《Biomimetics》:Hybrid Neuro-Symbolic State-Space Modeling for Industrial Robot Calibration via Adaptive Wavelet Networks and PSO
He Mao,
Zhouyi Lai and
Zhibin Li
编辑推荐:
针对工业机器人绝对定位精度受静态几何偏差与动态非几何效应共同制约的问题,研究人员提出了一种融合符号运动学模型与数据驱动残差学习的神经符号状态空间建模方法。该方法将传统Denavit-Hartenberg(D–H)参数标定扩展为包含关节零位偏移的四参数辨识体系,
针对工业机器人绝对定位精度受静态几何偏差与动态非几何效应共同制约的问题,研究人员提出了一种融合符号运动学模型与数据驱动残差学习的神经符号状态空间建模方法。该方法将传统Denavit-Hartenberg(D–H)参数标定扩展为包含关节零位偏移的四参数辨识体系,并利用拉线编码器实测长度与符号预测值的残差构建观测方程。为显式分离几何偏差与构型依赖的非几何动态(如关节柔性),研究人员引入自适应小波网络(Adaptive Wavelet Network, AWNN)对残余误差进行逼近,并将该网络嵌入扩展卡尔曼滤波(EKF)框架中,实现了对24维几何状态向量的动态估计。实验结果表明,所提方法在补偿几何误差的同时有效学习了构型相关的非线性动态,显著提升了机器人末端定位精度,且优于仅依赖刚性假设的常规EKF方法。
研究背景与意义
工业机器人在精密制造、航空航天等领域的应用对绝对定位精度提出了严苛要求。传统运动学标定主要聚焦于静态几何误差(如连杆长度、偏置及扭转角偏差)的补偿,通常基于刚性体假设与Denavit-Hartenberg(D–H)模型。然而,实际运行中存在的关节柔性、摩擦及热变形等非几何因素会随构型变化产生动态残差,导致仅依赖几何标定的精度受限。现有方法难以在统一框架内同时处理静态参数辨识与动态效应建模,且对未建模动态的适应性不足。为此,研究人员开展了一项融合符号运动学先验与数据驱动学习的研究,旨在构建一种能够显式解耦并补偿这两类误差的神经符号状态空间模型,以提升机器人的长期定位可靠性。该研究发表于国际期刊《Biomimetics》。
关键技术方法
研究人员首先建立了包含24个待辨识参数的向量 x,涵盖6个关节的D–H参数(ai, di, αi)及其零位偏移θ0,i。通过符号计算定义了观测函数 h(x, qk),即基于当前参数预测的拉线编码器理论长度,并与实测值 zk作差得到测量残差 Δsk。核心创新在于将自适应小波网络(AWNN)嵌入状态空间观测方程,用于逼近残差中与构型相关的非几何动态。状态估计采用扩展卡尔曼滤波(EKF)框架,其中AWNN的权重作为部分状态或时变参数进行在线更新。实验使用一台6自由度工业机器人,在多个预设构型下采集拉线编码器的长度数据作为校准样本队列。
研究结果
- •
2.1 符号运动学模型与残差定义
研究人员构建了基于改进D–H参数的前向运动学模型。定义校准后的参数为名义值(上标 nom)与辨识偏差(Δ)之和,即 ai= ainom+ Δai,θi= qk,i+ θ0,ical,其中 θ0,ical= θinom+ Δθ0,i。观测函数 h(x, qk) 计算末端执行器相对于基座坐标系的理论位置到编码器安装点的距离。测量残差 Δsk= zk- h(x, qk) 被证实包含未建模的非几何动态。
- •
2.2 神经符号状态空间建模与自适应小波网络
为解决上述问题,研究人员提出了神经符号状态空间模型。状态向量 x ∈ ?24包含所有几何偏差参数。与标准EKF不同,观测方程被构造为符号运动学模型与自适应小波网络(AWNN)的并联输出:h(x, qk) + fAWNN(qk)。AWNN负责学习残差中依赖于关节构型 qk的非线性动态(如关节柔顺性)。这种融合实现了静态几何偏差与动态非几何效应的显式分离。
讨论与结论
研究结论表明,所提出的神经符号框架成功地将可解释的符号运动学知识与自适应的数据驱动学习能力相结合。通过引入AWNN,模型不再严格依赖刚性体假设,能够有效捕捉并补偿随机器人构型变化的非几何误差。实验结果验证了该方法在提升绝对定位精度方面的有效性,其性能优于传统的仅考虑几何误差的标定方法。这项工作为高精度机器人系统的误差建模提供了一种新的范式,即通过符号与神经组件的融合,兼顾了模型的物理可解释性与对复杂动态环境的适应性,对提升工业机器人的精密操作能力具有重要意义。