Data-Driven Dynamic Parameter Learning of manipulator robots
作者: Mohammed Elseiagy, Tsige Tadesse Alemayoh, Ranulfo Bezerra, Shotaro Kojima, Kazunori Ohno
分类: cs.RO, cs.AI
发布日期: 2025-12-09
备注: Accepted for publication at SII 2026. 6 pages, 7 figures. Code is available at: https://github.com/MohamedAlsiagy/dynamic_parameter_est
💡 一句话要点
提出基于Transformer的机器人动力学参数数据驱动学习方法，提升Sim-to-Real迁移性能。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 机器人动力学参数估计 Transformer Sim-to-Real 数据驱动学习 注意力机制
📋 核心要点
- 传统机器人动力学参数估计方法难以应对复杂结构和交互，数据驱动方法受限于神经网络对长程依赖的捕捉能力。
- 利用Transformer的注意力机制，结合自动生成的多样化机器人数据集和雅可比矩阵导出的特征，实现更精确的参数估计。
- 实验表明，该方法在质量和惯量估计上表现出色，验证了Transformer在机器人动力学参数估计中的有效性，R2值达到0.8633。
📝 摘要（中文）
本文提出了一种基于Transformer的机器人动力学参数估计方法，旨在解决机器人Sim-to-Real迁移中的难题。传统解析方法在复杂机器人结构和交互中表现不足，而传统神经网络难以捕捉长程依赖。该方法利用自动化的数据生成流程，创建了包含8192个具有不同惯性和摩擦特性的机器人模型数据集，并使用雅可比矩阵导出的特征丰富轨迹数据。模型利用注意力机制有效捕捉时序和空间依赖关系。实验结果表明，序列长度、采样率和架构对性能有显著影响，最佳配置（序列长度64，64 Hz，四层，32头）的验证R2达到0.8633。质量和惯量估计精度接近完美，库仑摩擦估计精度中等到高，而粘性摩擦和远端连杆质心估计仍然具有挑战性。该研究表明，Transformer与自动化数据集生成和运动学增强相结合，能够实现可扩展、准确的动力学参数估计，从而改善机器人系统的Sim-to-Real迁移。
🔬 方法详解
问题定义：机器人动力学参数估计是实现可靠模型预测控制、逼真仿真和安全部署的关键，但传统解析方法在复杂机器人结构和交互中表现不足。现有神经网络，如循环神经网络，难以捕捉长程依赖关系，导致参数估计精度不高。Sim-to-Real迁移仍然面临挑战。
核心思路：利用Transformer模型的注意力机制，有效捕捉机器人运动轨迹中的时序和空间依赖关系。通过大规模数据驱动的方式，学习机器人动力学参数与运动状态之间的复杂映射关系，克服传统方法对模型精确性的依赖。
技术框架：整体框架包括三个主要阶段：1) 自动化数据集生成，创建包含大量具有不同动力学参数的机器人模型；2) 运动学特征提取，利用雅可比矩阵导出特征，丰富轨迹数据；3) 基于Transformer的动力学参数估计模型训练，利用注意力机制学习参数与运动状态之间的关系。
关键创新：最重要的创新点在于将Transformer模型应用于机器人动力学参数估计。与传统方法相比，Transformer能够更好地捕捉长程依赖关系，从而提高参数估计的准确性。此外，自动化数据集生成和运动学特征提取也为模型训练提供了丰富的数据支持。
关键设计：Transformer模型采用多层编码器结构，使用多头注意力机制捕捉不同尺度的依赖关系。实验中探索了不同的序列长度（64）、采样率（64 Hz）、层数（4）和注意力头数（32）等参数配置。损失函数采用均方误差（MSE）来衡量估计参数与真实参数之间的差异。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在机器人动力学参数估计方面取得了显著进展。最佳配置（序列长度64，64 Hz，四层，32头）的验证R2达到0.8633。质量和惯量估计精度接近完美，库仑摩擦估计精度中等到高。这些结果表明，Transformer模型能够有效捕捉机器人运动轨迹中的复杂依赖关系，实现准确的动力学参数估计。
🎯 应用场景
该研究成果可应用于机器人控制、仿真和离线编程等领域。精确的动力学参数估计能够提高机器人控制的精度和鲁棒性，改善仿真环境的真实性，并简化离线编程流程。此外，该方法还可推广到其他类型的机器人和机械系统，具有广泛的应用前景。
📄 摘要（原文）
Bridging the sim-to-real gap remains a fundamental challenge in robotics, as accurate dynamic parameter estimation is essential for reliable model-based control, realistic simulation, and safe deployment of manipulators. Traditional analytical approaches often fall short when faced with complex robot structures and interactions. Data-driven methods offer a promising alternative, yet conventional neural networks such as recurrent models struggle to capture long-range dependencies critical for accurate estimation. In this study, we propose a Transformer-based approach for dynamic parameter estimation, supported by an automated pipeline that generates diverse robot models and enriched trajectory data using Jacobian-derived features. The dataset consists of 8,192 robots with varied inertial and frictional properties. Leveraging attention mechanisms, our model effectively captures both temporal and spatial dependencies. Experimental results highlight the influence of sequence length, sampling rate, and architecture, with the best configuration (sequence length 64, 64 Hz, four layers, 32 heads) achieving a validation R2 of 0.8633. Mass and inertia are estimated with near-perfect accuracy, Coulomb friction with moderate-to-high accuracy, while viscous friction and distal link center-of-mass remain more challenging. These results demonstrate that combining Transformers with automated dataset generation and kinematic enrichment enables scalable, accurate dynamic parameter estimation, contributing to improved sim-to-real transfer in robotic systems