考虑模型不确定性的工业机器人接触力估计的物理信息驱动自适应卡尔曼滤波器
《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》:Physics-informed adaptive Kalman filter for contact force estimation in industrial robots considering model uncertainty
【字体:
大
中
小
】
时间:2026年03月16日
来源:ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING 12.3
编辑推荐:
胡鸿波|马佳|陆宇涵|庄重刚 上海交通大学机械工程学院,中国上海200240 摘要 对于缺乏扭矩传感器的机器人交互任务而言,精确的外部接触力估算至关重要。现有的考虑模型不确定性的力观测方法往往无法有效应对由关节间隙引起的动态不确定性。本文提出了一种基于物理信息神经网络(PINNs
胡鸿波|马佳|陆宇涵|庄重刚 上海交通大学机械工程学院,中国上海200240 摘要 对于缺乏扭矩传感器的机器人交互任务而言,精确的外部接触力估算至关重要。现有的考虑模型不确定性的力观测方法往往无法有效应对由关节间隙引起的动态不确定性。本文提出了一种基于物理信息神经网络(PINNs)的混合物理-数据建模方法用于机器人动力学和摩擦力分析,并将其应用于观测器设计。首先,利用高斯基函数构建与关节间隙相关的动态误差模型,从而实现对由关节间隙引起的模型不确定性的实时补偿。在此模型基础上,提出了一种基于物理信息的自适应卡尔曼滤波器(PIAKF)来处理模型不确定性。此外,还分析了观测过程中的干扰传播问题,并通过应用变时间周期模式切换移动平均滤波器实现了对干扰噪声的有效抑制。最后,数值模拟和实物实验展示了所提出的PIAKF的性能,其效果显著优于现有的先进观测技术。引言 在位置/速度控制模式下工作的机器人操作臂能够执行多种任务,如码垛、焊接和喷涂等。然而,由于没有考虑与外部环境的交互,它们仅限于在结构化场景中执行目标位置移动或轨迹跟踪任务。引入外部力信息可以显著提升机器人的操作性能和安全性。通过阻抗控制或混合力/位置控制[1,2],可以实现更复杂的交互环境感知和顺应性控制任务,例如协作运输[3]、精密装配[4]或其他需要与环境或人类交互的应用。力/扭矩传感器是获取外部力信息最常用的解决方案。然而,由于制造成本和机器人结构刚性要求的限制,大多数工业机器人并未配备关节扭矩传感器,而且通常也不在末端执行器上安装力/扭矩传感器。此外,这类传感器的不当机械集成可能会引发机器人控制系统的不稳定[5]。这些限制使得无传感器接触力估算方法成为近期研究的热点。图1展示了以往无传感器接触力估算方法的进展路线图。无传感器力估算的基本原理在于基于机器人的逆动力学模型(IDM)构建状态观测器以近似外部力。为避免关节加速度带来的微分噪声以及惯性矩阵求逆带来的计算开销,广义动量观测器(GMOs)已被广泛应用于碰撞检测[6]和负载识别[7]等领域。然而,基于GMO的外部力观测器固有一阶滤波特性,这会不可避免地削弱高频分量,从而限制其在接触力信号估算中的精度[8]。基于IDM的无传感器观测器的另一个关键局限性在于它们对模型精度的极高依赖性[9,10]。虽然机器人IDM通常是通过牛顿-欧拉法或拉格朗日法等基于物理的方法建立标准动力学模型,然后再进行参数最小化和辨识[11],但诸多实际因素会降低模型精度。包括关节摩擦、结构弹性以及传动间隙在内的未建模非线性因素必然会扭曲动力学模型[12]。此外,估算过程中的不可忽视的噪声也会带来较大的模型不确定性[13]。有效处理模型不确定性已成为提升接触力估算性能的关键因素。在主动扰动抑制控制(ADRC)框架中的扩展状态观测器(ESO)将动力学模型不确定性和外部扰动视为聚合扰动,并将其作为额外的状态变量进行处理。这种方法使得基于ESO的观测器具有更强的鲁棒性,尤其适用于非线性系统,因此非常适合在存在严重扰动的情况下进行力估算。基于ESO的观测器的有效性在很大程度上取决于其状态空间维度。更高阶的ESO具有更好的观测性能,能够有效估算高频时变接触力[14]和加速度[15],并且在处理复杂、非线性和时变扰动方面表现更为出色。ESO还可以与GMO结合使用,以实现降阶并提高计算效率[16]。然而,基于ESO的观测器对增益参数极为敏感,从而导致设计更加复杂。此外,还必须权衡计算效率与观测延迟之间的关系,这也限制了它们在更复杂任务中的应用。引入关于外部力的先验知识可以进一步提升接触力估算的精度[17]。干扰卡尔曼滤波器(DKF)通过引入先验过程模型误差协方差矩阵(ECM),能够实时有效降低测量和估算噪声。尽管ECM本身存在不准确性,但DKF仍能保持良好的性能,这一点已在连续体机器人控制[18]、车辆状态估算[19]以及滚珠丝杠扰动估算[20]中得到验证。在假设系统噪声和测量噪声遵循高斯分布的前提下,DKF能够提供统计上最优的线性估算结果。因此,将DKF与广义动量相结合已成为机器人力估算领域的关键研究方向。Wahrburg等人是最早提出将DKF用于机器人接触力估算的学者之一[21,22]。在此基础上,人们又开发出了结合变时间周期模式切换滤波[23]和滑动窗口变分技术的自适应卡尔曼滤波器(AKF),以应对机器人与环境交互过程中外部接触力的时变特性。此外,Liang等人专门为下肢康复机器人设计了Sage-Husa自适应强跟踪卡尔曼滤波器(SHASTKF),该滤波器能够递归估算噪声特性,并快速跟踪突然的接触力变化[25]。尽管基于ESO和基于KF的方法都能够在一定程度上补偿模型不确定性,但在现实世界的接触力估算任务中,这些不确定性的多源异构特性仍然给高精度估算带来了挑战[10]。得益于其在处理非线性误差方面的优异学习能力,数据驱动方法已成为一种潜在的解决方案。为了解决机器人动力学模型中的不确定性,人们已将基于神经网络的半参数动力学模型应用于DKF的开发中[26,27]。Lim等人进一步通过构建长短期记忆(LSTM)模块将模型不确定性和外部扰动结合起来,以改进GMO[28]。高斯过程回归(GPR)提供了另一种模型-数据混合驱动建模的方法。Wei等人为基于GPR的接触力估算推导出了虚拟测量方程,并开发出了高斯过程自适应干扰卡尔曼滤波器(GPADKF)[10]。此外,Evangelisti等人还推导出了具有物理一致性的拉格朗日-高斯过程(L-GP),并开发出了具备不确定性量化的动量观测器[29,30]。数据驱动技术的应用为建模非线性效应提供了更好的解决方案。然而,由此产生的非参数模型本质上是非线性的,且往往缺乏清晰的动力学描述,这使得设计一个能够明确融入机器人物理信息的力观测器变得十分困难。物理信息神经网络(PINNs)结合了物理建模和深度学习的优势,在机器人动力学领域展现出了巨大潜力[31,32],但在接触力估算方面的研究还不够充分。为了解决现有观测器存在的上述问题,本文基于PINN开发了一种物理信息自适应卡尔曼滤波器(PIAKF),该滤波器能够考虑模型不确定性,实现机器人外部接触力的高精度估算,同时还能借助明确的物理信息来实现不确定性补偿。首先,完成了基于PINN的机器人动力学和摩擦力建模,并推导出了惯性矩阵的导数,从而构建了基于物理信息的卡尔曼滤波器(PIKF)。随后,设计了一个包含高斯基函数的干扰补偿模块,并将其嵌入到所提出的PIKF中,以此实现对机器人系统内部不确定性的补偿。最后,通过在线移动平均滤波有效降低了观测过程中的干扰传播问题。本文进行了数值模拟和实物实验,并将所提出的PIAKF与其他先进方法进行了比较,结果表明其在观测和处理模型不确定性方面具有更出色的性能。此外,还对观测器的计算时间成本进行了比较和分析。本文的主要贡献如下:1)提出了结合基于PINN的机器人动力学和摩擦力建模的PIAKF观测器,通过链式计算求解惯性矩阵的导数,从而降低了观测时间成本。2)设计了一个集成高斯基函数的通用间隙不确定性补偿模块,并将其嵌入到统一的PINN框架中,有效解决了机器人系统内部的模型不确定性问题。3)通过构建辅助观测变量,将间隙不确定性与观测过程中的干扰噪声分离,同时应用变时间周期模式切换移动平均滤波器来有效抑制噪声。本文的其余部分安排如下:第2节概述了必要的理论背景及相关工作。第3节详细介绍了所提出的用于机器人接触力估算的PIAKF,包括观测器的构建和不确定性建模。第4节通过数值模拟和实物实验验证了PIAKF的有效性。最后,第5节给出了结论。片段模型驱动的外部扭矩估算得益于对动力学和摩擦行为的先验知识,模型驱动的外部力估算相比无模型方法表现出更优异的性能。n自由度(DOF)串联机器人的刚体动力学模型可以通过牛顿-欧拉法或拉格朗日法以相同的形式推导出来:?M(q)q¨+C(q,q˙)q˙+G(q)︸?τdyn+τfri=τdri+τext其中q,q˙,q¨∈?n×1代表机器人关节角度、角速度和角加速度的向量。所提出的物理信息自适应卡尔曼滤波器本节详细描述了如图2所示的用于机器人接触力估算的PIAKF的设计方法。首先,推导出结合基于PINN的动力学建模的卡尔曼滤波器(KF),以便更好地近似非线性动力学和摩擦行为。同时,还开发了一种更快速的惯性矩阵导数推断方法,以提高观测器的效率。随后,设计了一个基于高斯的干扰补偿模块。性能评估与分析本节通过数值模拟验证了所提出的PIAKF在观测性能和推断成本方面的优势。随后,在SIASUN SN7B 6-DOF串联工业机器人上的实际接触力估算任务中,验证了所提出的不确定性补偿和噪声抑制方法的有效性。此外,还将所提出的PIAKF与其他先进方法进行了比较,并进行了相应的评估和分析。结论本研究解决了在存在显著模型不确定性,尤其是由间隙引起的动力学不确定性的情况下,工业机器人进行高精度无传感器接触力估算的问题。本文提出了一种PIAKF框架,该框架将基于PINN的结构化动力学建模、包含不确定性的观测器设计以及噪声传播分析整合到了一个统一的估算架构中。所提出的方法能够明确地对内部扰动进行建模,而非将模型不匹配视为……作者贡献声明胡鸿波:方法论、研究工作。马佳:形式分析。陆宇涵:验证工作。庄重刚:资源支持、方法论、研究工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号