一种基于学习的方法：从编码器差异估计未知物体的惯性属性
机器人学
2024-10-28 v2
摘要
许多机器人利用商用力/力矩传感器来识别未知物体的惯性属性。然而，由于重量、尺寸和成本的原因，此类传感器难以应用于小型机器人。在本文中，我们提出了一种基于学习的方法，用于在末端执行器或关节上不使用力/力矩传感器的情况下估计未知物体的质量和质心（COM）。在我们的方法中，机械臂携带未知物体经过多个离散构型运动。当机器人到达每个离散构型并停止时采集测量值。设计了一个神经网络，从编码器差异估计关节力矩。给定多个样本，我们推导出关节力矩与物体惯性属性之间的闭式关系。基于该推导，通过加权最小二乘法识别物体的质量和质心。为了提高推断惯性属性的精度，设计了一个注意力模型来生成关节的权重，表明每个关节的相对重要性。我们的框架仅需要编码器测量值而不使用任何力/力矩传感器，但仍保持准确的估计能力。所提方法已在一个4自由度（DOF）机械臂上得到验证。
引用
@article{arxiv.2104.09858,
title = {A Learning-Based Approach for Estimating Inertial Properties of Unknown Objects from Encoder Discrepancies},
author = {Zizhou Lao and Yuanfeng Han and Yunshan Ma and Gregory S. Chirikjian},
journal= {arXiv preprint arXiv:2104.09858},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication