双臂机器人调节电缆有了力学前馈:学到的势能补偿弹性与重力,真机端点误差按目标下降
核心概要
双臂机器人调节电缆这类可变形线性物体时,此前多依赖准静态或运动学模型,难以处理刚重物体在快速运动下的力学响应。新方法把浮动基耦合振子网络与一个可逆仿射坐标映射联合学习,使潜空间势能只依赖形状,并由此写出弹性与重力载荷的显式表达式。用该势能前馈补偿比例-微分控制器后,仿真中相对纯PD降低了平均端点调节误差,真机刚性电缆上按目标平均的端点误差也下降。
深度剖析
电缆、电线这类可变形线性物体的形状调节,现在可以由一个从数据学到的力学模型直接给出前馈力,而不必在运行时做数值优化。 此前的学习式方法多以位置或速度指令为输入,隐含假设机械臂能强行施加端点运动,因而只适用于轻质柔性物体和慢速运动。 在四根仿真可变形线性物体上,带该前馈的控制器相对纯比例-微分基线降低了平均端点调节误差;在真机刚性电缆上,按目标平均的端点误差也下降。
模型把物体运动写成拉格朗日形式,因此动能与势能有显式表达式,控制器可以直接补偿学到的弹性与重力载荷。 浮动基耦合振子网络让潜空间势能只依赖相对形状,从而容纳整体平移;一个学习到的仿射微分同胚把标记点观测坐标与潜坐标对应起来,并按虚功原理同步变换力。 训练同时使用潜空间与观测空间的 rollout 误差,以及一项稳态保持力损失;真机实验用两台 Franka Emika Panda 夹持一根刚性电缆,由力传感器测端点力、动作捕捉跟踪标记点。
学到的模型在训练时域内的预测精度可与神经常微分方程模型和拉格朗日神经网络相比,参数更少,每轮训练耗时介于两者之间。 拉格朗日神经网络需要运行时对学到的拉格朗日量做二阶自动微分,计算开销大,且拉格朗日结构本身不保证闭环稳定。 在训练时域内,该模型与两种对照精度相当;在四根仿真物体上取得最低的平均位置均方根误差;同一数据集上每轮耗时 NODE 为 0.64 秒、LNN 为 9.35 秒、该模型为 1.06 秒。
启示与展望
演示范围限于四根仿真可变形线性物体和一台双臂真机装置上对一根刚性电缆的形状调节,目标为静态可行的平衡形状,夹持姿态固定,不涉及障碍物交互或自接触。
方法假设在所考虑的工作区间内,标记点位置与速度足以描述物体动力学,忽略截面变形与未被标记点分辨的扭转等模式;闭环稳定性保证针对学习模型的可行平衡,只有当真机动力学与学习模型全局一致时才延伸到实物。
