Resumo Técnico: Autocalibração de Dados para Sensoriamento de Força em Robôs Industriais com Acoplamentos de Ferramentas Desconhecidos

1. Definição do Problema

A percepção precisa de força é crítica para robôs industriais que realizam tarefas ricas em contato, como montagem, teleoperação e assistência cirúrgica. No entanto, sensores de força/torque (F/T) montados em efetuadores robóticos frequentemente produzem medições enviesadas quando ferramentas desconhecidas ou intercambiáveis são acopladas. Esses vieses surgem da massa da ferramenta, do centro de massa e das propriedades inerciais, que geram deslocamentos gravitacionais e dinâmicos durante o movimento.

Os métodos de calibração tradicionais dependem de modelos analíticos que exigem conhecimento prévio preciso da distribuição de massa e inércia da ferramenta. Essas abordagens são impraticáveis para sistemas com efetuadores frequentemente alterados ou de design customizado, pois necessitam de calibração manual repetida e modificações de hardware. Além disso, os métodos baseados em dados existentes frequentemente focam em condições estáticas ou exigem sensores embarcados (ex: IMUs) não presentes em configurações comerciais padrão. Há uma necessidade de um framework de autocalibração baseado em dados e via software, capaz de calibrar sensores de força sob condições tanto quase estáticas quanto dinâmicas, sem exigir conhecimento das propriedades físicas da ferramenta acoplada.

2. Metodologia

O estudo propõe um framework de autocalibração de dois estágios, baseado em dados, implementado em um robô industrial KUKA KR 600 equipado com um sensor de força/torque de seis eixos ATI Gamma. O framework opera sem conhecimento prévio da massa, do centro de massa ou da inércia da ferramenta.

2.1 Configuração Experimental

Os dados foram coletados utilizando um suporte de ferramenta customizado acoplado ao efetuador do robô, que incluía pinças cirúrgicas e mecanismos de atuação. A configuração permitiu a coleta de leituras brutas do sensor F/T juntamente com dados cinemáticos do robô (encoders de junta, posição e orientação do efetuador, e aceleração).

2.2 Calibração Quasi-Estática

Para abordar os deslocamentos induzidos pela gravidade, uma estratégia de calibração quasi-estática foi desenvolvida:

• Coleta de Dados: O robô foi posicionado em várias orientações e mantido estacionário para eliminar efeitos de aceleração.
• Seleção de Atributos (Features): Dois modelos de entrada foram comparados: um baseado em ângulos de junta e outro baseado na orientação do efetuador (roll, pitch, yaw). O modelo baseado em orientação apresentou resultados superiores.
• Modelo: Um modelo de regressão polinomial de terceiro grau foi treinado utilizando o vetor de orientação como entrada para estimar o deslocamento gravitacional estático ($\hat{w}_{qs}$).
• Processo: O deslocamento estático estimado é subtraído da leitura bruta para isolar o componente dinâmico residual.

2.3 Calibração Dinâmica

Para compensar forças inerciais induzidas pelo movimento, um framework de calibração dinâmica foi desenvolvido:

• Coleta de Dados: Mais de 80.000 amostras de movimento foram coletadas durante movimentos aleatórios do robô envolvendo variações de posição, orientação e velocidade.
• Seleção de Atributos (Features): Um vetor de entrada de nove dimensões ($x_d$) foi construído, compreendendo a posição do efetuador ($x, y, z$), orientação ($\phi, \theta, \psi$) e aceleração linear cartesiana ($a_x, a_y, a_z$). Variáveis do espaço das juntas (velocidade/aceleração angular) foram testadas, mas mostraram correlação mais fraca com os dados de força em comparação com os atributos cartesianos.
• Abordagens de Modelagem:
  1. Regressão Polinomial: Um modelo de regressão polinomial de segundo grau foi selecionado como o equilíbrio ideal entre precisão e complexidade. Graus superiores (3 e 4) exibiram overfitting.
  2. Perceptron Multicamadas (MLP): Uma rede neural feedforward com três camadas ocultas (64, 128, 64 neurônios), ativação ReLU, normalização por lote (batch normalization) e dropout (0.2) foi treinada para capturar não linearidades complexas.
• Processo: O modelo dinâmico estima o deslocamento dinâmico residual ($\hat{w}_{dyn}$) a partir dos dados corrigidos pela fase quasi-estática. O wrench compensado final ($w_{comp}$) é calculado subtraindo tanto as estimativas estáticas quanto as dinâmicas da leitura bruta.

3. Principais Contribuições

1. Calibração Quasi-Estática Independente de Ferramenta: Uma estratégia baseada em dados que compensa deslocamentos induzidos pela gravidade usando apenas a orientação do efetuador, eliminando a necessidade de parâmetros de massa ou centro de massa da ferramenta.
2. Framework de Compensação Dinâmica: Uma abordagem abrangente para modelar distúrbios de força induzidos pelo movimento usando tanto regressão polinomial interpretável quanto aprendizado profundo (MLP) sob condições operacionais realistas.
3. Validação Física: O método é demonstrado em um robô industrial físico (KUKA KR 600) com um sensor F/T comercial padrão, mostrando escalabilidade para aplicações com ferramentas intercambiáveis e intervenção manual mínima.

4. Resultados

O desempenho dos modelos foi avaliado utilizando Erro Quadrático Médio (MSE), Erro Absoluto Médio (MAE) e Raiz do Erro Quadrático Médio (RMSE) em conjuntos de dados de teste e benchmarks independentes.

4.1 Desempenho Quasi-Estático

• Modelo: Regressão polinomial de terceiro grau.
• Métricas: Alcançou um MSE de teste de 0.005 e um RMSE de benchmark de 0.036 N.
• Precisão: Os erros absolutos máximos foram de 0.13 N (X), 0.06 N (Y) e 0.11 N (Z), correspondendo a menos de 0.03% da Escala Total de Saída (FSO).

4.2 Desempenho Dinâmico

• Regressão Polinomial (2º Grau):
  • RMSE de Benchmark: 0.0458 N.
  • Erro máximo de magnitude de força total: 0.54 N (0.108% FSO).
• Modelo MLP:
  • RMSE de teste: 0.041 N; RMSE de benchmark: 0.049 N.
  • Erro máximo de magnitude de força total: 0.53 N (0.106% FSO).
• Comparação: O modelo MLP demonstrou capacidade superior em capturar comportamentos altamente dinâmicos e não lineares em comparação ao modelo polinomial, embora ambos tenham operado dentro dos limites práticos de precisão do sensor ATI Gamma.

4.3 Análise de Correlação

A análise de correlação revelou que relações lineares simples de par entre componentes individuais de aceleração e leituras de força eram fracas. Isso confirmou que os deslocamentos de força dinâmica são multivariáveis e não lineares, justificando o uso de vetores de entrada completos de nove dimensões e modelos complexos (MLP) em vez de simples regressões lineares.

5. Significância e Alegações

O artigo afirma que o framework proposto melhora significativamente a confiabilidade da percepção de força para robôs que operam com acoplamentos de ferramentas desconhecidos ou variáveis. Os pontos principais de significância incluem:

• Eliminação de Modelagem Manual: O método permite uma compensação de força precisa sem exigir conhecimento prévio das propriedades da ferramenta (massa, inércia) ou modificações de hardware (ex: adicionar IMUs).
• Robustez em Condições Dinâmicas: Ao separar os distúrbios induzidos pela ferramenta das forças de interação reais, o sistema suporta detecção de contato e controle mais confiáveis em ambientes dinâmicos.
• Aplicabilidade Prática: Os resultados indicam que o método proposto opera próximo ao nível de ruído do sensor, tornando-o adequado para integração em sistemas robóticos autônomos, hápticos e de teleoperação, onde o feedback de força preciso é essencial para a segurança e execução de tarefas.
• Escalabilidade: A natureza baseada em dados da abordagem permite que ela escale para várias configurações de ferramentas e perfis de movimento sem a necessidade de rederivar modelos analíticos.

Os autores observam que, embora o desempenho da calibração seja forte, o estudo avaliou o método no nível de sensoriamento. Sugere-se que trabalhos futuros integrem essas estimativas calibradas em experimentos de controle de malha fechada para avaliar seu impacto direto em tarefas de manipulação ricas em contato.