Physics-data hybrid dynamic model of a multi-axis manipulator for sensorless dexterous manipulation and high-performance motion planning
作者: Wu-Te Yang, Jyun-Ming Liao, Pei-Chun Lin
分类: cs.RO
发布日期: 2024-05-07
备注: 26 pages, 16 figures
💡 一句话要点
提出物理-数据混合动力学模型，用于多轴机械臂的灵巧操作和高性能运动规划。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 机械臂控制 动力学建模 混合模型 无传感器控制 运动规划 XGBoost 拉格朗日方法
📋 核心要点
- 现有机械臂控制方法依赖精确的动力学模型或外部传感器，前者建模复杂，后者成本高且易受环境干扰。
- 提出一种物理-数据混合动力学模型，结合拉格朗日建模的物理先验和XGBoost学习的残差动态，提升模型精度和泛化性。
- 实验表明，该混合模型仅需少量数据即可实现高精度动力学建模，并成功应用于无传感器控制和高效运动规划任务。
📝 摘要（中文）
本文提出了一种可实现的物理-数据混合动力学模型，用于关节机械臂在各种场景下的规划和操作。研究了基于物理的和数据驱动的动力学模型，以选择最佳的规划模型。基于物理的模型使用拉格朗日方法构建，损失项包括惯性损失、粘性损失和摩擦损失。对于数据驱动模型，探索了三种方法，包括DNN、LSTM和XGBoost。建模结果表明，经过全面的超参数优化后，XGBoost架构在准确表示机械臂动力学方面优于DNN和LSTM。基于RMSE标准，具有基于物理和数据驱动项的混合模型在所有模型中具有最佳性能，并且只需要大约24k的训练数据。此外，我们使用从动力学模型导出的观测到的外部扭矩开发了机械臂的虚拟力传感器，并通过物理-数据混合动力学模型设计了运动规划器。外部扭矩有助于末端执行器上的力和扭矩，从而促进与周围环境的交互，而内部扭矩控制机械臂的运动动力学并补偿内部损失。通过估计测量到的关节扭矩与内部损失之间的差异来估计外部扭矩，我们实现了一种无传感器控制策略，并通过插孔任务进行了演示。最后，基于混合动力学模型的基于学习的运动规划器有助于规划机械臂的时间高效轨迹。这种综合方法强调了集成基于物理的和数据驱动的模型在工业环境中进行高级机械臂控制和规划的有效性。
🔬 方法详解
问题定义：论文旨在解决多轴机械臂在复杂环境下的精确控制和高效运动规划问题。现有方法，如纯物理模型，难以精确捕捉所有动态特性（如摩擦、齿隙等），而纯数据驱动模型则需要大量数据且泛化能力有限。此外，依赖外部传感器的控制方案成本高昂且易受环境干扰。
核心思路：论文的核心思路是将基于物理的动力学模型与数据驱动的模型相结合，构建一个混合动力学模型。物理模型提供了一个初始的、近似的动力学描述，而数据驱动模型则用于学习和补偿物理模型中的误差和未建模动态。这种混合方法既利用了物理模型的先验知识，又能够通过数据学习提高模型的精度和鲁棒性。
技术框架：该方法包含以下几个主要模块：1) 基于拉格朗日方法建立机械臂的物理动力学模型，包括惯性项、粘性摩擦项和库伦摩擦项。2) 采用XGBoost算法构建数据驱动的动态模型，用于学习物理模型未能捕捉的动态特性。3) 将物理模型和数据驱动模型进行融合，形成混合动力学模型。4) 基于该混合模型，设计无传感器力估计器和运动规划器。
关键创新：该论文的关键创新在于提出了物理-数据混合动力学模型，并将其成功应用于机械臂的无传感器控制和运动规划。与传统的纯物理或纯数据驱动模型相比，该混合模型具有更高的精度和更好的泛化能力。此外，该论文还提出了一种基于混合模型的无传感器力估计方法，可以降低控制系统的成本和复杂性。
关键设计：在数据驱动模型方面，论文比较了DNN、LSTM和XGBoost三种算法，最终选择了XGBoost，因为它在精度和计算效率方面表现最佳。XGBoost的超参数通过交叉验证进行优化。混合模型的损失函数为预测扭矩与实际扭矩之间的均方根误差（RMSE）。为了实现无传感器力估计，论文利用混合模型估计内部扭矩，并通过测量的关节扭矩与内部扭矩之差来估计外部扭矩。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于XGBoost的数据驱动模型在准确表示机械臂动力学方面优于DNN和LSTM。混合模型在所有模型中表现最佳，基于RMSE标准，且仅需约24k的训练数据。通过插孔任务验证了无传感器控制策略的有效性。基于混合动力学模型的学习型运动规划器能够规划出时间效率更高的轨迹。
🎯 应用场景
该研究成果可广泛应用于工业机器人、医疗机器人、服务机器人等领域。通过提高机械臂的控制精度和运动效率，可以提升自动化生产线的效率和质量，实现更复杂的装配和操作任务。无传感器力估计技术可以降低机器人系统的成本和复杂性，使其更易于部署和维护。此外，该研究为机器人与环境的交互提供了新的思路，有助于开发更智能、更安全的机器人系统。
📄 摘要（原文）
We report on the development of an implementable physics-data hybrid dynamic model for an articulated manipulator to plan and operate in various scenarios. Meanwhile, the physics-based and data-driven dynamic models are studied in this research to select the best model for planning. The physics-based model is constructed using the Lagrangian method, and the loss terms include inertia loss, viscous loss, and friction loss. As for the data-driven model, three methods are explored, including DNN, LSTM, and XGBoost. Our modeling results demonstrate that, after comprehensive hyperparameter optimization, the XGBoost architecture outperforms DNN and LSTM in accurately representing manipulator dynamics. The hybrid model with physics-based and data-driven terms has the best performance among all models based on the RMSE criteria, and it only needs about 24k of training data. In addition, we developed a virtual force sensor of a manipulator using the observed external torque derived from the dynamic model and designed a motion planner through the physics-data hybrid dynamic model. The external torque contributes to forces and torque on the end effector, facilitating interaction with the surroundings, while the internal torque governs manipulator motion dynamics and compensates for internal losses. By estimating external torque via the difference between measured joint torque and internal losses, we implement a sensorless control strategy which is demonstrated through a peg-in-hole task. Lastly, a learning-based motion planner based on the hybrid dynamic model assists in planning time-efficient trajectories for the manipulator. This comprehensive approach underscores the efficacy of integrating physics-based and data-driven models for advanced manipulator control and planning in industrial environments.