面向高比例和谐驱动器的基于 Physics-Informed 学习的摩擦建模
机器人学
2025-04-01 v1
摘要
本文提出了一种可扩展的方法，用于机器人配备电动机和高比例和谐驱动器时的摩擦识别，利用 Physics-Informed 神经网络（PINN）。该方法无需专门的装置和关节扭矩传感器，即可通过机器人内在模型和状态数据实现。我们提出了包括数据获取、预处理、ground truth 生成和模型识别在内的完整流程。通过在 ergoCub 人形机器人两个不同关节上的大规模测试，验证了基于 PINN 的摩擦识别有效性，与经典的静摩擦模型如库仑-粘性和斯特里布克-库仑-粘性模型进行了比较。将识别出的 PINN 摩擦模型集成到两层扭矩控制架构中，可增强实时摩擦补偿。结果显示，该方法在控制性能和能量损失方面显著改善，凸显了该方法的可扩展性和鲁棒性，亦可适用于人形机器人大量关节的应用。
引用
@article{arxiv.2410.12685,
title = {Physics-Informed Learning for the Friction Modeling of High-Ratio Harmonic Drives},
author = {Ines Sorrentino and Giulio Romualdi and Fabio Bergonti and Giuseppe ĽErario and Silvio Traversaro and Daniele Pucci},
journal= {arXiv preprint arXiv:2410.12685},
year = {2025}
}