舀一勺读出颗粒物性:Latent Filter++ 直接吃原始力/力矩信号,未见材料也能估粒径与堆密度
核心概要
机器人舀取颗粒材料时,力/力矩信号里同时混着整体载荷与颗粒级接触的高频波动,Latent Filter++ 把可学习的频率—时间滤波器组与因果隐动力学模型结合,直接在这段原始信号上在线推断材料属性。此前的隐滤波方法依赖启发式预处理提取空间与频率成分,引入非因果依赖,也没有显式评估对训练分布外材料的泛化。在留出材料的设置下,这一表示对粒径和堆密度的估计都优于直接监督回归,并且只需少量新舀取样本就能校准属性读出。
深度剖析
机器人舀取颗粒材料时,仅凭腕部力/力矩传感器的读数就能在线推断粒径和堆密度,不必先做手工的信号分解。 此前的隐滤波方法依赖启发式预处理来提取空间与频率成分,引入非因果依赖,难以直接在线部署,也没有显式评估对训练分布外材料的泛化。 在舀取尚未结束时,Latent Filter++ 对粒径与堆密度的估计误差都低于先前方法,且这一比较发生在同一批观测缓冲上。
模型把一次舀取看成随时间演化的隐状态,其中一部分状态由当前观测即可确定,另一部分代表只能靠时间累积证据才能读出的物理属性。 先前方法用 LSTM 接收滤波后的状态,把测量分布与转移分布合并,丢掉了两者之间的不一致信息。 Latent Filter++ 在转移模型之外增加一条“新息”通路,把预测与观测的偏差连同动作一起送入 LSTM,并在训练时随机遮蔽部分观测,迫使隐状态依赖动力学预测;测试时使用未遮蔽的观测。
学到的隐表示可以迁移到训练中完全没出现过的材料,并且只需少量新舀取样本就能校准属性读出。 直接监督的两层 CNN 加 LSTM 在同分布粒径上误差更低,但一旦留出材料,所提模型在粒径和堆密度两项上都更好。 在留出五种材料的设置下,所提模型的粒径与堆密度误差都低于监督模型;留一材料时,粒径误差随锚点样本从单个增加到四十个而明显下降。
启示与展望
演示范围是一台 7 自由度 Franka Emika Panda 机械臂持勺、勺与末端之间装 6 轴 ATI 力/力矩传感器,在 26 种日常颗粒材料上做舀取交互;下游验证只取其中 12 种在机器人运动学极限内确实会洒出的材料。
堆密度的估计比粒径更可靠,粒径预测方差更大;休止角从舀取交互中估计得很差,说明该属性在现有交互信号下可观测性不足。学到的表示不能可靠外推到训练覆盖范围之外,留一材料时误差最大的是糖粉、大号通心粉、珍珠岩和盆栽砾石;少样本适配目前仍需人工挑选锚点交互,仅凭隐预测方差不足以自动触发适配。
