Resumen Técnico: Autocalibración Basada en Datos de la Sensación de Fuerza para Robots Industriales con Accesorios de Herramientas Desconocidos

1. Planteamiento del Problema

La percepción precisa de la fuerza es crítica para los robots industriales que realizan tareas ricas en contacto, tales como el ensamblaje, la teleoperación y la asistencia quirúrgica. Sin embargo, los sensores de fuerza/par (F/T) montados en los efectores finales de los robots suelen producir mediciones sesgadas cuando se acoplan herramientas desconocidas o intercambiables. Estos sesgos surgen de la masa de la herramienta, su centro de masa y sus propiedades inerciales, que generan desplazamientos gravitatorios y dinámicos durante el movimiento.

Los métodos de calibración tradicionales dependen de modelos analíticos que requieren un conocimiento previo preciso de la distribución de masa y la inercia de la herramienta. Estos enfoques son poco prácticos para sistemas con efectores finales que cambian frecuentemente o que han sido diseñados a medida, ya que requieren una calibración manual repetida y modificaciones de hardware. Además, los métodos basados en datos existentes suelen centrarse en condiciones estáticas o requieren sensores integrados (por ejemplo, IMUs) que no están presentes en las configuraciones comerciales estándar. Existe la necesidad de un marco de trabajo basado en software y en datos que pueda autocalibrar los sensores de fuerza tanto en condiciones cuasiestáticas como dinámicas sin requerir conocimiento de las propiedades físicas de la herramienta acoplada.

2. Metodología

El estudio propone un marco de autocalibración basado en datos de dos etapas, implementado en un robot industrial KUKA KR 600 equipado con un sensor de fuerza/par de seis ejes ATI Gamma. El marco opera sin conocimiento previo de la masa, el centro de masa o la inercia de la herramienta.

2.1 Configuración Experimental

Los datos se recolectaron utilizando un soporte de herramienta fabricado a medida y acoplado al efector final del robot, el cual incluía pinzas quirúrgicas y mecanismos de actuación. La configuración permitió la recolección de lecturas de los sensores F/T junto con datos cinemáticos del robot (codificadores de articulación, posición del efector final, orientación y aceleración).

2.2 Calibración Cuasiestática

Para abordar los desplazamientos inducidos por la gravedad, se desarrolló una estrategia de calibración cuasiestática:

• Recolección de Datos: El robot se posicionó en diversas orientaciones y se mantuvo estacionario para eliminar los efectos de aceleración.
• Selección de Características: Se compararon dos modelos de entrada: uno basado en los ángulos de las articulaciones y otro basado en la orientación del efector final (roll, pitch, yaw). El modelo basado en la orientación arrojó resultados superiores.
• Modelo: Se entrenó un modelo de regresión polinómica de tercer grado utilizando el vector de orientación como entrada para estimar el desplazamiento gravitatorio estático ($\hat{w}_{qs}$).
• Proceso: El desplazamiento estático estimado se resta de la lectura del sensor para aislar el componente dinámico residual.

2.3 Calibración Dinámica

Para compensar las fuerzas inerciales inducidas por el movimiento, se desarrolló un marco de calibración dinámica:

• Recolección de Datos: Se recolectaron más de 80,000 muestras de movimiento durante movimientos aleatorios del robot que involucraban variaciones en posición, orientación y velocidad.
• Selección de Características: Se construyó un vector de entrada de nueve dimensiones ($x_d$), que comprende la posición del efector final ($x, y, z$), la orientación ($\phi, \theta, \psi$) y la aceleración lineal cartesiana ($a_x, a_y, a_z$). Se probaron variables del espacio de articulación (velocidad/aceleración angular), pero mostraron una correlación más débil con los datos de fuerza en comparación con las características cartesianas.
• Enfoques de Modelado:
  1. Regresión Polinómica: Se seleccionó un modelo polinómico de segundo grado como el equilibrio óptimo entre precisión y complejidad. Los grados superiores (3 y 4) exhibieron sobreajuste (overfitting).
  2. Perceptrón Multicapa (MLP): Se entrenó una red neuronal feedforward con tres capas ocultas (64, 128, 64 neuronas), activación ReLU, normalización por lotes (batch normalization) y dropout (0.2) para capturar las no linealidades complejas.
• Proceso: El modelo dinámico estima el desplazamiento dinámico residual ($\hat{w}_{dyn}$) a partir de los datos corregidos cuasiestáticamente. El wrench compensado final ($w_{comp}$) se calcula restando tanto la estimación estática como la dinámica de la lectura original.

3. Contribuciones Clave

1. Calibración Cuasiestática Independiente de la Herramienta: Una estrategia basada en datos que compensa los desplazamientos inducidos por la gravedad utilizando únicamente la orientación del efector final, eliminando la necesidad de parámetros de masa o centro de masa de la herramienta.
2. Marco de Compensación Dinámica: Un enfoque integral para modelar las perturbaciones de fuerza inducidas por el movimiento utilizando tanto una regresión polinómica interpretable como aprendizaje profundo (MLP) bajo condiciones operativas reales.
3. Validación Física: El método se demuestra en un robot industrial físico (KUKA KR 600) con un sensor F/T comercial estándar, mostrando escalabilidad para aplicaciones con herramientas intercambiables y una intervención manual mínima.

4. Resultados

El desempeño de los modelos se evaluó utilizando el Error Cuadrático Medio (MSE), el Error Absoluto Medio (MAE) y la Raíz del Error Cuadrático Medio (RMSE) en conjuntos de datos de prueba e independientes.

4.1 Desempeño Cuasiestático

• Modelo: Regresión polinómica de tercer grado.
• Métricas: Logró un MSE de conjunto de prueba de 0.005 y un RMSE de benchmark de 0.036 N.
• Precisión: Los errores absolutos máximos fueron 0.13 N (X), 0.06 N (Y) y 0.11 N (Z), lo que corresponde a menos del 0.03% de la Salida de Escala Completa (FSO).

4.2 Desempeño Dinámico

• Regresión Polinómica (2º Grado):
  • RMSE de Benchmark: 0.0458 N.
  • Magnitud de error de fuerza total máxima: 0.54 N (0.108% FSO).
• Modelo MLP:
  • RMSE de conjunto de prueba: 0.041 N; RMSE de Benchmark: 0.049 N.
  • Magnitud de error de fuerza total máxima: 0.53 N (0.106% FSO).
• Comparación: El modelo MLP demostró una capacidad superior para capturar comportamientos altamente dinámicos y no lineales en comparación con el modelo polinómico, aunque ambos funcionaron dentro de los límites de precisión prácticos del sensor ATI Gamma.

4.3 Análisis de Correlación

El análisis de correlación reveló que las relaciones lineales simples por pares entre los componentes individuales de la aceleración y las lecturas de fuerza eran débiles. Esto confirmó que los desplazos de fuerza dinámica son multivariables y no lineales, justificando el uso de vectores de entrada completos de nueve dimensiones y modelos complejos (MLP) en lugar de simples regresiones lineales.

5. Significación y Reivindicaciones

El artículo afirma que el marco propuesto mejora significativamente la fiabilidad de la percepción de la fuerza para robots que operan con accesorios de herramientas desconocidos o cambiantes. Los puntos clave de significación incluyen:

• Eliminación del Modelado Manual: El método permite una compensación de fuerza precisa sin requerir conocimiento previo de las propiedades de la herramienta (masa, inercia) ni modificaciones de hardware (por ejemplo, añadir IMUs).
• Robustez en Condiciones Dinámicas: Al separar los desplazos inducidos por la herramienta de las verdaderas fuerzas de interacción, el sistema soporta una detección de contacto y un control más fiables en entornos dinámicos.
• Aplicabilidad Práctica: Los resultados indican que el método propuesto opera cerca del piso de ruido del sensor, lo que lo hace adecuado para la integración en sistemas robóticos autónomos, hápticos y de teleoperación donde la retroalimentación de fuerza precisa es esencial para la seguridad y la ejecución de tareas.
• Escalabilidad: La naturaleza basada en datos del enfoque permite escalar a diversas configuraciones de herramientas y perfiles de movimiento sin la necesidad de volver a derivar modelos analíticos.

Los autores señalan que, si bien el desempeño de la calibración es sólido, el estudio evaluó el método al nivel de la sensación. Se sugiere como trabajo futuro integrar estas estimaciones calibradas en experimentos de control de bucle cerrado para evaluar su impacto directo en tareas de manipulación ricas en contacto.