⚡ electrical engineering

Data-Driven Self-Calibration of Force Sensing for Industrial Robots with Unknown Tool Attachments

تقدم هذه الورقة إطار عمل للمعيرة الذاتية القائمة على البيانات للروبوتات الصناعية، والذي يعوض بدقة انحيازات مستشعر القوة/عزم الدوران الناتجة عن ملحقات الأدوات غير المعروفة في كل من الظروف شبه الساكنة والديناميكية باستخدام نماذج الانحدار والتعلم الآلي، مما يتيح إدراكًا موثوقًا للقوة دون الحاجة إلى معرفة مسبقة بخصائص الأداة أو تعديلات في الأجهزة.

المؤلفون الأصليون: Haniyeh Altafi, Soroush Sadeghian, Kourosh Zareinia

نُشر 2026-08-10

📖 2 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Haniyeh Altafi, Soroush Sadeghian, Kourosh Zareinia

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل ذراعاً آلياً كأنه رسام فائق القوة والدقة. لكي يؤدي وظيفته، يحتاج إلى معرفة مدى قوة ضغطه على اللوحة أو قطعة الطين بدقة متناهية. وهنا يأتي دور "مستشعر القوة"؛ فهو بمثابة حاسة اللمس لدى الروبوت، حيث يخبره: "مهلاً، أنا أضغط بقوة 5 نيوتن". لكن العقبة تكمن في أن الروبوتات غالباً ما تحمل أدوات مثبتة في أيديها، مثل فرشاة رسم، أو مفك براغي، أو ملقط جراحي. هذه الأدوات لها وزن، وعندما يحرك الروبوت ذراعه بسرعة، يخلق هذا الوزن قوى إضافية — تماماً مثل الشعور بحمل حقيبة ظهر ثقيلة تسحبك للأسفل أثناء الجري. إذا لم يكن الروبوت يعرف بالضبط مدى ثقل حقيبة ظهره أو أين يقع مركز جاذبيتها، فسيصاب بالارتباك. قد يعتقد أن حقيبة الظهر الثقيلة هي في الواقع جدار يصطدم به، أو قد يضغط بقوة زائدة لأنه لم يدرك أنه يحمل حملاً ثقيلاً. هذا الارتباك يجعل الروبوت خرقاء، أو غير آمنة، أو غير قادرة على أداء المهام الدقيقة. لطالما حاول العلماء حل هذه المشكلة عبر قياس الأدوات بدقة وكتابة معادلات رياضية معقدة لإلغاء تأثير الوزن، لكن هذه الطريقة بطيئة وتنهار بمجرد أن يستبدل الروبوت أدواته بأخرى جديدة.

تعالج هذه الورقة البحثية هذا الصداع تحديداً بحيلة ذكية تعتمد على البيانات. فبدلاً من مطالبة الروبوت بحفظ وزن كل أداة قد يحملها، علم الباحثون الروبوت كيف "يشعر" بالفرق بين وزن أدواته الخاصة والقوى القادمة من العالم الخارجي. استخدموا روبوتاً صناعياً ضخماً (KUKA KR 600) مجهزاً بمستشعر قوة وحامل أدوات مخصص. أولاً، تركوا الروبوت يقف ساكناً في وضعيات مختلفة ليتعلم كيف تسحب الجاذبية الأداة (الجزء "شبه الساكن"). ثم جعلوا الروبوت يتحرك بجنون في أنماط عشوائية ليروا كيف تؤثر التسارع والسرعة على قراءات المستشعر (الجزء "الديناميكي"). ومن خلال جمع أكثر من 80,000 عينة من بيانات الحركة هذه، قاموا بتدريب نوعين من نماذج "الدماغ": صيغة رياضية بسيطة (الانحدار متعدد الحدود) وشبكة عصبية أكثر تعقيداً (MLP). كانت النتائج مبهرة: تعلمت النماذج تجريد وزن الأداة وضجيج الحركة بدقة مذهلة. نجح النموذج الأفضل، وهو الشبكة العصبية، في تقليل الخطأ إلى 0.041 نيوتن فقط في الاختبارات، وهو رقم صغير جداً لدرجة أنه يكاد يكون غير مرئي مقارنة بالضجيج الطبيعي للمستشعر نفسه. تُظهر الورقة أن الروبوتات يمكنها الآن معايرة حاسة اللمس الخاصة بها ذاتياً دون الحاجة لمعرفة وزن الأداة أو شكلها مسبقاً، مما يجعلها جاهزة لاستبدال الأدوات فورياً ومع ذلك تعمل بنفس اليد الثابتة.

ملخص تقني: المعايرة الذاتية القائمة على البيانات لاستشعار القوة للروبوتات الصناعية ذات الملحقات الأدوات غير المعروفة

1. بيان المشكلة

يعد الإدراك الدقيق للقوة أمراً بالغ الأهمية للروبوتات الصناعية التي تقوم بمهام غنية بالتلامس مثل التجميع، والتحكم عن بُعد (teleoperation)، والمساعدة الجراحية. ومع ذلك، فإن مستشعرات القوة/العزم (F/T) المثبتة على النهايات الطرفية للروبوت غالباً ما تعطي قياسات منحازة عند تركيب أدوات مجهولة أو قابلة للتبديل. تنشأ هذه الانحيازات من كتلة الأداة، ومركز كتلتها، وخصائصها العطالية، والتي تولد إزاحات جاذبية وديناميكية أثناء الحركة.

تعتمد طرق المعايرة التقليدية على نماذج تحليلية تتطلب معرفة مسبقة دقيقة بتوزيع كتلة الأداة وعزم قصورها الذاتي. وتعتبر هذه النهج غير عملية للأنظمة التي تحتوي على نهايات طرفية تتغير بشكل متكرر أو مصممة خصيصاً، حيث تتطلب معايرة يدوية متكررة وتعديلات في الأجهزة. علاوة على ذلك، تركز الطرق الحالية القائمة على البيانات غالباً على الظروف الساكنة أو تتطلب مستشعرات مدمجة (مثل وحدات القياس بالقصور الذاتي IMUs) غير متوفرة في التجهيزات التجارية القياسية. لذا، هناك حاجة إلى إطار عمل برمجي قائم على البيانات يمكنه إجراء معايرة ذاتية لمستشعرات القوة تحت الظروف شبه الساكنة والديناميكية دون الحاجة إلى معرفة الخصائص الفيزيائية للأداة الملحقة.

2. المنهجية

تقترح الدراسة إطار عمل للمعايرة الذاتية القائم على البيانات ومكون من مرحلتين، تم تنفيذه على روبوت صناعي من طراز KUKA KR 600 مجهز بمستشعر قوة/عزم سداسي المحاور من نوع ATI Gamma. يعمل هذا الإطار دون معرفة مسبقة بكتلة الأداة، أو مركز كتلتها، أو عزم قصورها الذاتي.

2.1 الإعداد التجريبي

تم جمع البيانات باستخدام حامل أداة مصنع خصيصاً ومتصل بالنهاية الطرفية للروبوت، والذي تضمن ملاقط جراحية وآليات تشغيل. سمح هذا الإعداد بجمع قراءات مستشعر القوة/العزم الخام جنباً إلى جنب مع البيانات الكينماتيكية للروبوت (مشفرات المفاصل، موضع النهاية الطرفية، الاتجاه، والتسارع).

2.2 المعايرة شبه الساكنة (Quasi-Static Calibration)

لمعالجة الإزاحات الناتجة عن الجاذبية، تم تطوير استراتيجية معايرة شبه ساكنة:

جمع البيانات: تم وضع الروبوت في اتجاهات مختلفة وإبقاؤه ثابتاً لإلغاء تأثيرات التسارع.
اختيار الميزات: تمت مقارنة نموذجين للمدخلات: أحدهما يعتمد على زوايا المفاصل والآخر يعتمد على اتجاه النهاية الطرفية (الدوران حول المحاور Roll, Pitch, Yaw). حقق النموذج القائم على الاتجاه نتائج فائقة.
النموذج: تم تدريب نموذج انحدار متعدد الحدود من الدرجة الثالثة باستخدام متجه الاتجاه كمدخل لتقدير الإزاحة الجاذبية الاستاتيكية ( $\hat{w}_{qs}$ ).
العملية: يتم طرح الإزاحة الاستاتيكية المقدرة من قراءة المستشعر الخام لعزل المكون الديناميكي المتبقي.

2.3 المعايرة الديناميكية (Dynamic Calibration)

للتعويض عن القوى العطالية الناتجة عن الحركة، تم تطوير إطار عمل للمعايرة الديناميكية:

جمع البيانات: تم جمع أكثر من 80,000 عينة حركة خلال حركات عشوائية للروبوت تتضمن تغيرات في المواضع، الاتجاهات، والسرعات.
اختيار الميزات: تم بناء متجه مدخلات تساعي الأبعاد ( $x_d$ ) يتكون من موضع النهاية الطرفية ( $x, y, z$ )، الاتجاه ( $\phi, \theta, \psi$ )، والتسارع الخطي الكارتيزي ( $a_x, a_y, a_z$ ). تم اختبار متغيرات فضاء المفاصل (السرعة/التسارع الزاوي) وأظهرت ارتباطاً أضعف مع بيانات القوة مقارنة بالميزات الكارتيزية.
نهج النمذجة:
1. الانحدار متعدد الحدود (Polynomial Regression): تم اختيار نموذج متعدد الحدود من الدرجة الثانية كأفضل مقايضة بين الدقة والتعقيد. أظهرت الدرجات الأعلى (3 و 4) ظاهرة الإفراط في التخصيص (Overfitting).
2. المدرك متعدد الطبقات (MLP): تم تدريب شبكة عصبية أمامية مكونة من ثلاث طبقات خفية (64، 128، 64 عصبون)، مع دالة تنشيط ReLU، وتطبيع الدفعات (Batch Normalization)، والإسقاط (Dropout بنسبة 0.2) لالتقاط العلاقات غير الخطية المعقدة.
العملية: يقوم النموذج الديناميكي بتقدير الإزاحة الديناميكية المتبقية ( $\hat{w}_{dyn}$ ) من البيانات المصححة شبه الساكنة. ويتم حساب الوتر المعوض النهائي ( $w_{comp}$ ) عن طريق طرح كل من التقديرات الاستاتيكية والديناميكية من القراءة الخام.

3. المساهمات الرئيسية

معايرة شبه ساكنة مستقلة عن الأداة: استراتيجية قائمة على البيانات تعوض الإزاحات الناتجة عن الجاذبية باستخدام اتجاه النهاية الطرفية فقط، مما يلغي الحاجة إلى معاملات كتلة الأداة أو مركز كتلتها.
إطار تعويض ديناميكي: نهج شامل لنمذجة اضطرابات القوة الناتجة عن الحركة باستخدام كل من الانحدار متعدد الحدود القابل للتفسير والتعلم العميق (MLP) تحت ظروف تشغيل واقعية.
التحقق الفيزيائي: تم إثبات الطريقة على روبوت صناعي فعلي (KUKA KR 600) مع مستشعر F/T تجاري قياسي، مما يظهر قابليتها للتوسع مع تطبيقات ذات أدوات قابلة للتبديل وتدخل يدوي ضئيل.

4. النتائج

تم تقييم أداء النماذج باستخدام متوسط مربع الخطأ (MSE)، ومتوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE) على مجموعات بيانات الاختبار والبيانات المرجعية المستقلة.

4.1 أداء الحالة شبه الساكنة

النموذج: انحدار متعدد الحدود من الدرجة الثالثة.
المقاييس: حقق متوسط مربع خطأ (MSE) في مجموعة الاختبار قدره 0.005، وجذر متوسط خطأ (RMSE) مرجعي قدره 0.036 نيوتن.
الدقة: بلغ الحد الأقصى للأخطاء المطلقة 0.13 نيوتن (X)، و0.06 نيوتن (Y)، و0.11 نيوتن (Z)، وهو ما يعادل أقل من 0.03% من نطاق المخرات الكامل (FSO).

4.2 الأداء الديناميكي

الانحدار متعدد الحدود (الدرجة الثانية):
- جذر متوسط الخطأ (RMSE) المرجعي: 0.0458 نيوتن.
- أقصى خطأ في مقدار القوة الكلية: 0.54 نيوتن (0.108% من FSO).
نموذج MLP:
- جذر متوسط الخطأ (RMSE) لمجموعة الاختبار: 0.041 نيوتن؛ وجذر متوسط الخطأ (RMSE) المرجعي: 0.049 نيوتن.
- أقصى خطأ في مقدار القوة الكلية: 0.53 نيوتن (0.106% من FSO).
المقارنة: أظهر نموذج MLP قدرة فائقة على التقاط السلوكيات الديناميكية وغير الخطية المعقدة مقارنة بالنموذج متعدد الحدود، رغم أن كلاهما كان ضمن حدود الدقة العملية لمستشعر ATI Gamma.

4.3 تحليل الارتباط

كشف تحليل الارتباط أن العلاقات الخطية البسيطة بين مكونات التسارع الفردية وقراءات القوة كانت ضعيفة. أكد هذا أن إزاحات القوة الديناميكية هي متغيرات متعددة وغير خطية، مما يبرر استخدام ناقلات المدخلات تساعية الأبعاد الكاملة والنماذج المعقدة (MLP) بدلاً من الانحدارات الخطية البسيطة.

5. الأهمية والادعاءات

يدعي البحث أن الإطار المقترح يحسن بشكل كبير من موثوقية إدراك القوة للروبوتات التي تعمل مع ملحقات أدوات مجهولة أو متغيرة. تشمل نقاط الأهمية الرئيسية ما يلي:

إلغاء النمذجة اليدوية: تتيح الطريقة تعويض القوة بدقة دون الحاجة إلى معرفة مسبقة بخصائص الأداة (الكتلة، القصور الذاتي) أو تعديلات في الأجهزة (مثل إضافة وحدات IMU).
المتانة في الظروف الديناميكية: من خلال فصل الاضطرابات الناتجة عن الأداة عن قوى التفاعل الحقيقية، يدعم النظام كشف التلامس والتحكم الأكثر موثوقية في البيئات الدينامية.
القابلية للتطبيق العملي: تشير النتائج إلى أن الطريقة المقترحة تعمل بالقرب من مستوى ضجيج المستشعر، مما يجعلها مناسبة للدمج في الأنظمة الروبوتية ذات التحكم الذاتي، واللمسية (haptic)، والتحكم عن بُعد حيث يكون التغذية الراجعة الدقيقة للقوة ضرورياً للسلامة وتنفيذ المهام.
القابلية للتوسع: تسمح الطبيعة القائمة على البيانات لهذا النهج بالتوسع مع مختلف تكوينات الأدوات وملفات الحركة دون الحاجة إلى إعادة اشتقاق النماذج التحليلية.

يشير المؤلفون إلى أنه بينما كان أداء المعايرة قوياً، فقد قيمت الدراسة الطريقة عند مستوى الاستشعار. ويُقترح في العمل المستقبلي دمج هذه التقديرات المصححة في تجارب التحكم في الحلقة المغلقة لتقييم تأثيرها المباشر على مهام التلاعب الغنية بالتلامس.