技術要約：未知のツール装着を伴う産業用ロボットのためのデータ駆動型自己校正力センシング

1. 問題提起

組立、テレオペレーション、または手術支援といった接触を伴うタスクを実行する産業用ロボットにとって、正確な力知覚は極めて重要である。しかし、ロボットのエンドエフェクタに取り付けられた力/トルク（F/T）センサは、未知または交換可能なツールが装着されている場合、バイアスが生じることが多い。これらのバイアスは、ツールの質量、重心、および慣性特性に起因し、運動中に重力および動的なオフセットを発生させる。

従来の校正手法は、ツールの質量分布や慣性に関する正確な事前知識を必要とする解析モデルに依存している。これらのアプローチは、頻繁にツールが変更されたり、カスタム設計されたエンドエフェクタを使用したりするシステムにおいては、繰り返しの手動校正やハードウェアの変更を必要とするため、実用的ではない。さらに、既存のデータ駆動型手法は、静的な条件に焦点を当てているか、標準的な市販のセットアップには存在しない埋め込みセンサ（IMUなど）を必要とすることが多い。したがって、物理的な特性に関する知識を必要とせず、準静的および動的な両方の条件下で力センサを自己校正できる、ソフトウェアベースのデータ駆動型フレームワークが必要とされている。

2. 手法

本研究では、ATI Gamma 6軸力/トルクセンサを備えたKUKA KR 600産業用ロボットに実装された、2段階のデータ駆動型自己校正フレームワークを提案する。このフレームワークは、ツールの質量、重心、または慣性に関する事前知識なしで動作する。

2.1 実験セットアップ

カスタムメイドのツールホルダー（外科用鉗子および駆動メカニズムを含む）をロボットのエンドエフェクタに取り付けてデータを収集した。このセットアップにより、ロボットの運動学データ（関節エンコーダ、エンドエフェクタの位置、姿勢、加速度）とともに、生のF/Tセンサの読み取り値を取得することが可能となった。

2.2 準静的校正

重力によるオフセットに対処するため、準静的校正戦略を開発した。

• データ収集: ロボットを様々な姿勢に配置し、加速の影響を排除するために静止状態に保持した。
• 特徴量選択: 2つの入力モデル（関節角に基づくものと、エンドエフェクタの姿勢（ロール、ピッチ、ヨー）に基づくもの）を比較した。結果として、姿勢ベースのモデルが優れた結果を示した。
• モデル: 姿勢ベクトルを入力として、静的な重力オフセット（$\hat{w}_{qs}$）を推定するために、3次多項式回帰モデルを学習させた。
• プロセス: 推定された静的オフセットを生のセンサ値から減算することで、残留する動的成分を分離する。

2.3 動的校正

運動に起因する慣性力を補償するために、動的校正フレームワークを開発した。

• データ収集: 様々な位置、姿勢、速度を伴うランダムなロボット運動中に、80,000個以上の運動サンプルを収集した。
• 特徴量選択: 9次元の入力ベクトル（$x_d$）を構築した。これには、エンドエフェクタの位置（$x, y, z$）、姿勢（$\phi, \theta, \psi$）、およびデカルト座標系の線加速度（$a_x, a_y, a_z$）が含まれる。関節空間の変数（角速度/角加速度）もテストされたが、デカルト座標の特徴量と比較して、力データとの相関は弱かった。
• モデリング手法:
  1. 多項式回帰: 精度と複雑さの最適なトレードオフとして、2次多項式モデルが選択された。次数を高く（3次および4次）すると過学習が見られた。
  2. 多層パーセプトロン (MLP): 3つの隠れ層（64, 128, 64ニューロン）、ReLU活性化関数、バッチ正規化、およびドロップアウト（0.2）を備えたフィードフォワードニューラルネットワークを、複雑な非線形性を捉えるために学習させた。
• プロセス: 動的モデルは、準静的に補正されたデータから残留動的オフセット（$\hat{w}_{dyn}$）を推定する。最終的な補正後の力（$w_{comp}$）は、生の読み取り値から静的および動的の両方の推定値を減算することによって算出される。

3. 主な貢献

1. ツールに依存しない準静的校正: エンドエフェクタの姿勢のみを使用して重力誘起オフセットを補償するデータ駆動型戦略を提供し、ツルの質量や重心パラメータを不要にした。
2. 動的補償フレームワーク: 現実的な動作条件下において、解釈可能な多項式回帰とディープラーニング（MLP）の両方を用いて、運動誘起の力擾乱をモデリングするための包括的なアプローチを提示した。
3. 物理的検証: 標準的な市販のF/Tセンサを備えた物理的な産業用ロボット（KUKA KR 600）上で手法を実証し、頻繁に交換されるツールへのスケーラビリティと最小限の手動介入を実現した。

4. 結果

モデルの性能は、テストセットおよび独立したベンチマークデータセットにおける平均二乗誤差（MSE）、平均絶対誤差（MAE）、および平方根平均二乗誤差（RMSE）を用いて評価された。

4.1 準静的性能

• モデル: 3次多項式回帰。
• 指標: テストセットのMSE 0.005、およびベンチマークのRMSE 0.036 Nを達成した。
• 精度: 最大絶対誤差は、X軸 0.13 N、Y軸 0.06 N、Z軸 0.11 Nであり、これはフルスケール出力（FSO）の0.03%未満に相当する。

4.2 動的性能

• 多項式回帰 (2次):
  • ベンチマークRMSE: 0.0458 N。
  • 最大全荷重成分誤差: 0.54 N (0.108% FSO)。
• MLPモデル:
  • テストセットRMSE: 0.041 N、ベンチマークRMSE: 0.049 N。
  • 最大全荷重成分誤差: 0.53 N (0.106% FSO)。
• 比較: MLPモデルは、多項式モデルと比較して、高度に動的で非線形な挙動を捉える優れた能力を示したが、両者ともATI Gammaセンサの実用的な精度範囲内に収まっていた。

4.3 相関分析

相関分析により、個々の加速度成分と力読み取り値の間の単純なペアワイズ線形関係は弱いことが明らかになった。これにより、動的な力オフセットは多変数かつ非線形であり、単純な線形回帰ではなく、9次元のフル入力ベクトルおよび複雑なモデル（MLP）の使用が正当化されることが確認された。

5. 重要性と主張

本論文は、提案されたフレームワークが、未知または変更されるツール装着を伴うロボットの力知覚の信頼性を大幅に向上させると主張している。主な重要性は以下の通りである。

• 手動モデリングの排除: 本手法は、ツールの特性（質量、慣性）に関する事前知識や、ハードウェアの変更（IMUの追加など）を必要とせずに、正確な力補償を可能にする。
• 動的条件下での堅牢性: ツールによる擾乱を真の相互作用力から分離することで、動的な環境におけるより信頼性の高い接触検知と制御をサポートする。
• 実用的な適用可能性: 結果は、提案手法がセンサのノイズフロアに近いレベルで動作していることを示しており、正確な力フィードバックが安全性とタスク実行に不可欠な自律、触覚、およびテレオペレーション・ロボットシステムへの統合に適していることを示唆している。
• スケーラビリティ: データ駆動型のアプローチにより、解析モデルを再導出することなく、様々なツール構成や運動プロファイルに合わせてスケールさせることが可能である。

著者らは、校正性能は強力であるが、本研究はセンシングレベルでの評価を行ったことを注記している。今後の課題として、接触を伴う操作タスクへの直接的な影響を評価するために、これらの校正された推定値を閉ループ制御実験に統合することが示唆されている。