增强机器人力-跟踪任务中基于神经网络的模型逼近器

随着机器人技术的流行，交互控制对于确保操作器基于力的任务的力跟踪至关重要。通常情况下，传统的交互控制器要么需要大量调参，要么需要对环境具有专门知识，这在实际应用中往往不切实际。本工作提出了一种新型控制策略，利用神经网络（NN）来增强 Direct Force Controller（DFC）的力跟踪行为。不同于类似的前述方法，它考虑了操作器的切向速度，这在快速运动期间是力施 exert 的关键因素。该方法使用一组前馈 NN 预测接触力，然后利用该预测来求解优化问题并生成最优残差动作，将其添加到 DFC 输出并应用于阻抗控制器。我们提出的 Velocity-augmented Artificial intelligence Interaction Controller for Ambiguous Models（VAICAM）在Franka Emika Panda 机器人上通过 Gazebo 模拟器进行验证。针对广泛的轨迹，VAICAM 在两个基线控制器之上实现了优异的性能。