EcBot: Data-Driven Energy Consumption Open-Source MATLAB Library for Manipulators

📄 arXiv: 2508.06276v1 📥 PDF

作者: Juan Heredia, Christian Schlette, Mikkel Baun Kjærgaard

分类: cs.RO

发布日期: 2025-08-08

DOI: 10.1109/ICAR58858.2023.10406410

💡 一句话要点

提出EcBot以解决现有机械臂能耗模型准确性不足问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 机械臂 能耗模型 数据驱动 MATLAB 开源库 工业自动化 智能制造

📋 核心要点

  1. 现有的机械臂电力估算模型主要集中在传统工业机器人上，且准确性不足，限制了其应用。
  2. 本文提出了EcBot，一个基于MATLAB的开源库，能够自动生成机械臂的能耗模型，采用数据驱动的方法。
  3. 通过对四款轻量级机器人进行测试，模型的RMSE在训练和测试数据集上均表现出良好的准确性，验证了方法的有效性。

📝 摘要（中文）

现有文献提出了机械臂电力估算模型，但存在两个主要局限性：一是大多数模型主要在传统工业机器人上进行测试，二是这些模型的准确性往往不足。为了解决这些问题，本文介绍了一个基于MATLAB的开源库EcBot，旨在自动生成机械臂的能耗模型。该库所需的输入包括Denavit-Hartenberg参数、连杆质量和质心。此外，我们的模型是数据驱动的，需要真实的操作数据，包括关节位置、速度、加速度、电力及相应的时间戳。通过对来自Universal Robots、Franka Emika和Kinova三家不同制造商的四款轻量级机器人进行测试，我们的方法验证了模型的有效性，训练数据集的均方根误差（RMSE）范围为1.42 W至2.80 W，测试数据集的RMSE范围为1.45 W至5.25 W。

🔬 方法详解

问题定义：本文旨在解决现有机械臂能耗模型在准确性和适用性上的不足，尤其是传统模型在轻量级机器人上的应用局限性。

核心思路：提出的EcBot库通过数据驱动的方法，利用真实操作数据生成能耗模型，确保模型的准确性和适用性。

技术框架：EcBot库的整体架构包括数据输入模块（Denavit-Hartenberg参数、连杆质量等）、数据驱动模型生成模块及模型验证模块。

关键创新：EcBot的最大创新在于其开源特性和数据驱动的模型生成方式，区别于传统模型的静态参数设定，能够适应不同类型的机械臂。

关键设计：模型设计中，关键参数包括关节位置、速度、加速度和电力等，损失函数采用均方根误差（RMSE）来评估模型的性能。

📊 实验亮点

在实验中，EcBot模型在训练数据集上的均方根误差（RMSE）范围为1.42 W至2.80 W，而在测试数据集上RMSE范围为1.45 W至5.25 W，显示出良好的准确性。这些结果表明，EcBot在能耗模型生成方面具有显著的性能提升，尤其是在轻量级机器人应用中。

🎯 应用场景

EcBot库的潜在应用领域包括工业自动化、机器人控制和智能制造等。其开源特性使得研究人员和工程师能够根据不同的机械臂需求，快速生成和优化能耗模型，从而提高能效和降低运营成本。未来，该库有望推动机器人技术的进一步发展与应用。

📄 摘要（原文）

Existing literature proposes models for estimating the electrical power of manipulators, yet two primary limitations prevail. First, most models are predominantly tested using traditional industrial robots. Second, these models often lack accuracy. To address these issues, we introduce an open source Matlab-based library designed to automatically generate \ac{ec} models for manipulators. The necessary inputs for the library are Denavit-Hartenberg parameters, link masses, and centers of mass. Additionally, our model is data-driven and requires real operational data, including joint positions, velocities, accelerations, electrical power, and corresponding timestamps. We validated our methodology by testing on four lightweight robots sourced from three distinct manufacturers: Universal Robots, Franka Emika, and Kinova. The model underwent testing, and the results demonstrated an RMSE ranging from 1.42 W to 2.80 W for the training dataset and from 1.45 W to 5.25 W for the testing dataset.