Physics-Informed Neural Networks with Unscented Kalman Filter for Sensorless Joint Torque Estimation in Humanoid Robots
作者: Ines Sorrentino, Giulio Romualdi, Lorenzo Moretti, Silvio Traversaro, Daniele Pucci
分类: cs.RO
发布日期: 2025-07-14
期刊: IEEE Robotics and Automation Letters ( Volume: 10, Issue: 6, June 2025)
💡 一句话要点
提出基于物理信息神经网络与无迹卡尔曼滤波的人形机器人无力矩传感器关节力矩估计方法
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 人形机器人 力矩控制 物理信息神经网络 无迹卡尔曼滤波 摩擦建模 无传感器 关节力矩估计
📋 核心要点
- 现有方法依赖力矩传感器或复杂的动力学模型，难以准确估计关节力矩，尤其是在存在非线性摩擦的情况下。
- 该论文提出利用物理信息神经网络（PINN）建模摩擦力，并结合无迹卡尔曼滤波（UKF）进行力矩估计，无需力矩传感器。
- 实验表明，该方法在力矩跟踪精度、能量效率和抗扰动性方面优于传统方法，且具有良好的可扩展性。
📝 摘要（中文）
本文提出了一种用于人形机器人全身力矩控制的新框架，该框架无需关节力矩传感器，专为配备电机和高减速比谐波驱动的系统设计。该方法集成了物理信息神经网络（PINN）用于摩擦建模，以及无迹卡尔曼滤波（UKF）用于关节力矩估计，并将其置于实时力矩控制架构中。PINN从关节和电机速度读数中估计非线性静态和动态摩擦，捕捉诸如电机驱动但关节不运动等现象。UKF利用基于PINN的摩擦估计作为直接测量输入，提高了力矩估计的鲁棒性。在ergoCub人形机器人上的实验验证表明，与最先进的递归牛顿-欧拉算法（RNEA）相比，该方法在动态平衡实验中实现了更高的力矩跟踪精度、更高的能源效率和更强的抗扰动能力。该框架的可扩展性通过在具有相似硬件但不同摩擦特性的机器人上保持一致的性能而得到证明，无需重新识别。此外，与位置控制的对比分析突出了所提出的力矩控制方法的优势。结果表明，该方法是一种可扩展且实用的解决方案，适用于人形机器人的无传感器力矩控制，确保了动态环境中的力矩跟踪、适应性和稳定性。
🔬 方法详解
问题定义：人形机器人全身力矩控制需要精确的关节力矩信息。然而，直接使用力矩传感器成本高昂且易损坏。传统的基于模型的力矩估计方法，如递归牛顿-欧拉算法（RNEA），对摩擦力等非线性因素建模不足，导致估计精度下降。因此，如何在没有力矩传感器的情况下，准确估计关节力矩，尤其是在存在复杂摩擦力的情况下，是本文要解决的问题。
核心思路：论文的核心思路是利用物理信息神经网络（PINN）学习关节的摩擦模型，然后将PINN的输出作为无迹卡尔曼滤波（UKF）的输入，从而实现更准确的关节力矩估计。PINN能够从数据中学习复杂的非线性摩擦特性，而UKF则能够融合PINN的估计结果和机器人动力学模型，提高估计的鲁棒性。
技术框架：该框架包含以下主要模块：1) 数据采集模块：采集关节和电机的速度数据。2) PINN摩擦模型：利用PINN学习关节的静态和动态摩擦模型。3) UKF力矩估计器：利用PINN的摩擦力估计结果和机器人动力学模型，进行关节力矩估计。4) 力矩控制器：基于估计的关节力矩，实现全身力矩控制。整个流程是实时运行的，可以用于人形机器人的在线控制。
关键创新：该方法最重要的创新点在于将物理信息神经网络（PINN）引入到人形机器人的力矩估计中。传统的力矩估计方法通常依赖于简化的摩擦模型，而PINN能够从数据中学习复杂的非线性摩擦特性，从而提高力矩估计的精度。此外，将PINN的输出作为UKF的输入，可以有效地融合数据驱动的摩擦模型和基于模型的动力学模型，提高估计的鲁棒性。
关键设计：PINN的网络结构需要根据具体的机器人关节设计，损失函数通常包含数据驱动的损失项和物理信息约束项。数据驱动的损失项用于拟合关节和电机的速度数据，物理信息约束项用于保证PINN的输出满足一定的物理规律，例如摩擦力与速度的关系。UKF的关键参数包括过程噪声和测量噪声的协方差矩阵，这些参数需要根据实际情况进行调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，与传统的递归牛顿-欧拉算法（RNEA）相比，该方法在力矩跟踪精度方面有显著提升，能量效率更高，抗扰动能力更强。在ergoCub人形机器人上的动态平衡实验中，该方法表现出优异的性能，并且在不同摩擦特性的机器人上具有良好的可扩展性，无需重新进行摩擦参数辨识。与位置控制相比，该方法能够实现更精确的力矩控制。
🎯 应用场景
该研究成果可广泛应用于人形机器人、康复机器人、外骨骼等领域，实现高精度、低成本的力矩控制。通过精确的力矩控制，可以提高机器人的运动性能、能量效率和安全性，使其能够更好地适应复杂动态环境，完成更精细的操作任务。此外，该方法无需力矩传感器，降低了硬件成本和维护难度，具有重要的实际应用价值。
📄 摘要（原文）
This paper presents a novel framework for whole-body torque control of humanoid robots without joint torque sensors, designed for systems with electric motors and high-ratio harmonic drives. The approach integrates Physics-Informed Neural Networks (PINNs) for friction modeling and Unscented Kalman Filtering (UKF) for joint torque estimation, within a real-time torque control architecture. PINNs estimate nonlinear static and dynamic friction from joint and motor velocity readings, capturing effects like motor actuation without joint movement. The UKF utilizes PINN-based friction estimates as direct measurement inputs, improving torque estimation robustness. Experimental validation on the ergoCub humanoid robot demonstrates improved torque tracking accuracy, enhanced energy efficiency, and superior disturbance rejection compared to the state-of-the-art Recursive Newton-Euler Algorithm (RNEA), using a dynamic balancing experiment. The framework's scalability is shown by consistent performance across robots with similar hardware but different friction characteristics, without re-identification. Furthermore, a comparative analysis with position control highlights the advantages of the proposed torque control approach. The results establish the method as a scalable and practical solution for sensorless torque control in humanoid robots, ensuring torque tracking, adaptability, and stability in dynamic environments.