分析神经雅可比方法在视觉伺服与运动学控制中的应用

由于运动学和动力学差异以及使用外部传感器的场景，设计可在不同机器人间迁移的适应性控制律是一项挑战。在这项工作中，我们实证研究了神经网络在笛卡尔控制方案中近似雅可比矩阵的能力。具体而言，我们感兴趣的是近似运动学雅可比，它源于将机械臂关节角映射到末端执行器位置的运动学方程。我们提出两种学习运动学雅可比的不同方法。第一种方法源于视觉伺服，我们从 k 近邻中学习运动学雅可比作为所需关节配置的近似线性方程组。第二种受机器学习中前向模型启发，直接学习运动学行为并通过微分所学的神经运动学模型计算雅可比。仿真实验结果表明，两种方法均比替代的数据驱动控制方法性能更优，更接近真实运动学雅可比矩阵，且平均产生条件数更好的雅可比矩阵。在 Kinova Gen-3 轻量机械臂上进行了真实世界实验，包括一项未校准视觉伺服实验（我们方法的实际应用）以及一项 7 自由度点对点任务，凸显我们的方法适用于真实机器人机械臂。