Technische Samenvatting: Datagestuurde Zelfkalibratie van Krachtmeting voor Industriële Robots met Onbekende Gereedschapsbevestigingen

1. Probleemstelling

Nauwkeurige krachtperceptie is cruciaal voor industriële robots die contactrijke taken uitvoeren, zoals assemblage, teleoperatie en chirurgische assistentie. Echter, kracht-/koppel-sensoren (F/T-sensoren) die op robot-end-effectoren zijn gemonteerd, produceren vaak vertekende metingen wanneer onbekende of uitwisselbare gereedschappen zijn bevestigd. Deze bias ontstaat door de massa, het zwaartepunt en de traagheidsinstellingen van het gereedschap, die gravitationele en dynamische offsets genereren tijdens beweging.

Traditionele kalibratiemethoden vertrouwen op analytische modellen die precieze vooraf bekende kennis vereisen van de massaverdeling en traagheid van het gereedschap. Deze benaderingen zijn onpraktisch voor systemen met frequent wisselende of op maat gemaakte eindeffectoren, omdat ze herhaalde handmatige kalibratie en hardwaremodificaties noodzakelijk maken. Bovendien richten bestaande datagestuurde methoden zich vaak op statische condities of vereisen ze ingebedde sensoren (bijv. IMU's) die niet aanwezig zijn in standaard commerciële opstellingen. Er is behoefte aan een softwaregebaseerd, datagestuurd framework dat krachtsensoren kan zelfkalibreren onder zowel quasi-statische als dynamische condities, zonder kennis te vereisen van de fysieke eigenschappen van het aangehechte gereedschap.

2. Methodologie

De studie stelt een twee-fasen, datagestuurd zelfkalibratie-framework voor, geïmplementeerd op een KUKA KR 600 industriële robot uitgerust met een ATI Gamma zes-assige kracht/koppel-sensor. Het framework werkt zonder voorafgaande kennis van de massa, het zwaartepunt of de traagheid van het gereedschap.

2.1 Experimentele Opstelling

Data werd verzameld met behulp van een op maat gemaakte gereedschapshouder die aan de robot-end-effector was bevestigd, welke chirurgische forceps en actuatiemechanismen omvatte. De opstelling maakte het mogelijk om ruwe F/T-sensorwaarden te verzamelen naast robotkinematische gegevens (gewrichtscoders, end-effector positie, oriëntatie en versnelling).

2.2 Quasi-Statische Kalibratie

Om gravitatie-geïnduceerde offsets aan te pakken, werd een quasi-statische kalibratiestrategie ontwikkeld:

• Dataverzameling: De robot werd in verschillende oriëntaties gepositioneerd en stationair gehouden om effecten van versnelling te elimineren.
• Kenmerkselectie (Feature Selection): Er werden twee invoermodellen vergeleken: één gebaseerd op gewrichtshoeken en één gebaseerd op de end-effector oriëntatie (roll, pitch, yaw). Het oriëntatiegebaseerde model leverde superieure resultaten op.
• Model: Een derde-graads polynoomregressiemodel werd getraind met de oriëntatievector als input om de statische gravitationele offset ($\hat{w}_{qs}$) te schatten.
• Proces: De geschatte statische offset wordt van de ruwe sensorwaarde afgetrokken om de resterende dynamische component te isoleren.

2.3 Dynamische Kalibratie

Om bewegings-geïnduceerde traagheidskrachten te compenseren, werd een dynamisch kalibratieframework ontwikkeld:

• Dataverzameling: Meer dan 80.000 bewegingsmonsters werden verzameld tijdens willekeurige robotbewegingen met variërende posities, oriëntaties en snelheden.
• Kenmerkselectie: Een negen-dimensionale inputvector ($x_d$) werd geconstrueerd, bestaande uit de end-effector positie ($x, y, z$), oriëntatie ($\phi, \theta, \psi$) en Cartesiaanse lineaire versnelling ($a_x, a_y, a_z$). Variabelen in de gewrichtsruimte (hoeksnelheid/versnelling) werden getest, maar vertoonden een zwakkere correlatie met de krachtdata vergeleken met Cartesiaanse kenmerken.
• Modelleringsbenaderingen:
  1. Polynoomregressie: Een tweede-graads polynoommodel werd geselecteerd als de optimale afweging tussen nauwkeurigheid en complexiteit. Hogere graden (3 en 4) vertoonden overfitting.
  2. Multilayer Perceptron (MLP): Een feedforward neuraal netwerk met drie verborgen lagen (64, 128, 64 neuronen), ReLU-activatie, batch normalisatie en dropout (0.2) werd getraind om complexe niet-lineariteiten te vangen.
• Proces: Het dynamische model schat de resterende dynamische offset ($\hat{w}_{dyn}$) van de quasi-statisch gecorrigeerde data. De uiteindelijke gecompenseerde kracht ($\text{w}_{comp}$) wordt berekend door zowel de statische als de dynamische schattingen van de ruwe waarde af te trekken.

3. Belangrijkste Bijdragen

1. Tool-Agnostische Quasi-Statische Kalibratie: Een datagestuurde strategie die voor gravitatie-geïnduceerde offsets compenseert met enkel de end-effector oriëntatie, waardoor de noodzaak voor gereedschapsmassa of zwaartepuntparameters vervalt.
2. Dynamisch Compensatieframework: Een uitgebreide aanpak voor het modelleren van bewegings-geïnduceerde krachtverstoringen met behulp van zowel interpreteerbare polynoomregressie als deep learning (MLP) onder realistische operationele condities.
3. Fysieke Validatie: De methode wordt gedemonstreerd op een fysieke industriële robot (KUKA KR 600) met een standaard commerciële F/T-sensor, wat de schaalbaarheid naar toepassingen met uitwisselbare gereedschappen en minimale handmatige interventie aantoont.

4. Resultaten

De prestaties van de modellen werden geëvalueerd met behulp van Mean Squared Error (MSE), Mean Absolute Error (MAE) en Root Mean Squared Error (RMSE) op test- en onafhankelijke benchmarkdatasets.

4.1 Quasi-Statische Prestaties

• Model: Derde-graads polynoomregressie.
• Metrieken: Behaalde een testset MSE van 0.005 en een benchmark RMSE van 0.036 N.
• Nauwkeurigheid: Maximale absolute fouten waren 0.13 N (X), 0.06 N (Y) en 0.11 N (Z), wat overeenkomt met minder dan 0.03% van de Full Scale Output (FSO).

4.2 Dynamische Prestaties

• Polynoomregressie (2e graad):
  • Benchmark RMSE: 0.0458 N.
  • Maximale totale krachtmagnitude fout: 0.54 N (0.108% FSO).
• MLP Model:
  • Testset RMSE: 0.041 N; Benchmark RMSE: 0.049 N.
  • Maximale totale krachtmagnitude fout: 0.53 N (0.106% FSO).
• Vergelijking: Het MLP-model demonstreerde een superieur vermogen om hoogdynamische, niet-lineaire gedragingen te vangen vergeleken met het polynoommodel, hoewel beide binnen de praktische nauwkeurigheidsgrenzen van de ATI Gamma-sensor presteerden.

4.3 Correlatieanalyse

Correlatieanalyse onthulde dat eenvoudige paarwijze lineaire relaties tussen individuele acceleratiecomponenten en krachtmetingen zwak waren. Dit bevestigde dat dynamische krachtoffsets multivariabel en niet-lineair zijn, wat het gebruik van volledige negen-dimensionale inputvectoren en complexe modellen (MLP) rechtvaardigt in plaats van eenvoudige lineaire regressies.

5. Betekenis en Claims

Het artikel claimt dat het voorgestelde framework de betrouwbaarheid van de krachtperceptie aanzienlijk verbetert voor robots die werken met onbekende of wisselende gereedschapsbevestigingen. Belangrijke punten van betekenis zijn:

• Eliminatie van Handmatige Modellering: De methode maakt nauwkeurige krachtcompensatie mogelijk zonder voorafgaande kennis van gereedschapseigenschappen (massa, traagheid) of hardwaremodificaties (zoals het toevoegen van IMU's).
• Robuustheid in Dynamische Condities: Door het scheiden van gereedschap-geïnduceerde verstoringen van werkelijke interactiekrachten, ondersteunt het systeem een betrouwbaardere detectie van contact en besturing in dynamische omgevingen.
• Praktische Toepasbaarheid: De resultaten geven aan dat de voorgestelde methode dicht bij de ruisvloer van de sensor opereert, wat het geschikt maakt voor integratie in autonome, haptische en teleoperated robotische systemen waar nauwkeurige krachtfeedback essentieel is voor veiligheid en taakuitvoering.
• Schaalbaarheid: Het datagestuurde karakter van de aanpak maakt het mogelijk om naar diverse gereedschapconfiguraties en bewegingsprofielen te schalen zonder de noodzaak om analytische modellen opnieuw af te leiden.

De auteurs merken op dat hoewel de kalibratieprestaties sterk zijn, de studie de methode heeft geëvalueerd op het niveau van de sensormeting. Toekomstig werk wordt gesuggereerd om deze gekalibreerde schattingen te integreren in closed-loop controle-experimenten om hun directe impact op contactrijke manipulatietaken te beoordelen.