基于频率的分解学习用于振动丰富的液压操作机械臂无传感器扭矩预测
光学
2026-04-15 v1
摘要
力和扭矩(F/T)传感器对于机器人-环境交互至关重要，但物理F/T传感器在尺寸、成本和脆弱性方面施加限制。为缓解这一问题，最近的研究尝试从机器人内部状态对力/扭矩进行无传感器估计。虽然现有方法通常针对相对缓慢的交互，但涉及快速交互的任务(如磨粉)可以诱导任务关键的高频振动，且此类机器人环境下的估计仍未充分探讨。为此，我们提出了一种频率感知分解网络(FDN)，用于从 proprioceptive 历史预测振动丰富的扭矩。FDN预测经过频谱分解的扭矩，具有非对称确定性和概率头部，模型化高频残差作为已学习的条件分布。它进一步融入频率感知，通过学习滤波增强输入频谱，并对输出施加频率带宽先验。我们在大型公开机器人数据集上预训练FDN，并将所学的 proprioception-to-wrench 表示迁移到下游任务。在6自由度液压操作机械臂的实世界磨粉 excavation 数据上，采用延迟估计设置下，FDN在高频段优于基线估计器和预测器，在低频段保持竞争性能。迁移学习提供了额外的提升，表明大规模预训练和迁移学习对于机器人扭矩估计具有潜力。代码和数据将在接受后公开。
引用
@article{arxiv.2604.12906,
title = {Noise factor of Brillouin amplifiers},
author = {John H. Dallyn and Nils T. Otterstrom and Matt Eichenfield and Peter T. Rakich and Ryan O. Behunin},
journal= {arXiv preprint arXiv:2604.12906},
year = {2026}
}