38、基于深度学习的力 - 扭矩传感器干扰观测器

基于深度学习的力 - 扭矩传感器干扰观测器

1. 引言

在涉及物理交互的机器人任务中，如人机协作、触觉控制和机器人运动等，准确及时地感知与环境的接触力至关重要。通常会在机器人末端执行器上安装力 - 扭矩传感器来测量与环境交互时产生的力和扭矩，但该传感器会同时测量内部（非接触）力和外部（接触）力。内部非接触力由重力、惯性、科里奥利力和离心力引起，需要先对其进行估计，然后从传感器输出中减去，才能得到纯外部接触力。

此前已有一些工作专注于估计力 - 扭矩传感器上的非接触力，例如有的使用基于包含机器人动力学的状态空间系统的观测器，有的利用已知负载的惯性矩阵方程，还有的通过识别负载的惯性参数并使用牛顿 - 欧拉公式计算内部力。也有一些方法依靠机器学习直接估计力，如早期使用前馈神经网络基于机器人关节位置、速度和加速度近似二维力，后来使用时间延迟神经网络估计六维接触力。循环神经网络（RNN）在机器人任务的力估计中也取得了成功应用，本文提出使用机器人的本体感受信息和低成本加速度计训练一个循环神经网络来直接估计非接触力。

2. 技术方法

力 - 扭矩传感器的输出可以表示为：
[W = W_{NC} + W_{C} = \begin{bmatrix}F \ \Gamma\end{bmatrix}^T]
其中，(W_{NC} = [W_{gravity}, W_{inertia}, W_{coriolis + centrifugal}]^T) 是由非接触力和扭矩 (f_{NC}) 和 (\tau_{NC}) 产生的干扰力和扭矩，(W_{C}) 是纯接触力和扭矩 (f_{C}) 和 (\tau_{C}) 产生的接触力和扭矩。(F) 和 (\Gamma) 分别是