出す.重い推論で follower nodeの周期を乱さないよう,別processにする |
| controller | 入力 <estimator>/estimate(最新1件),出力 feedback |
follower関節の残差を joints の対応でleader関節へ写し,gain をかけ,期限をつけて送る.followerが ACTIVE でない,または整列前(following 以外)のときは0を送る |
| leader | 入力 <controller>/feedback(最新1件) |
制御則に逆送の項を足す.期限・gate・ramp・制限はleader側で毎周期かける |
- 関節の対応と符号は,controllerの
jointsだけに書きます.逆送用に別の対応表を作りません. - 逆送の指令は,followerへの指令と同じく,絶対時刻の期限を持ちます(
make_commandと同じ形). - 経路は循環します(leader → controller → follower → estimator → controller → leader).dora-rsのdataflowで循環する辺が使えることは,段階1で模擬で確かめました(controllerとfollowerの間にも,以前から循環があります).
設定の書き方
利用者は辺を書きません.今のroboloomと同じく,設定YAMLにはnodeを役割ごとに並べるだけです.runtime/flow.py が,各nodeの参照から辺を導きます.
# option bilateral を有効にした設定(config.yaml)のnode
inputs:
leader: nodes/leader_bilateral.yaml # type: rakuda_mini
controllers:
controller: nodes/controller_bilateral.yaml
followers:
follower: nodes/follower.yaml # type: rakuda2_follower
estimators:
effort: nodes/effort.yaml # follower: follower
組み合わせは参照だけで決まります.
| 参照 | 書く場所 | 導かれる辺 |
|---|---|---|
input: leader,follower: follower |
controller | leader/sample → controller,controller command → follower(今と同じ) |
follower: follower |
estimator | follower/state → estimator |
feedback.estimator: effort |
controller | effort/estimate → controller,controller feedback → leader(controllerの input) |
この規則は1組ごとに閉じています.双腕を別々のfollowerとして扱う場合や,別の機体の組を同じ設定に置く場合も,組の数だけnodeを並べれば辺が決まります.例えば,別のfollowerと別のleaderの組は次のように書けます.機体名は例で,今のroboloomにはありません.
inputs:
leader: nodes/leader.yaml # type: gello_dynamixel(例)
controllers:
controller: nodes/controller.yaml # type: joint, feedback.estimator: effort
followers:
follower: nodes/follower.yaml # type: piper_follower(例)
estimators:
effort: nodes/effort.yaml # type: next, follower: follower
機器が申告する能力
設定を読む時点で,組み合わせが成り立つかを確かめます.機体の種類で分岐せず,各classが申告する値で判断します.
| 申告する側 | 値 | 確かめること |
|---|---|---|
follower(Robot) |
effort_signal:state が持つ力の量(currents_mA,torques_Nm,external_torques_Nm のどれか)と単位 |
推定器の入力と合うか.sensor は external_torques_Nm を出す機体だけに使える |
leader(JointInput) |
逆送を受けられる関節(電流制御の制御則に feedback を書いたgroup)と,その単位(mA,Nm) |
feedback.gain に書いた関節がすべて受けられるか |
| controller | feedback.gain の単位(leaderの単位 / followerの単位) |
単位が両側の申告と一致するか.逆送する関節が joints で1対1に対応するか |
| estimator | follower,joint_names,unit,必要な state の項目 |
参照するfollowerが存在し,項目を出すか |
逆送の項は,gravity_comp だけでなく,電流制御のすべての制御則(CurrentLaw の派生)に共通の部品として入れます.別のleaderが別の制御則を使っても,同じ設定で逆送を受けられます.
message
機器の違いを黙って取り違えないよう,messageに関節名と単位を入れます.
| kind | payload |
|---|---|
effort_estimate |
joints(follower),residual,unit,contact,valid,robot_t_ns(元の状態の時刻) |
feedback |
joints(leader),effort,unit,deadline_ns,gate(controller側の開閉の希望) |
leaderは,自分の関節名と単位に合わないmessageを捨て,statusに理由を出します.
設定の案
nodes/controller_bilateral.yaml(既存の joints などに足す):
feedback:
estimator: effort # 設定の estimators の名前
deadline_ms: 100
unit: mA/mA # leaderの単位 / followerの単位
gain: # 書いた関節だけ逆送する(followerの関節名)
r_arm_sh_pitch1: 0.1
r_arm_el_yaw: 0.1
nodes/leader_bilateral.yaml の腕のgroup:
- group: right_arm
law: gravity_comp # 電流制御の制御則ならどれでもよい
# ... 既存の gravity_model, tuning, range など
feedback:
max_mA: 40 # 逆送分だけの上限.合計は従来どおり max_current_mA で制限
ramp_s: 0.3 # gateの開閉にかける時間
kd: 0.0 # 接触中の追加の減衰
実装では,接触の判定(contact_on / contact_off)をleaderではなく推定器に置きました.記録する observation.contact とgateに使う判定を同じ値にし,leaderを機体に依存させないためです.controllerは「推定が有効,接触中,followerが ACTIVE,following」のときだけgateを希望し,leaderは期限・単位・関節を確かめてgateを ramp_s で追従させます.
nodes/effort.yaml:
type: model_residual # none | sensor | model_residual | next(実装済みは none と model_residual)
follower: follower
joints: [r_arm_sh_pitch1, r_arm_sh_roll, r_arm_sh_pitch2, r_arm_el_yaw, r_arm_wr_roll, r_arm_wr_yaw]
models: [../calibration/effort_gravity_right.yaml] # 実装では腕ごとのmodelのリスト
smoothing_alpha: 0.2
contact_on: 30 # |residual| のL1 norm.hysteresis(実装では推定器に置く)
contact_off: 15
record: true # observation.effort_ext / observation.contact を記録
推定器の契約
推定器は,follower・input・sensorと同じく,type からclassを選ぶ登録表 ESTIMATORS(roboloom/estimators/)に置きます.機体に依存しない推定器は roboloom/estimators/ に,特定の機体だけのものは roboloom/robots/<model>/ に実装し,同じ登録表へ登録します.
class EffortEstimator(Protocol):
follower: str # 参照するfollower node
joint_names: tuple[str, ...] # follower関節
unit: str # "mA" や "Nm"
needs: tuple[
str, ...
] # 使う state の項目,例 ("positions", "velocities", "currents_mA", "target")
def reset(self) -> None: ...
def update(
self, state: dict, t_ns: int
) -> Estimate: ... # follower_state の payload
@dataclass
class Estimate:
residual: list[float] # 実測 − 自由運動の予測
contact: bool
valid: bool # 履歴が足りない,状態が古い,などで False
type |
中身 | 用途 |
|---|---|---|
none |
常に valid=False |
経路の試験,逆送なし |
sensor |
機体が出す外力推定をそのまま使う(Franka の tau_ext など) |
torque sensorのある機体 |
model_residual |
currents_mA − g_f(q).g_f は既存の回帰の重力modelをfollowerで同定したもの |
最初の基準.学習なしで動く.摩擦と慣性は残差に残る |
next |
currents_mA − LSTM(q, q̇, target − q) |
FACTR 2と同じ方法 |
機体の固有の部分は推定器の実装と設定に閉じ込めます.controllerとleaderは,Estimate だけを見ます.
modelの保存先
計測した値と学習した重みは,機体(1台ごと)の設定と一緒に .roboloom/<機体>/(roboloom init <機体> が作るdirectory)に置きます.packageには入れません.今の重力modelと同じく,YAMLはGitで管理し,大きな生dataと重みは除外します.
| 場所 | 中身 | Git |
|---|---|---|
calibration/effort_gravity_<side>.yaml |
model_residual 用のfollowerの重力model(既存の回帰の形式) |
管理する |
models/<推定器名>/<run_id>/model.yaml |
NEXTのmanifest(下表) | 管理する |
models/<推定器名>/<run_id>/weights.safetensors |
学習した重み | 除外(*.safetensors) |
logs/<run>/follower_trace.npz |
学習用の自由運動のdata(段階2のtrace) | 除外(既存の *.npz,logs/) |
run_idは学習した日時です(例20261101-153000).node YAMLは版を明示して指定します.「最新」を自動で選びません.どのmodelで動いたかを再現できるようにするためです.- 重みはsafetensorsで保存します.pickleを使わないので,読み込みでcodeが実行されません.
torchは optional extra(next)にします. - datasetには,記録に使った推定器の
typeとrun_idを残します.
manifest(model.yaml)に書く内容:
| 項目 | 例 |
|---|---|
| 形式 | format: 1,type: next |
| 機体 | followerの type,node名,port(by-id,個体の識別),関節名,motor ID |
| 入力 | 特徴量と順序(positions,velocities,target - positions),単位,rate_hz,履歴の長さ,正規化の平均と分散 |
| model | 構造(LSTM 2×128 など),学習の設定 |
| data | 使った logs/ のpathと各fileのsha256 |
| 評価 | 検証dataでの誤差,既知の重りでの確認結果 |
| 由来 | 重みのsha256,作成日時,roboloomのcommit |
読み込み時に次を確かめ,合わなければ起動を拒否します.
- followerの
type,関節名,motor IDが一致すること. rate_hzがfollowerのcontrol_hzと一致すること.NEXTの履歴の長さは周期で決まるので,周期を変えたら学習し直します.- 重みのsha256が一致すること.
portが同じ個体であること.別の個体に使うときは,明示的に許可する設定を要求します.
roboloom init のtemplateには,models/ の説明と .gitignore の *.safetensors を加えます.
安全
- 逆送は既定で無効です.
feedback.gainに書いた関節だけ有効になります. - 期限切れ,
valid=False,followerのHOLD・FAULT・ESTOP,controllerの整列前では,gateを0へramp_sで閉じます.急に0にしません. estop・release・quitでは,今までどおりleaderを脱力します.- 逆送の電流は,まず
feedback.max_mAで制限します.その後,重力・hold・barrierと足した合計を,従来のmax_current_mAで制限します. - EEPROMのCurrent Limitは,hostが止まったときに残る唯一の上限です.XC330では,Bus Watchdogが発火しても電流は止まりません.逆送の分だけCurrent Limitを上げるときは,その値を
commissionで書き,危険を理解した上で行います. - 既存の逸走の検査(
max_velocity,範囲外)は,逆送中も働きます. - follower側は今までどおり
FollowerSafetyが守ります.follower を電流制限つき位置制御(Operating Mode 5)にすると,接触時の力も上限で抑えられます.
7.実装の手順
各段階でcommitし,模擬の試験を通してから実機に移ります.実機での確認は利用者が行います.
実装の状況(2026-11-02):段階1〜5は実装し,模擬の試験(tests/test_bilateral.py.dora上で,推定 → gate → leaderの電流までの全経路を含む)を通しました.段階3〜5の実機の確認は未実施です.段階2のtraceは <follower name>_trace.npz,段階4の同定は既存の identify-gravity をfollowerのcalibration(calibration/follower_<side>.yaml)で使います.
| 段階 | 内容 | 完了の条件 |
|---|---|---|
| 1.経路 | estimators の役割,登録表 ESTIMATORS,none 推定器を加える.各classの能力の申告と,設定読み込み時の照合を入れる.flow.py で参照から辺を導き,controller の feedback 出力と leader の feedback 入力を作る.逆送の値は常に0 |
模擬dataflowで,循環する辺,feedbackの期限,最新1件の受け渡し,単位や関節が合わない設定の拒否を試験で確かめる.既存の試験が通る |
| 2.followerの記録 | follower nodeに毎周期のtrace(positions,velocities,currents_mA,target,mode)を加える.leaderの leader_trace.npz と同じ形にする.推定器の出力を observation.effort_ext と observation.contact として記録できるようにする |
模擬で npz とdatasetの特徴量を確かめる |
| 3.followerのmode | follower.yaml の control で,腕を電流制限つき位置制御(current_position,Mode 5)にする設定例を作る.commission でmodeとCurrent Limitを書く |
実機:位置の追従と保持が今と同等であること.接触時に電流が上限で止まること |
4.model_residual |
follower で保持電流を計測し,既存の回帰で g_f(q) を同定する道具を作る(identify-gravity を follower に対応させる).model_residual 推定器を実装する |
実機:静止時と自由運動中の残差の大きさを記録する.既知の重りをかけたときの残差を確かめる |
| 5.leaderの逆送の項 | 電流制御の制御則に共通の部品として feedback を加える.gate,ramp,期限,接触のhysteresis,max_mA,kd を入れる.status とtraceに feedback_mA と gate を出す |
模擬:期限切れ・HOLD・estopで ramp して0になる試験.実機:1関節だけ小さいgainで有効にし,符号と振動のなさを確かめる |
| 6.gripper | triggerを電流制御の新しい制御則(ばね+減衰+接触の項,factr2_next の compute_gripper_feedback_torque と同じ形)にする.follower gripperの電流(Mode 5,Current Limit 54 mA)を入力にする |
実機:物を握るとtriggerが重くなること.離すと戻ること |
| 7.NEXT | 自由運動のdataの記録手順(段階2のtrace),学習(torch を optional extra にする),推論node(followerの周期で動く)を作る.model_residual と同じ契約にする.重みとmanifestを「modelの保存先」の形で書き,読み込み時に照合する |
実機:既知の重り・押し付けで model_residual と比べる.学習・推論のcommandを docs に書く |
| 8.遅れ | feedback の遅れ(followerの状態の時刻からleaderが電流を書くまで)を status に出す.周期は§9を参照 | 実機:遅れの分布を記録する.gainの上限と合わせて docs に書く |
| 9.docs | 実装した段階ごとに,Controllers・Robots・Reference・Quick startを更新する.このページの該当部分は削る | docs の strict build が通る |
8.新しいrobotとleaderへの対応
follower として加える機体に必要なもの:
stateのpositions,velocities,currents_mA(または外力),targetを出すこと.velocitiesがない機体は,推定器で差分をとります.- 外力の出し方を一つ選ぶこと.sensorがあれば
sensor,なければmodel_residualかnextです. - 位置制御の上で動くこと.torque制御の機体でも,位置指令と
FollowerSafetyの範囲で動かせるなら使えます.
leader として加える機体に必要なもの:
- 力を返す関節を電流(torque)で制御できること.位置しか出せない入力(VRなど)は,逆送なしで使います.
- 重力補償が使えること(
gravity_comp,またはその機体の重力model). - controllerの
jointsで,leaderとfollowerの関節が1対1に対応すること.
運動学が違うleaderとfollower(関節の数や並びが違う)では,関節ごとの対応ができません.その場合は,手先の力 F を推定し,leaderで Jᵀ F に変換する必要があります.これは今回の範囲の外です.同じ契約(residual の代わりに手先の力を出す推定器)で後から足せるようにします.
対称型(robopy の bilateral_joint)も,leaderとfollowerに共通の制御則として後から加えられます.そのときは,followerの電流制御,両腕の重力model,torque定数が必要です.
9.未解決の課題
- 遅れ:Rakuda2のbusは1 Mbpsで,状態の読み出しに4 ms(Fast Sync Read)かかります.これと書き込み前の待ちの省略により,leaderとfollowerの周期を60 Hzから120 Hzへ上げ,実機で確かめました(設定 の「制御周期」).逆送の経路はfollowerの1周期,推定,controller,leaderの1周期を通るので,遅れは数周期分(120 Hzで約20〜30 ms)と見込みます.FACTRの500 Hzよりは遅いので,gate,ramp,減衰,弱いgainから始めます.通信速度を4 Mbpsへ上げると,さらに周期を上げられますが,全motorのEEPROMを書き換える必要があり,今回は行っていません.
- 推定の精度:
model_residualには摩擦と慣性が残ります.速く動かすと接触がなくても残差が出ます.接触の閾値で抑えますが,NEXTに置き換える前提です. - 電流の上限:逆送の分だけleaderのCurrent Limitを上げる必要があります.hostが止まったときに残る力が大きくなります.
- 方策での利用:外力を記録するところまでがroboloomの範囲です.FACTRのcurriculumやFIRSTは学習側の課題です.
- 調査の範囲:FACTR 2の利用者実験の数値は図にしかなく,確かめていません.factr2_nextのREADMEと実装には食い違いがあります(例:READMEは重力補償を機能に挙げますが,配布設定では無効です).