基于无射位卡尔曼滤波器的无关节扭矩传感器人类机器人物理信息神经网络
机器人学
2025-07-15 v1
摘要
本文提出了一种 novel 框架，用于无关节扭矩传感器的人类机器人全身扭矩控制，旨在用于电动马达和高比例和声驱动器系统。该方法将物理信息神经网络（PINN）用于摩擦建模，并将无射位卡尔曼滤波器（UKF）用于关节扭矩估计，集成于实时扭矩控制架构中。PINN 从关节速度和马达速度读取中估计非线性静态和动态摩擦，捕捉马达驱动而无关节运动的效应。UKF 将 PINN 基于摩擦的估计作为直接测量输入，提高了扭矩估计的鲁棒性。实验在 ergoCub 人类机器人上进行，结果表明相较于基于递归牛顿-欧拉算法（RNEA）的先进技术，扭矩跟踪精度得到提高，能源效率得到提升，扰动抑制能力得到增强。该框架通过在硬件相似但摩擦特性不同的机器人上表现一致，显示出可扩展性。进一步地，与位置控制的比较突显了所提出扭矩控制方法的优势。结果确立了该方法作为无关节扭矩控制人类机器人可扩展且实用的解决方案，确保在动态环境中扭矩跟踪、适应性和稳定性。
引用
@article{arxiv.2507.10105,
title = {Physics-Informed Neural Networks with Unscented Kalman Filter for Sensorless Joint Torque Estimation in Humanoid Robots},
author = {Ines Sorrentino and Giulio Romualdi and Lorenzo Moretti and Silvio Traversaro and Daniele Pucci},
journal= {arXiv preprint arXiv:2507.10105},
year = {2025}
}