⚡ electrical engineering

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

Cet article présente un cadre d'auto-étalonnage piloté par les données pour les robots industriels qui compense avec précision les biais des capteurs d'effort/couple causés par des fixations d'outils inconnues, tant en conditions quasi statiques que dynamiques, en utilisant des modèles de régression et d'apprentissage automatique, permettant ainsi une perception de la force fiable sans nécessiter de connaissance préalable des propriétés de l'outil ni de modifications matérielles.

Auteurs originaux : Haniyeh Altafi, Soroush Sadeghian, Kourosh Zareinia

Publié 2026-08-10

📖 3 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Haniyeh Altafi, Soroush Sadeghian, Kourosh Zareinia

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un bras robotique comme un peintre super fort et super précis. Pour faire son travail, il doit savoir exactement avec quelle force il appuie contre une toile ou un morceau d'argile. C'est là qu'intervient un « capteur de force » ; c'est comme le sens du toucher du robot, lui disant : « Hé, je pousse avec une force de 5 Newtons ». Mais voici le hic : les robots transportent souvent des outils fixés à leurs mains, comme un pinceau, un tournevis ou une pince chirurgicale. Ces outils ont un poids, et lorsque le robot déplace son bras rapidement, ce poids crée des forces supplémentaires — comme la sensation d'un sac à dos lourd qui vous tire vers le bas quand vous courez. Si le robot ne sait pas exactement à quel point son sac à dos est lourd ou où se trouve son centre de gravité, il est confus. Il pourrait penser que le sac à dos lourd est en fait un mur contre lequel il heurte, ou il pourrait pousser trop fort parce qu'il ne réalise pas qu'il transporte une charge lourde. Cette confusion rend le robot maladroit, dangereux ou incapable d'accomplir des tâches délicates. Les scientifiques ont longtemps essayé de résoudre cela en mesurant parfaitement les outils et en écrivant des équations mathématiques complexes pour annuler le poids, mais c'est lent et cela s'effondre dès que le robot change d'outil pour un nouveau.

Cet article s'attaque précisément à ce casse-tête avec une astuce ingénieuse basée sur les données. Au lieu de demander au robot de mémoriser le poids de chaque outil possible qu'il pourrait tenir, les chercheurs ont appris au robot à « ressentir » la différence entre le poids de ses propres outils et les forces réelles provenant du monde extérieur. Ils ont utilisé un robot industriel de grande taille (un KUKA KR 600) équipé d'un capteur de force et d'un support d'outil personnalisé. D'abord, ils ont laissé le robot immobile dans diverses positions pour apprendre comment la gravité tire sur l'outil (la partie « quasi-statique »). Ensuite, ils ont fait bouger le robot de manière sauvage selon des motifs aléatoires pour voir comment l'accélération et la vitesse perturbent les lectures du capteur (la partie « dynamique »). En collectant plus de 80 000 échantillons de ces données de mouvement, ils ont entraîné deux types de modèles de « cerveau » : une formule mathématique simple (régression polynomiale) et un réseau de neurones plus complexe (MLP). Les résultats ont été impressionnants : les modèles ont appris à éliminer le poids de l'outil et le bruit de mouvement avec une précision incroyable. Le meilleur modèle, le réseau de neurones, a réduit l'erreur à seulement 0,041 Newton lors des tests, ce qui est si petit que c'est pratiquement invisible par rapport au bruit naturel du capteur lui-même. L'article montre que les robots peuvent désormais s'auto-calibrer leur sens du toucher sans avoir besoin de connaître le poids ou la forme de l'outil au préalable, ce qui les rend prêts à changer d'outil instantanément tout en conservant la même main sûre.

Résumé technique : Auto-calibration pilotée par les données de la détection de force pour les robots industriels avec des accessoires d'outils inconnus

1. Énoncé du problème

Une perception précise de la force est cruciale pour les robots industriels effectuant des tâches riches en contacts, telles que l'assemblage, la téléopération et l'assistance chirurgicale. Cependant, les capteurs d'effort/couple (F/T) montés sur les effecteurs terminaux des robots produisent souvent des mesures biaisées lorsque des outils inconnus ou interchangeables sont fixés. Ces biais proviennent de la masse de l'outil, de son centre de masse et de ses propriétés inertielles, qui génèrent des décalages gravitationnels et dynamiques lors du mouvement.

Les méthodes de calibration traditionnelles reposent sur des modèles analytiques nécessitant une connaissance préalable précise de la distribution de masse et de l'inertie de l'outil. Ces approches sont peu pratiques pour les systèmes dotés d'effecteurs terminaux changeants ou de conception personnalisée, car elles nécessitent des calibrations manuelles répétées et des modifications matérielles. De plus, les méthodes existentes basées sur les données se concentrent souvent sur des conditions statiques ou nécessitent des capteurs embarqués (par exemple, des IMU) non présents dans les configurations standards du commerce. Il existe un besoin pour un cadre logiciel de way auto-calibration, piloté par les données, capable de calibrer les capteurs de force sous des conditions quasi-statiques et dynamiques sans nécessiter la connaissance des propriétés physiques de l'outil attaché.

2. Méthodologie

L'étude propose un cadre d'auto-calibration piloté par les données en deux étapes, implémenté sur un robot industriel KUKA KR 600 équipé d'un capteur de force/couple à six axes ATI Gamma. Le cadre fonctionne sans connaissance préalable de la masse, du centre de masse ou de l'inertie de l'outil.

2.1 Configuration expérimentale

Les données ont été collectées à l'aide d'un support d'outil fabriqué sur mesure, fixé à l'effecteur du robot, qui comprenait des pinces chirurgicales et des mécanismes d'actionnement. La configuration a permis la collecte des lectures brutes du capteur F/T parallèlement aux données cinématiques du robot (encodeurs articulaires, position de l'effecteur, orientation et accélération).

2.2 Calibration quasi-statique

Pour traiter les décalages induits par la gravité, une stratégie de calibration quasi-statique a été développée :

Collecte de données : Le robot a été positionné à diverses orientations et maintenu stationnaire pour éliminer les effets d'accélération.
Sélection de caractéristiques : Deux modèles d'entrée ont été comparés : l'un basé sur les angles articulaires et l'autre sur l'orientation de l'effecteur (roulis, tangage, lacet). Le modèle basé sur l'orientation a donné des résultats supérieurs.
Modèle : Un modèle de régression polynomiale de troisième degré a été entraîné en utilisant le vecteur d'orientation comme entrée pour estimer le décalage gravitationnel statique ( $\hat{w}_{qs}$ ).
Processus : Le décalage statique estimé est soustrait de la lecture brute pour isoler la composante dynamique résiduelle.

2.3 Calibration dynamique

Pour compenser les forces d'inertie induites par le mouvement, un cadre de calibration dynamique a été développé :

Collectation de données : Plus de 80 000 échantillons de mouvement ont été collectés lors de mouvements aléatoires du robot impliquant des variations de positions, d'orientations et de vitesses.
Sélection de caractéristiques : Un vecteur d'entrée à neuf dimensions ( $x_d$ ) a été construit, comprenant la position de l'effecteur ( $x, y, z$ ), l'orientation ( $\phi, \theta, \psi$ ) et l'accélération linéaire cartésienne ( $a_x, a_y, a_z$ ). Les variables de l'espace articulaire (vitesse/accélération angulaire) ont été testées mais ont montré une corrélation plus faible avec les données de force par rapport aux caractéristiques cartésiennes.
Approches de modélisation :
1. Régression polynomiale : Un modèle de régression polynomiale de second degré a été sélectionné comme le compromis optimal entre précision et complexité. Les degrés supérieurs (3 et 4) présentaient un surapprentissage (overfitting).
2. Perceptron Multicouche (MLP) : Un réseau de neurones feedforward avec trois couches cachées (64, 128, 64 neurones), une activation ReLU, une normalisation par lots (batch normalization) et un dropout (0.2) a été entraîné pour capturer les non-linéarités complexes.
Processus : Le modèle dynamique estime le décalage dynamique résiduel ( $\hat{w}_{dyn}$ ) à partir des données corrigées quasi-statiquement. L'effort compensé final ( $w_{comp}$ ) est calculé en soustrayant à la fois les estimations statiques et dynamiques de la lecture brute.

3. Principales contributions

Calibration quasi-statique indépendante de l'outil : Une stratégie pilotée par les données qui compense les décalages induits par la gravité en utilisant uniquement l'orientation de l'effecteur, éliminant ainsi le besoin de paramètres de masse ou de centre de masse de l'outil.
Cadre de compensation dynamique : Une approche complète pour modéliser les perturbations de force induites par le mouvement en utilisant à la fois une régression polynomiale interprétable et l'apprentissage profond (MLP) dans des conditions opérationnelles réelles.
Validation physique : La méthode est démontrée sur un robot industriel physique (KUKA KR 600) avec un capteur F/T commercial standard, montrant une extensibilité aux applications avec des outils interchangeables et une intervention manuelle minimale.

4. Résultats

Les performances des modèles ont été évaluées à l'aide de l'erreur quadratique moyenne (MSE), de l'erreur absolue moyenne (MAE) et de l'erreur quadratique moyenne (RMSE) sur des ensembles de test et des ensembles de référence indépendants.

4.1 Performance quasi-statique

Modèle : Régression polynomiale de troisième degré.
Métriques : A atteint un MSE de test de 0,005 et un RMSE de référence de 0,036 N.
Précision : Les erreurs absolues maximales étaient de 0,13 N (X), 0,06 N (Y) et 0,11 N (Z), ce qui correspond à moins de 0,03 % de la pleine échelle (FSO).

4.2 Performance dynamique

Régression polynomiale (2ème degré) :
- RMSE de référence : 0,0458 N.
- Erreur de magnitude de force totale maximale : 0,54 N (0,108 % FSO).
Modèle MLP :
- RMSE de test : 0,041 N ; RMSE de référence : 0,049 N.
- Erreur de magnitude de force totale maximale : 0,53 N (0,106 % FSO).
Comparaison : Le modèle MLP a démontré une capacité supérieure à capturer les comportements hautement dynamiques et non linéaires par rapport au modèle polynomial, bien que les deux fonctionnent dans les limites de précision pratiques du capteur ATI Gamma.

4.3 Analyse de corrélation

L'analyse de corrélation a révélé que les relations linéaires simples par paires entre les composants d'accélération individuels et les lectures de force étaient faibles. Cela a confirmé que les décalages de force dynamiques sont multivariables et non linéaires, justifiant l'utilisation de vecteurs d'entrée complets à neuf dimensions et de modèles complexes (MLP) plutôt que de simples régressions linéaires.

5. Signification et affirmations

L'article affirme que le cadre proposé améliore considérablement la fiabilité de la perception de la force pour les robots opérant avec des accessoires d'outils inconnus ou changeants. Les points clés de la signification sont les suivants :

Élimination de la modélisation manuelle : La méthode permet une compensation de force précise sans nécessiter de connaissance préalable des propriétés de l'outil (masse, inertie) ou de modifications matérielles (ex: ajout d'IMU).
Robustesse dans des conditions dynamiques : En séparant les perturbations induites par l'outil des véritables forces d'interaction, le système permet une détection de contact et un contrôle plus fiables dans des environnements dynamiques.
Applicabilité pratique : Les résultats indiquont que la méthode proposée opère proche du plancher de bruit du capteur, ce qui la rend adaptée à l'intégration dans des systèmes robotiques autonomes, haptiques et de téléopération où un retour de force précis est essentiel pour la sécurité et l'exécution des tâches.
Extensibilité : La nature pilotée par les données de l'approche permet de passer à diverses configurations d'outils et profils de mouvement sans avoir à redériver des modèles analytiques.

Les auteurs notent que si la performance de calibration est forte, l'étude a évalué la méthode au niveau de la détection. Des travaux futurs sont suggérés pour intégrer ces estimations calibrées dans des expériences de contrôle en boucle fermée afin d'évaluer leur impact direct sur les tâches de manipulation riches en contacts.