用于非线性时变对象行为的自适应抓取力跟踪策略

精确的抓取力控制是确保成功且不损坏机器人抓取物体的关键技能。虽然已有方法对滑动检测和抓取力规划进行了深入研究，但常常忽视了在处理不同材料属性的物体时，对实际力跟踪目标力的自适应问题。抓取力控制器的最优参数显著受物体刚度的影响，而许多自适应力跟踪算法依赖于刚度估计。然而，现实中的物体常常表现出粘性、塑性或其他更复杂的非线性时变行为，而现有研究在刚度定义和估计方面对这些材料支持不足。为此，本文提出了广义刚度的概念，将刚度定义扩展到非线性时变抓取系统模型，提出了基于长短期记忆(LSTM)网络的在线广义刚度估计器。基于广义刚度，本文以PI控制器为例，提出了自适应参数调整策略，实现对不同特征物体的动态力跟踪。实验结果表明，所提方法实现了高精度和短暂 probing 时间，同时对非理想物体的适应性优于现有方法。该方法有效解决了未知、非线性和时变抓取系统中的抓取力跟踪问题，展示了我们神经网络的泛化能力，增强了在非结构化环境中的机器人抓取能力。