基于双级时序残差神经网络补偿的机器人接触力估计方法及相关设备

摘要: 本发明涉及数据处理,尤其涉及基于双级时序残差神经网络补偿的机器人接触力估计方法及相关设备。背景技术:1、在机器人操作臂的装配、打磨和人机交互等接触密集型任务中,...
基于双级时序残差神经网络补偿的机器人接触力估计方法及相关设备

本发明涉及数据处理,尤其涉及基于双级时序残差神经网络补偿的机器人接触力估计方法及相关设备。

背景技术:

1、在机器人操作臂的装配、打磨和人机交互等接触密集型任务中,末端执行器接触力/力矩的精确估计是实现安全监控、力控制和柔顺操作的关键前提。传统方法依赖腕部力/力矩传感器提供精确的六维力测量,但额外硬件增加了系统成本和集成复杂度,限制了其在协作机器人等成本敏感场景中的推广应用。为此,现有技术发展出基于本体感觉信号的无传感器力估计方法。

2、现有的无传感器接触力估计方法主要包括三类:第一类为纯基于模型的方法,通过刚体动力学模型从电机电流重构的关节力矩中分离出外部力矩,再经雅可比转置映射获得末端力。该方法严重依赖模型精度,但机器人动力学中存在摩擦、迟滞、传动间隙等难以精确建模的非线性效应,且电流到力矩的映射存在系统性偏差,导致估计误差显著。第二类为纯基于学习的方法,训练神经网络从本体感觉信号直接映射到末端力,该方法虽能捕捉非线性特性,但缺乏物理结构约束,可解释性差,且训练数据需求量大。第三类为混合方法,在动力学模型基础上叠加学习获得的残差补偿项,但其通常仅在任务空间进行单次残差学习,将动力学建模误差、电流-力矩映射偏差和雅可比放大效应混合处理,残差分布复杂且难以兼顾不同误差来源的差异化特性。

技术实现思路

1、本发明实施例的主要目的在于提出一种基于双级时序残差神经网络补偿的机器人接触力估计方法、装置、电子设备、存储介质及程序产品,旨在解决现有技术中的至少一种问题。

2、为实现上述目的,本发明实施例的一方面提出了一种基于双级时序残差神经网络补偿的机器人接触力估计方法,方法包括:

3、获取目标机器人运动过程的本体感知信号,进而通过滑动时间窗口形式构建时序输入特征张量;其中,本体感知信号包括关节位置、关节速度、速度符号、关节加速度和基于电机电流重构的关节力矩测量值;

4、基于本体感知信号,利用机器人刚体动力学模型处理得到名义内部关节力矩,根据关节力矩测量值和名义内部关节力矩量化得到残差力矩;

5、基于时序输入特征张量和名义内部关节力矩,利用预训练的阶段一神经网络处理得到关节空间的动力学补偿力矩,利用动力学补偿力矩对残差力矩进行修正,得到外部关节力矩估计值;其中,阶段一神经网络采用基于长短期记忆网络的序列模型;

6、基于雅可比转置映射关系,将外部关节力矩估计值映射至任务空间,得到中间六维力估计值;

7、基于中间六维力估计值和时序输入特征张量,利用预训练的阶段二神经网络处理得到任务空间六维力残差补偿的均值和方差;其中,阶段二神经网络包括长短期记忆编码器和残差多层感知机;

8、将均值叠加到中间六维力估计值,得到目标六维力估计值,并将方差作为目标六维力估计值的不确定性度量。

9、在一些实施例中,获取目标机器人运动过程的本体感知信号,进而通过滑动时间窗口形式构建时序输入特征张量,包括以下步骤:

10、通过目标机器人的关节驱动电机内置的编码器获取各个时间步的关节位置;

11、通过对相邻时间步的关节位置进行数值差分,得到各个时间步对应的关节速度;

12、采用取符号函数从关节速度获得各个时间步对应的速度符号;

13、通过对相邻时间步的关节速度进行数值差分,得到各个时间步对应的关节加速度;

14、对关节驱动电机进行电流检测,得到三相电机电流,进而通过坐标变换得到各个时间步的电机电流向量;

15、将电机电流向量与预设的对角力矩常数矩阵及对角传动比矩阵相乘,得到各个时间步对应的关节力矩测量值;

16、将相同时间步的关节位置、关节速度、关节加速度、速度符号和关节力矩测量值构造为瞬时特征向量;

17、以当前时间步为终点,截取预设长度的滑动时间窗口内的瞬时特征向量,沿时序顺序整理得到时序输入特征张量。

18、在一些实施例中,基于本体感知信号,利用机器人刚体动力学模型处理得到名义内部关节力矩,包括以下步骤:

19、获取机器人刚体动力学参数集;其中,机器人刚体动力学参数集通过最小二乘法从预设的激励数据集中离线获得,机器人刚体动力学参数集包括惯性矩阵、离心力和科里奥利项、重力项、库仑摩擦系数和粘性摩擦系数;

20、将惯性矩阵与关节加速度相乘,得到第一参数项;

21、将离心力和科里奥利项与关节速度相乘,得到第二参数项;

22、将库仑摩擦系数与速度符号相乘,得到第三参数项;

23、将粘性摩擦系数与关节速度相乘,得到第四参数项;

24、将第三参数项与第四参数项相加,得到机器人关节摩擦;

25、将第一参数项、第二参数项、重力项和机器人关节摩擦相加,得到名义内部关节力矩。

26、在一些实施例中,阶段一神经网络包括双层长短期记忆网络和多层全连接层,基于时序输入特征张量和名义内部关节力矩,利用预训练的阶段一神经网络处理得到关节空间的动力学补偿力矩,利用动力学补偿力矩对残差力矩进行修正,得到外部关节力矩估计值,包括以下步骤:

27、将时序输入特征张量中的关节力矩测量值替换为名义内部关节力矩,得到第一输入序列;

28、利用双层长短期记忆网络对第一输入序列进行编码并输出隐藏状态,进而通过多个带relu激活函数的全连接层,处理得到动力学补偿力矩;

29、其中,阶段一神经网络通过带有无接触残差力矩误差的标签的输入序列样本,并采用均方误差损失函数优化训练得到;

30、将动力学补偿力矩作为第一修正项,从残差力矩中减去第一修正项,得到外部关节力矩估计值。

31、在一些实施例中,基于雅可比转置映射关系,将外部关节力矩估计值映射至任务空间,得到中间六维力估计值,包括以下步骤:

32、将外部关节力矩估计值与预设机器人雅可比矩阵的转置的数值稳健伪逆相乘,得到中间六维力估计值;

33、其中,中间六维力估计值表征任务空间中以机器人基坐标系描述的末端六维力向量,末端六维力向量包括三个方向的力分量和三个方向的力矩分量。

34、在一些实施例中,基于中间六维力估计值和时序输入特征张量,利用预训练的阶段二神经网络处理得到任务空间六维力残差补偿的均值和方差,包括以下步骤:

35、将时序输入特征张量中的关节力矩测量值替换为中间六维力估计值,得到第二输入序列;

36、其中,阶段二神经网络通过接触运动数据完成预训练,接触运动数据表征机器人末端施加已知外部负载并带有力传感器提供的真实六维力标注的数据;

37、利用长短期记忆编码器对第二输入序列进行时序编码并输出上下文特征向量;

38、基于上下文特征向量,利用残差多层感知机通过依次连接的第一全连接层、relu激活层和dropout层处理得到更新特征向量;

39、利用残差多层感知机上配置的跳跃连接将上下文特征向量叠加到更新特征向量上,得到残差更新向量;

40、基于残差更新向量,利用残差多层感知机通过带有relu激活函数的第二全连接层处理得到任务空间六维力残差补偿的均值和方差。

41、在一些实施例中,将均值叠加到中间六维力估计值,得到目标六维力估计值,包括以下步骤:

42、将均值作为第二修正项,通过中间六维力估计值加上第二修正项,得到目标六维力估计值;

43、其中,不确定性度量表征目标六维力估计值的概率置信辅助信息。

44、为实现上述目的,本发明实施例的另一方面提出了一种基于双级时序残差神经网络补偿的机器人接触力估计装置,装置包括:

45、第一模块,用于获取目标机器人运动过程的本体感知信号,进而通过滑动时间窗口形式构建时序输入特征张量;其中,本体感知信号包括关节位置、关节速度、速度符号、关节加速度和基于电机电流重构的关节力矩测量值;

46、第二模块,用于基于本体感知信号,利用机器人刚体动力学模型处理得到名义内部关节力矩,根据关节力矩测量值和名义内部关节力矩量化得到残差力矩;

47、第三模块,用于基于时序输入特征张量和名义内部关节力矩,利用预训练的阶段一神经网络处理得到关节空间的动力学补偿力矩,利用动力学补偿力矩对残差力矩进行修正,得到外部关节力矩估计值;其中,阶段一神经网络采用基于长短期记忆网络的序列模型;

48、第四模块,用于基于雅可比转置映射关系,将外部关节力矩估计值映射至任务空间,得到中间六维力估计值;

49、第五模块,用于基于中间六维力估计值和时序输入特征张量,利用预训练的阶段二神经网络处理得到任务空间六维力残差补偿的均值和方差;其中,阶段二神经网络包括长短期记忆编码器和残差多层感知机;

50、第六模块,用于将均值叠加到中间六维力估计值,得到目标六维力估计值,并将方差作为目标六维力估计值的不确定性度量。

51、为实现上述目的,本发明实施例的另一方面提出了一种电子设备,电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现前面的方法。

52、为实现上述目的,本发明实施例的另一方面提出了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现前面的方法。

53、为实现上述目的,本发明实施例的另一方面提出了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现前面的方法。

54、本发明实施例至少包括以下有益效果:本发明提供一种基于双级时序残差神经网络补偿的机器人接触力估计方法、装置、电子设备、存储介质及程序产品,该方案通过获取目标机器人运动过程的本体感知信号,进而通过滑动时间窗口形式构建时序输入特征张量;其中,本体感知信号包括关节位置、关节速度、速度符号、关节加速度和基于电机电流重构的关节力矩测量值;基于本体感知信号,利用机器人刚体动力学模型处理得到名义内部关节力矩,根据关节力矩测量值和名义内部关节力矩量化得到残差力矩;基于时序输入特征张量和名义内部关节力矩,利用预训练的阶段一神经网络处理得到关节空间的动力学补偿力矩,利用动力学补偿力矩对残差力矩进行修正,得到外部关节力矩估计值;其中,阶段一神经网络采用基于长短期记忆网络的序列模型;基于雅可比转置映射关系,将外部关节力矩估计值映射至任务空间,得到中间六维力估计值;基于中间六维力估计值和时序输入特征张量,利用预训练的阶段二神经网络处理得到任务空间六维力残差补偿的均值和方差;其中,阶段二神经网络包括长短期记忆编码器和残差多层感知机;将均值叠加到中间六维力估计值,得到目标六维力估计值,并将方差作为目标六维力估计值的不确定性度量。本发明通过刚体动力学模型计算名义内部关节力矩并与关节力矩测量值量化得到残差力矩,能够保留物理可解释性并使估计结果具有明确的物理含义;进而,通过阶段一神经网络在关节空间对动力学误差进行补偿,从残差力矩中消除非接触性的动力学建模误差,能够有效避免该部分误差在任务空间被方向耦合和放大并可以降低后续任务空间残差补偿的复杂度与方差;并且,通过阶段二神经网络在任务空间以阶段一输出为条件进行残差补偿,针对经过动力学误差抑制后的剩余残差进行精修,以使得两个阶段形成清晰的物理域分工,能够有效降低稳态偏差和瞬态峰值误差;同时,将阶段二输出六维力残差补偿的方差作为不确定性度量,可以为下游决策提供了估计置信度的量化指标,以增强估计结果的信息完备性。