Sintesi Tecnica: Autocalibrazione dei Sensori di Forza basata sui Dati per Robot Industriali con Attacchi Utensili Sconosciuti

1. Definizione del Problema

La percezione accurata della forza è fondamentale per i robot industriali che eseguono compiti ricchi di contatto, come l'assemblaggio, la teleoperazione e l'assistenza chirurgica. Tuttavia, i sensori di forza/coppia (F/T) montati sulle estremità dei robot spesso producono misurazioni distorte quando vengono attaccati strumenti sconosciuti o intercambiabili. Tali bias derivano dalla massa dell'utensile, dal centro di massa e dalle proprietà inerziali, che generano offset gravitazionali e dinamici durante il movimento.

I metodi di calibrazione tradizionali si affidano a modelli analitici che richiedono una conoscenza precisa e preventiva della distribuzione della massa e dell'inerzia dell'utensile. Questi approcci sono poco pratici per sistemi con end-effector che cambiano frequentemente o che sono progettati su misura, poiché richiedono ripetute calibrazioni manuali e modifiche hardware. Inoltre, gli esistenti metodi basati sui dati si concentrano spesso su condizioni statiche o richiedono sensori integrati (ad esempio, IMU) non presenti nelle configurazioni commerciali standard. È necessario un framework software-based, guidato dai dati, in grado di autocalibrare i sensori di forza sia in condizioni quasi-statiche che dinamiche, senza richiedere la conoscenza delle proprietà fisiche dell'utensile attaccato.

2. Metodologia

Lo studio propone un framework di autocalibrazione in due fasi, guidato dai dati, implementato su un robot industriale KUKA KR 600 equipaggiato con un sensore di forza/coppia a sei assi ATI Gamma. Il framework opera senza conoscenza preventiva della massa, del centro di massa o dell'inerzia dell'utensile.

2.1 Configurazione Sperimentale

I dati sono stati raccolti utilizzando un supporto per utensili personalizzato attaccato all'end-effector del robot, che includeva pinze chirurgiche e meccanismi di attuazione. La configurazione ha permesso la raccolta delle letture grezze del sensore F/T insieme ai dati cinematici del robot (encoder dei giunti, posizione dell'end-effector, orientamento, accelerazione).

2.2 Calibrazione Quasi-Statica

Per affrontare gli offset indotti dalla gravità, è stata sviluppata una strategia di calibrazione quasi-statica:

• Raccolta Dati: Il robot è stato posizionato in varie orientazioni ed è stato mantenuto stazionario per eliminare gli effetti di accelerazione.
• Selezione delle Caratteristiche: Sono stati confrontati due modelli di input: uno basato sugli angoli dei giunti e uno basato sull'orientamento dell'end-effector (rollio, beccheggio, imbardata). Il modello basato sull'orientamento ha fornito risultati superiori.
• Modello: Un modello di regressione polinomiale di terzo grado è stato addestrato utilizzando il vettore di orientamento come input per stimare l'offset gravitazionale statico ($\hat{w}_{qs}$).
• Processo: L'offset statico stimato viene sottratto dalla lettura grezza per isolare la componente dinamica residua.

2.3 Calibrazione Dinamica

Per compensare le forze inerziali indotte dal movimento, è stato sviluppato un framework di calibrazione dinamica:

• Raccolta Dati: Sono stati raccolti oltre 80.000 campioni di movimento durante movimenti casuali del robot che comportavano variazioni di posizione, orientamento e velocità.
• Selezione delle Caratteristiche: È stato costruito un vettore di input a nove dimensioni ($x_d$), composto da posizione dell'end-effector ($x, y, z$), orientamento ($\phi, \theta, \psi$) e accelerazione lineare cartesiana ($a_x, a_y, a_z$). Le variabili nello spazio dei giunti (velocità/accelerazione angolare) sono state testate ma hanno mostrato una correlazione più debole con i dati di forza rispetto alle caratteristiche cartesiane.
• Approcci di Modellazione:
  1. Regressione Polinomiale: Un modello di regressione polinomiale di secondo grado è stato selezionato come il miglior compromesso tra accuratezza e complessità. Gradi superiori (3 e 4) hanno mostrato fenomeni di overfitting.
  2. Perceptron Multistrato (MLP): Una rete neurale feedforward con tre strati nascosti (64, 128, 64 neuroni), attivazione ReLU, batch normalization e dropout (0.2) è stata addestrata per catturare le non linearità complesse.
• Processo: Il modello dinamico stima l'offset dinamico residuo ($\hat{w}_{dyn}$) dai dati corretti quasi-staticamente. Il wrench compensato finale ($w_{comp}$) è calcolato sottraendo sia le stime statiche che quelle dinamiche dalla lettura grezza.

3. Contributi Chiave

1. Calibrazione Quasi-Statica Indipendente dall'Utensile: Una strategia basata sui dati che compensa gli offset indotti dalla gravità utilizzando solo l'orientamento dell'end-effector, eliminando la necessità di parametri di massa o centro di massa dell'utensile.
2. Framework di Compensazione Dinamica: Un approccio completo per modellare le perturbazioni di forza indotte dal movimento utilizzando sia la regressione polinomiale interpretabile che il deep learning (MLP) in condizioni operative realistiche.
3. Validazione Fisica: Il metodo è dimostrato su un robot industriale fisico (KUKA KR 600) con un sensore F/T commerciale standard, mostrando scalabilità ad applicazioni con utensili intercambiabili e intervento manuale minimo.

4. Risultati

Le prestazioni dei modelli sono state valutate utilizzando l'Errore Quadratico Medio (MSE), l'Errore Assoluto Medio (MAE) e l'Errore Quadratico Medio (RMSE) su set di test e dataset di benchmark indipendenti.

4.1 Prestazioni Quasi-Statiche

• Modello: Regressione polinomiale di terzo grado.
• Metriche: Ha raggiunto un MSE del test-set di 0.005 e un RMSE del benchmark di 0.036 N.
• Accuratezza: Gli errori assoluti massimi sono stati 0.13 N (X), 0.06 N (Y) e 0.11 N (Z), corrispondenti a meno dello 0.03% della Full Scale Output (FSO).

4.2 Prestazioni Dinamiche

• Regressione Polinomiale (2° Grado):
  • Benchmark RMSE: 0.0458 N.
  • Errore massimo dell'entità della forza totale: 0.54 N (0.108% FSO).
• Modello MLP:
  • Test-set RMSE: 0.041 N; Benchmark RMSE: 0.049 N.
  • Errore massimo dell'entità della forza totale: 0.53 N (0.106% FSO).
• Confronto: Il modello MLP ha dimostrato una capacità superiore nel catturare comportamenti altamente dinamici e non lineari rispetto al modello polinomiale, sebbene entrambi operassero entro i limiti di accuratezza pratici del sensore ATI Gamma.

4.3 Analisi di Correlazione

L'analisi di correlazione ha rivelato che le semplici relazioni lineari a coppie tra i singoli componenti di accelerazione e le letture di forza erano deboli. Ciò ha confermato che gli offset di forza dinamici sono multivariabili e non lineari, giustificando l'uso di interi vettori di input a nove dimensioni e di modelli complessi (MLP) piuttosto che semplici regressioni lineari.

5. Significato e Rivendicazioni

Il documento afferma che il framework proposto migliora significativamente l'affidabilità della percezione della forza per i robot che operano con attacchi utensili sconosciuti o variabili. I punti chiave di significatività includono:

• Eliminazione della Modellazione Manuale: Il metodo consente una compensazione accurata della forza senza richiedere la conoscenza preventiva delle proprietà dell'utensile (massa, inerzia) o modifiche all'hardware (ad esempio, l'aggiunta di IMU).
• Robustezza in Condizioni Dinamiche: Separando le perturbazioni indotte dall'utensile dalle vere forze di interazione, il sistema supporta un rilevamento del contatto e un controllo più affidabili in ambienti dinamici.
• Applicabilità Pratica: I risultati indicano che il metodo proposto opera vicino al livello di rumore del sensore, rendendolo adatto all'integrazione in sistemi robotici autonomi, aptici e teleoperati dove un feedback di forza accurato è essenziale per la sicurezza e l'esecuzione dei compiti.
• Scalabilità: La natura basata sui dati dell'approccio consente di scalare a varie configurazioni di utensili e profili di movimento senza la necessità di derivare nuovamente i modelli analitici.

Gli autori osservano che, sebbene le prestazioni di calibrazione siano elevate, lo studio ha valutato il metodo a livello di sensing. Si suggerisce come lavoro futuro l'integrazione di queste stime calibrate in esperimenti di controllo a ciclo chiuso per valutare il loro impatto diretto su compiti di manipolazione ricchi di contatto.