Obstacle avoidance for redundant manipulators via indirect adaptive control based on surrogate models with real-time null-space reconfiguration

Robots are now widely employed across various domains, particularly in industrial settings where the use of robotic arms is becoming increasingly prevalent. This growing adoption has led to a rising demand for physical human-robot interaction (pHRI). In such scenarios, it is essential to ensure the safety of both humans and robots during task execution. This necessity has driven the development of advanced control strategies to address inherent challenges in pHRI tasks, such as parameter uncertainties and external disturbances, typically represented as ∆θ and dext, respectively. Most current control approaches rely on learning-based strategies, which, although effective, often require large amounts of training data and substantial computational resources—factors that significantly hinder their practical deployment. In contrast, indirect adaptive control offers an alternative by enabling real-time identification and compensation of system variation. However, since it relies on estimated models ˆf(x), it performs inadequately in highly nonlinear systems. To address these challenges, this paper proposes a novel proxy-model-based adaptive control strategy that integrates Radial Basis Function (RBF) regression and meta-heuristic optimization algorithms for data-driven nonlinear parameter prediction. This method is more applicable to systems with model uncertainty or complex dynamics. When external forces fext act upon the robot’s kinematic chain, the proposed strategy iteratively reconfigures the robot’s null space N (J) to minimize the impact of these forces, while continuously updating Cartesian impedance control parameters Kd, Kp to maintain end-effector performance. The proposed method was validated in Gazebo 11 using the official URDF model of the Franka Emika Panda robot. Both regulation and path-tracking tasks were addressed. Simulation results demonstrate that the strategy successfully constrains the end-effector position mean squared error within 10^−3, while achieving effective null space reconfiguration.

I robot sono ormai ampiamente utilizzati in vari settori, in particolare in ambienti industriali, dove l'uso delle braccia robotiche è sempre più diffuso. Questa crescente adozione ha portato a un aumento della domanda di interazione fisica uomo-robot (pHRI). In tali scenari, è essenziale garantire la sicurezza sia degli esseri umani che dei robot durante l'esecuzione dei compiti. Questa necessità ha spinto lo sviluppo di strategie di controllo avanzate per affrontare le sfide intrinseche nei compiti pHRI, come incertezze nei parametri e disturbi esterni, tipicamente rappresentati da ∆θ e dext, rispettivamente. La maggior parte degli approcci di controllo attuali si basa su strategie di apprendimento, che, sebbene efficaci, richiedono spesso grandi quantità di dati di addestramento e risorse computazionali sostanziali—fattori che ostacolano significativamente la loro implementazione pratica. Al contrario, il controllo adattivo indiretto offre un'alternativa consentendo l'identificazione e la compensazione in tempo reale delle variazioni del sistema. Tuttavia, poiché si basa su modelli stimati ˆf(x), non è adeguato per sistemi altamente non lineari. Per affrontare queste sfide, questo articolo propone una nuova strategia di controllo adattivo basata su un modello proxy che integra la regressione a Funzione di Base Radiale (RBF) e algoritmi di ottimizzazione metaeuristici per la previsione non lineare dei parametri basata sui dati. Questo metodo è più applicabile a sistemi con incertezze nei modelli o dinamiche complesse. Quando forze esterne fext agiscono sulla catena cinematica del robot, la strategia proposta riconfigura iterativamente lo spazio nullo del robot N (J) per ridurre l'impatto di queste forze, aggiornando continuamente i parametri di controllo di impedenza cartesiana Kd, Kp per mantenere le prestazioni dell'effettore finale. Il metodo proposto è stato convalidato in Gazebo 11 utilizzando il modello URDF ufficiale del robot Franka Emika Panda. Sono stati affrontati sia compiti di regolazione che di tracciamento del percorso. I risultati della simulazione dimostrano che la strategia limita con successo l'errore quadratico medio della posizione dell'effettore finale a meno di 10^−3, ottenendo una riconfigurazione efficace dello spazio nullo.