学习增强观测器用于无传感器任务零空间柔顺控制
论文提出一种用于物理人机交互（pHRI）的无传感器控制框架：训练神经网络补偿系统摩擦与未建模动态以提升力/力矩观测器精度，采用任务零空间分解分离关节速度、降低人类扰动对观测器的影响，并引入位姿与力混合控制器实现末端位姿和力跟踪。实验结果显示该框架在保持位姿与力跟踪性能的同时提供鲁棒准确的力/力矩估计，可应用于未装力/力矩传感器的机械臂平台。
发布于 10-22 12:59来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Learning-Enhanced Observer for Sensorless Task-Null-Space Compliant Control》查看原链
本文提出了一种新颖的框架，将鲁棒的力/力矩观测器与位姿和力混合控制器相结合，用于物理人机交互（pHRI）。 在pHRI任务中，机器人需要鲁棒地执行任务空间运动，同时保持对人类扰动的柔顺性，这提出了不同的控制目标。 大多数现有方法主要关注鲁棒性或柔顺性之一，并依赖力传感器进行实时跟踪。
为解决这些局限，我们提出了一个新框架，具有以下关键贡献：首先，训练神经网络（NN）通过补偿系统摩擦和未建模动态来提升观测器性能；其次，应用任务零空间分解来分离关节速度，减少人类扰动对观测器的影响；最后，引入位姿和力混合控制器以实现末端执行器的位姿和力跟踪。
实验结果表明，所提框架在提供鲁棒且准确的力/力矩估计的同时，保持了可靠的位姿和力跟踪性能。 该方法为无需力/力矩传感器测量的pHRI提供了一种有效的解决方案和框架，可应用于许多没有力/力矩传感器的机械臂平台。