Biomimetic Dual-Strategy Adaptive Differential Evolution for Joint Kinematic-Residual Calibration with a Neuro-Physical Hybrid Jacobian
Xibin Ma, Yugang Zhao and Zhibin Li
《Biomimetics》:Biomimetic Dual-Strategy Adaptive Differential Evolution for Joint Kinematic-Residual Calibration with a Neuro-Physical Hybrid Jacobian
Xibin Ma,
Yugang Zhao and
Zhibin Li
编辑推荐:
为提高工业机械臂的绝对精度,研究人员提出了一种受生物脑体共适应启发的进化神经-物理混合(Evo-NPH)框架。该框架将刚性几何参数与神经补偿器权重视为单一共进化的决策向量。离线阶段,采用双策略自适应差分进化(DS-ADE)优化器进行全局关节识别,利用互补的探索
为提高工业机械臂的绝对精度,研究人员提出了一种受生物脑体共适应启发的进化神经-物理混合(Evo-NPH)框架。该框架将刚性几何参数与神经补偿器权重视为单一共进化的决策向量。离线阶段,采用双策略自适应差分进化(DS-ADE)优化器进行全局关节识别,利用互补的探索-开发行为及成功历史继承机制,模拟生物系统中的形态-控制共进化;在线阶段,神经-物理混合雅可比(NPHJ)求解器结合图科尔莫戈罗夫-阿诺德网络(GKAN)的梯度与分析雅可比矩阵,实现学习到的物理流形上的感觉运动类实时补偿。在ABB IRB 120机械臂上的实验表明,该方法在600组位姿(500组训练,100组测试)下,测试距离残差均方根误差(RMSE)达0.62 mm,标准差(STD)为0.59 mm,最大值(MAX)为0.83 mm。相较于未标定基线,RMSE降低86.75%;与最强已发表基线相比,RMSE提升23.46%。消融实验显示,联合DS-ADE优化较序贯流程性能提升32.6%,图结构KAN较参数量匹配的MLP提升26.2%。Wilcoxon符号秩检验(p < 0.001)证实了结果的统计显著性。
在工业4.0与智能制造背景下,机器人系统虽具备高重复定位精度,但其绝对体积定位精度常滞后于分辨率需求,主要受限于制造装配公差引发的几何误差及结构弹性、齿轮间隙、热变形等非几何因素的综合影响。传统标定依赖激光跟踪仪等高成本设备,限制了中小企业应用;而现有数据驱动方法多采用多层感知机(MLP),存在拓扑不可知性与频谱偏差,难以捕捉机器人串联链式的近端扰动传递特性及高频物理形变。此外,传统逆运动学(IK)求解器基于名义运动学的刚性雅可比矩阵,无法表征柔顺区域的真实Fr′echet导数,导致优化方向偏离。为此,研究人员受生物神经系统与躯体无缝共适应的启发,开发了Evo-NPH框架,相关成果发表于《Biomimetics》。
关键技术方法包括:采用Denavit-Hartenberg(D-H)惯例构建刚性运动学骨架,明确分离几何参数与非几何残差;设计双策略自适应差分进化(DS-ADE)算法,将D-H参数与GKAN权重联合编码为统一决策向量进行协同优化;构建图科尔莫戈罗夫-阿诺德网络(GKAN),利用其边上的可学习样条激活函数替代传统MLP的节点权重,以适配机器人运动学拓扑;提出神经-物理混合雅可比(NPHJ)求解器,在阻尼最小二乘迭代中融合解析雅可比项与训练后GKAN的梯度场,实现实时IK控制。实验对象为ABB IRB 120六轴工业机械臂,数据采集自600个随机位姿配置。
研究结果方面,“1. 引言”部分确立了研究动机,指出单一几何标定无法覆盖构型相关的非几何效应,强调了联合优化的必要性。“2. 刚性运动学建模与几何参数辨识”建立了基于D-H惯例的变换矩阵模型,为后续残差学习划定了刚性基准。
讨论与结论部分指出,该研究提出的生物启发式DS-ADE引擎通过联合优化,有效降低了高维标定景观中的局部极小值敏感性。混合雅可比求解器在专用求解器比较中表现最优,成功率高达98%,平均迭代次数仅为5.7次,最终残差低至0.58 mm,证明了结合刚性结构与学习补偿的优势。通过使用紧支撑样条激活函数,实现了任意高阶平滑的连续误差流形,有效抑制了对测量噪声的过拟合。在100个未见配置上的泛化测试中,该方法取得了0.62 mm的测试RMSE,统计学检验证实其显著优于所有七个基线模型。这表明Evo-NPH框架为解决工业机器人绝对精度瓶颈提供了一种高效、低成本且统计稳健的新范式。