基于概率潜在变量建模的动态摩擦识别与估计
机器人学
2024-12-23 v1 机器学习
系统与控制
系统与控制
摘要
精确识别机器人中的动态模型对于控制设计、摩擦补偿、输出扭矩估计等至关重要。然而，针对机器人关节摩擦模型的识别面临着巨大挑战，因为诸多物理现象会影响其底层摩擦动力学，导致其呈现非线性特征和滞后行为。这些现象仅凭物理类比难以准确建模和捕捉。这促使研究者从基于物理的模型转向数据驱动模型。目前，这些方法在针对典型工业机器人部署（包括高速和低速作业以及频繁方向反转）时仍难以有效泛化。经验观察促使使用动态摩擦模型，但这类模型的建立仍极具挑战性。为此，我们提出通过对机器人关节中未识别的动力学状态进行建模来加以应对。摩擦模型随后可利用动态机器人状态以及来自潜在状态中编码的额外信息来评估摩擦扭矩。我们将这一随机且半无监督的识别问题刻划为标准的概率表示学习问题。在本工作中，摩擦模型和潜在状态动力学均被参数化为神经网络，并集成到传统的集中参数动态机器人模型中。该完整动力学模型直接从机器人关节中噪声编码器测量值中学习。我们采用期望最大化（EM）算法求解模型参数的最大似然估计（MLE）。通过 Kuka KR6 R700 作为测试平台验证了所提出方法的有效性，其在与基线方法之间的开环预测精度方面表现优异。
引用
@article{arxiv.2412.15756,
title = {Probabilistic Latent Variable Modeling for Dynamic Friction Identification and Estimation},
author = {Victor Vantilborgh and Sander De Witte and Frederik Ostyn and Tom Lefebvre and Guillaume Crevecoeur},
journal= {arXiv preprint arXiv:2412.15756},
year = {2024}
}