使用标准机器人夹爪进行在线弹性估计与材料分拣

我们通过实验评估了使用两个标准平行爪夹爪和安装在机器人腕部的力/扭矩传感器，通过物体压缩来估计材料属性的准确性，并以专业双轴压缩设备作为参考。获取了夹爪力与位置的关系曲线，并将其转换为应力/应变曲线。在不同应变点估计了弹性模量，并研究了多次压缩循环（预循环）、压缩速度和夹爪表面积对估计的影响。利用压缩/解压缩循环中吸收的能量、Kelvin-Voigt模型和Hunt-Crossley模型估计了粘弹性。我们发现：(1) 较慢的压缩速度改善了弹性估计，而预循环或表面积则没有；(2) 即使经过校准，机器人夹爪在提供杨氏模量和粘弹性绝对值的准确估计方面能力有限；(3) 材料特性的相对排序在不同夹爪之间基本一致；(4) 尽管可变形物体具有非线性特性，但拟合线性应力/应变近似比局部估计杨氏模量能带来更稳定的结果；(5) Hunt-Crossley模型在单次物体压缩中估计粘弹性效果最好。由单次抓取获得的弹性和粘弹性估计所形成的二维空间，有利于区分物体的材料属性。我们在一个模拟的单流回收场景中展示了我们研究结果的适用性，在该场景中，塑料、纸张和金属物体通过单次抓取被正确分离，即使在物体不同位置进行压缩也是如此。数据和代码已公开。