多轴操作机的物理-数据混合动态模型：用于无传感器灵巧操作与高性能运动规划

我们报告了开发用于在各种场景下进行规划和操作的 articulated 操作机的可实现物理-数据混合动态模型。同时，研究了物理模型和数据驱动动态模型，以选择用于规划的最佳模型。物理模型采用拉格朗日方法构建，损失项包括惯性损失、粘性损失和摩擦损失。对于数据驱动模型，探索了三种方法，包括 DNN、LSTM 和 XGBoost。我们的建模结果表明，在完善的超参数优化后，XGBoost 架构在准确表示操作机动力学方面优于 DNN 和 LSTM。基于 RMSE 标准，物理模型与数据驱动模型混合的模型在所有模型中性能最佳，仅需约 24k 的训练数据。此外，我们开发了一个基于观察到的外部扭矩推导的虚拟力传感器，并设计了一个通过物理-数据混合动态模型进行运动规划的规划器。外部扭矩对末端执行器产生力和扭矩，有助于与周围环境进行交互，而内部扭矩支配操作机的动力学并补偿内部损失。通过估计外部扭矩（即测量的关节扭矩与内部损失之差），我们实现了一种无传感器控制策略，已通过钉子插孔任务进行演示。最后，基于混合动态模型的学习型运动规划器帮助为操作机规划高效轨迹。这一综合方法凸显了将物理模型和数据驱动模型集成用于工业环境中高级操作机控制与规划的有效性。