基于 Kolmogorov-Arnold Networks 的机械臂静摩擦建模的物理启发机器学习方法
机器人学
2025-11-14 v1 机器学习
摘要
摩擦建模在实现机器人操作系统的高精度运动控制中起着至关重要的作用。传统的静摩擦模型（如 Stribeck 模型）因其形式简单而被广泛使用；然而，它们通常需要预先设定的函数假设，这在处理未知函数结构时带来了重大挑战。为了解决这一问题，本文提出了一种基于 Kolmogorov Arnold Network (KAN) 的物理启发机器学习方法，用于机器人关节的静摩擦建模。该方法将样条激活函数与符号回归机制相结合，通过剪枝和属性评分实现模型简化与物理表达式提取，同时保持高预测精度和可解释性。我们首先验证了该方法在已知函数模型下准确识别关键参数的能力，并进一步展示了其在未知函数结构和含噪声数据条件下的鲁棒性与泛化能力。在合成数据与从六自由度工业机械臂收集的真实摩擦数据上进行的实验表明，所提方法在各项任务中的决定系数均大于 0.95，并成功提取了简洁且具有物理意义的摩擦表达式。本研究为可解释的、数据驱动的机器人摩擦建模提供了新视角，具有良好的工程应用前景。
引用
@article{arxiv.2511.10079,
title = {Physics-informed Machine Learning for Static Friction Modeling in Robotic Manipulators Based on Kolmogorov-Arnold Networks},
author = {Yizheng Wang and Timon Rabczuk and Yinghua Liu},
journal= {arXiv preprint arXiv:2511.10079},
year = {2025}
}