基于 MAD-CNN（模块化注意力扩张卷积神经网络）的变刚度驱动机器人鲁棒碰撞检测
机器人学
2024-02-01 v3 人机交互
摘要
在协作机器人领域，确保安全至关重要，以降低人员受伤和环境损害的风险。除碰撞避免外，机器人迅速检测并响应意外碰撞也极为关键。虽然已有若干基于学习的碰撞检测方法作为纯基于模型检测技术的替代方案被提出，但目前缺乏针对配备变刚度执行器的协作机器人的此类方法。此外，网络的鲁棒性仍有进一步提升空间，数据训练效率也需改善。本文提出一种新网络——模块化注意力扩张卷积神经网络(MAD-CNN)，用于配备变刚度执行器的机器人碰撞检测。我们的模型结合了双归纳偏置机制与注意力模块，以提升数据效率并增强鲁棒性。特别地，MAD-CNN 仅使用聚焦于最高关节刚度级别的四分钟碰撞数据集进行训练。尽管训练数据有限，MAD-CNN 在各种刚度条件下均能鲁棒地检测所有碰撞，且检测延迟极小。此外，它表现出更高的碰撞灵敏度，有利于有效处理误报这一基于学习的方法中的常见问题。实验结果表明，所提出的 MAD-CNN 模型在碰撞灵敏度和鲁棒性方面优于现有 SOTA 模型。
引用
@article{arxiv.2310.02573,
title = {Robust Collision Detection for Robots with Variable Stiffness Actuation by Using MAD-CNN: Modularized-Attention-Dilated Convolutional Neural Network},
author = {Zhenwei Niu and Lyes Saad Saoud and Irfan Hussain},
journal= {arXiv preprint arXiv:2310.02573},
year = {2024}
}