⚡ electrical engineering

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

Dieses Papier präsentiert ein datengesteuertes Selbstkalibrierungsframework für Industrieroboter, das durch Regressions- und maschinelle Lernmodelle Kraft-/Momentensensor-Biases, die durch unbekannte Werkzeuganbauten unter sowohl quasi-statischen als auch dynamischen Bedingungen verursacht werden, präzise kompensiert und somit eine zuverlässige Kraftwahrnehmung ermöglicht, ohne dass Vorabwissen über Werkzeugeigenschaften oder Hardwaremodifikationen erforderlich sind.

Ursprüngliche Autoren: Haniyeh Altafi, Soroush Sadeghian, Kourosh Zareinia

Veröffentlicht 2026-08-10

📖 3 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Haniyeh Altafi, Soroush Sadeghian, Kourosh Zareinia

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen Roboterarm als einen superstarken, superpräzisen Maler vor. Um seine Aufgabe zu erfüllen, muss er genau wissen, wie fest er gegen eine Leinwand oder ein Stück Ton drückt. Hier kommt ein „Kraftsensor“ ins Spiel; er ist wie der Tastsinn des Roboters, der ihm sagt: „Hey, ich drücke mit 5 Newton Kraft.“ Aber hier liegt der Haken: Roboter tragen oft Werkzeuge an ihren Händen, wie einen Pinsel, einen Schraubendreher oder eine chirurgische Klemme. Diese Werkzeuge haben ein Gewicht, und wenn der Roboter seinen Arm schnell bewegt, erzeugt dieses Gewicht zusätzliche Kräfte – wie das Gefühl eines schweren Rucksacks, der einen beim Laufen nach unten zieht. Wenn der Roboter nicht genau weiß, wie schwer sein Rucksack ist oder wo sich sein Schwerpunkt befindet, wird er verwirrt. Er könnte denken, dass der schwere Rucksack eigentlich eine Wand ist, gegen die er stößt, oder er könnte zu fest drücken, weil er nicht realisiert, dass er eine schwere Last trägt. Diese Verwirrung macht den Roboter tollpatschig, unsicher oder unfähig, feine Aufgaben auszuführen. Wissenschaftler haben lange versucht, dies zu beheben, indem sie die Werkzeuge perfekt vermessen und komplexe mathematische Gleichungen aufstellten, um das Gewicht herauszurechnen, aber das ist langsam und bricht zusammen, sobald der Roboter das Werkzeug gegen ein neues austauscht.

Dieses Paper widmet sich genau diesem Kopfzerbrechen mit einem cleveren, datengesteuerten Trick. Anstatt den Roboter zu verlangen, das Gewicht jedes möglichen Werkzeugs auswendig zu lernen, das er jemals halten könnte, brachten die Forscher dem Roboter bei, den Unterschied zwischen dem Gewicht seiner eigenen Werkzeuge und den tatsächlichen Kräften von außen zu „fühlen“. Sie verwendeten einen großen Industrieroboter (einen KUKA KR 600), der mit einem Kraftsensor und einem speziellen Werkzeughalter ausgestattet war. Zuerst ließen sie den Roboter in verschiedenen Positionen stillstehen, um zu lernen, wie die Schwerkraft an dem Werkzeug zieht (den „quasi-statischen“ Teil). Dann ließen sie den Roboter wild in zufälligen Mustern hin und her bewegen, um zu sehen, wie Beschleunigung und Geschwindigkeit die Sensormesswerte beeinflussen (den „dynamischen“ Teil). Durch das Sammeln von über 80.000 Stichproben dieser Bewegungsdaten trainierten sie zwei Arten von „Gehirn“-Modellen: eine einfache mathematische Formel (Polynomregression) und ein komplexeres neuronales Netzwerk (MLP). Die Ergebnisse waren beeindruckend: Die Modelle lernten, das Gewicht des Werkzeugs und das Bewegungsrauschen mit unglaublicher Präzision zu eliminieren. Das beste Modell, das neuronale Netzwerk, reduzierte den Fehler in Tests auf nur 0,041 Newton, was so klein ist, dass es im Vergleich zum natürlichen Eigenrauschen des Sensors praktisch unsichtbar ist. Das Paper zeigt, dass Roboter nun ihren Tastsinn selbst kalibrieren können, ohne das Gewicht oder die Form des Werkzeugs im Voraus kennen zu müssen, was sie bereit macht, Werkzeuge sofort auszutauschen und dennoch mit derselben ruhigen Hand zu arbeiten.

Technisches Resümee: Datengesteuerte Selbstkalibrierung der Kraftsensorik für Industrieroboter mit unbekannten Werkzeugaufhängungen

1. Problemstellung

Eine präzise Kraftwahrnehmung ist entscheidend für Industrieroboter, die kontaktintensive Aufgaben wie Montage, Teleoperation und chirurgische Assistenz ausführen. Kraft-/Momentensensoren (F/T-Sensoren), die am Endeffektor eines Roboters montiert sind, liefern jedoch oft verzerrte Messwerte, wenn unbekannte oder austauschbare Werkzeuge angebracht sind. Diese Bias-Werte entstehen durch die Masse, den Schwerpunkt und die Trägheitseigenschaften des Werkzeugs, die während der Bewegung gravitative und dynamische Offsets erzeugen.

Traditionelle Kalibrierungsmethoden stützen sich auf analytische Modelle, die ein präzises Vorabwissen über die Massenverteilung und das Trägheitsmoment des Werkzeugs erfordern. Diese Ansätze sind für Systeme mit häufig wechselnden oder kundenspezifisch entwickelten Endeffektoren unpraktisch, da sie eine wiederholte manuelle Kalibrierung und Hardwaremodifikationen voraussetzen. Darüber hinaus konzentrieren sich bestehende datengesteuerte Methoden oft auf statische Bedingungen oder erfordern eingebettete Sensoren (z. B. IMUs), die in Standard-Kommerziellen Setups nicht vorhanden sind. Es besteht ein Bedarf an einem softwarebasierten, datengesteuerten Framework, das Kraftsensoren sowohl unter quasi-statischen als auch unter dynamischen Bedingungen selbstkalibrieren kann, ohne Kenntnis über die physikalischen Eigenschaften des angehängten Werkzeugs zu benötigen.

2. Methodik

Die Studie schlägt ein zweistufiges, datengesteuertes Selbstkalibrierungs-Framework vor, das auf einem KUKA KR 600 Industrieroboter implementiert wurde, der mit einem ATI Gamma sechsachsigen Kraft-/Momentensensor ausgestattet ist. Das Framework arbeitet ohne Vorabwissen über die Masse, den Schwerpunkt oder die Trägheit des Werkzeugs.

2.1 Experimenteller Aufbau

Die Daten wurden unter Verwendung eines maßgeschneiderten Werkzeughalters am Endeffektor des Roboters erhoben, welcher chirurgische Pinzetten und Aktuationsmechanismen enthielt. Der Aufbau ermöglichte die Erfassung der Rohdaten des F/T-Sensors zusammen mit den kinematischen Roboterdaten (Gelenkwinkel, Endeffektorposition, Orientierung und Beschleunigung).

2.2 Quasi-statische Kalibrierung

Um gravitationsbedingte Offsets zu adressieren, wurde eine quasi-statische Kalibrierungsstrategie entwickelt:

Datenerhebung: Der Roboter wurde in verschiedenen Orientierungen positioniert und stationär gehalten, um Beschleunigungseffekte zu eliminieren.
Merkmalsauswahl: Zwei Eingangsmodelle wurden verglichen: eines basierend auf Gelenkwinkeln und eines basierend auf der Endeffektororientierung (Roll-, Nick-, Gierwinkel). Das orientierungsbasierte Modell lieferte überlegene Ergebnisse.
Modell: Ein Polynom-Regressionsmodell dritten Grades wurde unter Verwendung des Orientierungsvektors als Input trainiert, um den statischen Gravitationsoffset ( $\hat{w}_{qs}$ ) zu schätzen.
Prozess: Der geschätzte statische Offset wird vom Rohwert des Sensors subtrahiert, um die verbleibende dynamische Komponente zu isolieren.

2.3 Dynamische Kalibrierung

Um bewegungsbedingte Trägheitskräfte zu kompensieren, wurde ein dynamisches Kalibrierungsframework entwickelt:

Datenerhebung: Während über 80.000 Bewegungsstichproben wurden bei zufälligen Roboterbewegungen unter variierenden Positionen, Orientierungen und Geschwindigkeiten gesammelt.
Merkmalsauswahl: Ein neundimensionaler Eingangsvektor ( $x_d$ ) wurde konstruiert, der die Endeffektorposition ( $x, y, z$ ), die Orientierung ( $\phi, \theta, \psi$ ) und die kartesische lineare Beschleunigung ( $a_x, a_y, a_z$ ) umfasst. Variablen im Gelenkraum (Winkelgeschwindigkeit/-beschleunigung) wurden getestet, zeigten jedoch im Vergleich zu kartesischen Merkmalen eine schwächere Korrelation mit den Kraftdaten.
Modellierungsansätze:
1. Polynom-Regression: Ein zweites Grad aufweisendes Polynommodell wurde als optimaler Kompromiss zwischen Genauigkeit und Komplexität ausgewählt. Höhere Grade (3 und 4) zeigten Anzeichen von Overfitting.
2. Multilayer Perceptron (MLP): Ein Feedforward-Neuronales-Netzwerk mit drei verborgenen Schichten (64, 128, 64 Neuronen), ReLU-Aktivierung, Batch-Normalisierung und Dropout (0,2) wurde trainiert, um komplexe Nichtlinearitäten zu erfassen.
Prozess: Das dynamische Modell schätzt den verbleibenden dynamischen Offset ( $\hat{w}_{dyn}$ ) aus den quasi-statisch korrigierten Daten. Die finale kompensierte Kraftwirkung ( $w_{comp}$ ) wird durch Subtraktion sowohl der statischen als auch der dynamischen Schätzung vom Rohwert berechnet.

3. Kernbeiträge

Werkzeug-agnostische quasi-statische Kalibrierung: Eine datengesteuerte Strategie, die gravitationsbedingte Offsets allein durch die Endeffektororientierung kompensiert und somit die Notwendigkeit von Werkzeugmasse- oder Schwerpunktparametern eliminiert.
Dynamisches Kompensations-Framework: Ein umfassender Ansatz zur Modellierung bewegungsbedingter Kraftstörungen mittels interpretierbarer Polynom-Regression und Deep Learning (MLP) unter realistischen Betriebsbedingungen.
Physische Validierung: Die Methode wird an einem physischen Industrieroboter (KUKA KR 600) mit einem handelsüblichen kommerziellen F/T-Sensor demonstriert, was die Skalierbarkeit auf Anwendungen mit austauschbaren Werkzeugen und minimalem manuellem Aufwand zeigt.

4. Ergebnisse

Die Leistung der Modelle wurde mittels des mittleren quadratischen Fehlers (MSE), des mittleren absoluten Fehlers (MAE) und des quadratischen Mittelwertfehlers (RMSE) auf Test- und unabhängigen Benchmark-Datensätzen evaluiert.

4.1 Quasi-statische Leistung

Modell: Polynom-Regression dritten Grades.
Metriken: Erzielte einen Testset-MSE von 0,005 und einen Benchmark-RMSE von 0,036 N.
Genauigkeit: Maximale absolute Fehler waren 0,13 N (X), 0,06 N (Y) und 0,11 N (Z), was weniger als 0,03 % des Full Scale Output (FSO) entspricht.

4.2 Dynamische Leistung

Polynom-Regression (2. Grades):
- Benchmark-RMSE: 0,0458 N.
- Maximaler Fehler der Gesamtkraftamplitude: 0,54 N (0,108 % FSO).
MLP-Modell:
- Testset-RMSE: 0,041 N; Benchmark-RMSE: 0,049 N.
- Maximaler Fehler der Gesamtkraftamplitude: 0,53 N (0,106 % FSO).
Vergleich: Das MLP-Modell zeigte eine überlegene Fähigkeit, hochdynamische, nichtlineare Verhaltensweisen im Vergleich zum Polynommodell zu erfassen, obwohl beide innerhalb der praktischen Genauigkeitsgrenzen des ATI Gamma-Sensors lagen.

4.3 Korrelationsanalyse

Die Korrelationsanalyse ergab, dass einfache paarweise lineare Beziehungen zwischen einzelnen Beschleunigungskomponenten und Kraftmesswerten schwach waren. Dies bestätigte, dass dynamische Kraft-Offsets multivariabel und nichtlinear sind, was die Verwendung von vollständigen neundimensionalen Eingangsvektoren und komplexen Modellen (MLP) anstelle einfacher linearer Regressionen rechtfertigt.

5. Bedeutung und Ansprüche

Das Paper behauptet, dass das vorgeschlagene Framework die Zuverlässigkeit der Kraftwahrnehmung für Roboter, die mit unbekannten oder wechselnden Werkzeugaufhängungen arbeiten, signifikant verbessert. Zentrale Punkte der Bedeutung sind:

Eliminierung der manuellen Modellierung: Die Methode ermöglicht eine präzise Kraftkompensation ohne Vorabwissen über Werkzeugeigenschaften (Masse, Trägheit) oder Hardwaremodifikationen (z. B. Hinzufügen von IMUs).
Robustheit unter dynamischen Bedingungen: Durch die Trennung von werkzeugbedingten Störungen von echten Interaktionskräften unterstützt das System eine zuverlässigere Kontaktdetektion und -steuerung in dynamischen Umgebungen.
Praktische Anwendbarkeit: Die Ergebnisse zeigen, dass die vorgeschlagene Methode nahe am Rauschflur des Sensors arbeitet, was sie für die Integration in autonome, haptische und teleoperierte Robotersysteme geeignet macht, in denen eine präzise Kraftrückkopplung für Sicherheit und Aufgabenausführung essenziell ist.
Skalierbarkeit: Die datengesteuerte Natur des Ansatzes erlaubt es, auf verschiedene Werkzeugkonfigurationen und Bewegungsprofile zu skalieren, ohne analytische Modelle neu herleiten zu müssen.

Die Autoren merken an, dass die Kalibrierungsleistung zwar stark ist, die Studie jedoch auf der Sensorebene ausgewertet wurde. Als zukünftige Arbeit wird vorgeschlagen, die kalibrierten Schätzungen in Closed-Loop-Regelkreise zu integrieren, um deren direkten Einfluss auf kontaktintensive Manipulationsaufgaben zu bewerten.