基于深度学习的人机交互接触无传感器估计

物理人机交互数十年来一直是备受关注的领域。协作任务，如关节柔顺，要求高质量的关节力矩感知。尽管外部力矩传感器可靠，但其存在昂贵且易受冲击损坏的缺点。为解决这些问题，已有研究利用仅内部信号（如关节状态与电流测量）来估计外部力矩。然而，对摩擦滞回近似的关注不足，而后者在涉及大量动态到静态状态转换的任务中至关重要。本文中，我们提出一种基于深度学习的方法，利用新颖的长期记忆机制实现动力学辨识，精确近似静态滞回。我们还对著名的残差学习（Residual Learning）架构进行修改，在保持高精度的同时减少推理时间。所提方法的鲁棒性通过关节柔顺与任务柔顺实验得以验证。