⚡ electrical engineering

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

本文提出了一种用于工业机器人的数据驱动自校准框架，该框架通过回归和机器学习模型，在准静态和动态条件下，能够精确补偿由未知工具附件引起的力/力矩传感器偏差，从而在无需预先获知工具属性或进行硬件修改的情况下，实现可靠的力量感知。

原作者： Haniyeh Altafi, Soroush Sadeghian, Kourosh Zareinia

发布于 2026-08-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Haniyeh Altafi, Soroush Sadeghian, Kourosh Zareinia

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，机械臂就像是一个力大无穷、精准无比的超级画家。为了完成工作，它需要准确知道自己对画布或粘土施加了多大的压力。这就是“力传感器”发挥作用的地方；它就像机器人的触觉，告诉它：“嘿，我正在以 5 牛顿的力进行挤压。”但问题在于：机器人通常在手里拿着工具，比如画笔、螺丝刀或手术夹。这些工具都有重量，当机器人快速移动手臂时，这些重量会产生额外的力——就像当你跑步时，感觉到沉重的背包在向下拉一样。如果机器人不知道自己的“背包”有多重，或者不知道重心在哪里，它就会感到困惑。它可能会误以为沉重的背包是它撞到的墙，或者因为没意识到自己背负着重物而用力过猛。这种困惑会让机器人变得笨拙、不安全，或者无法完成精细的任务。长期以来，科学家们一直试图通过完美测量工具并编写复杂的数学方程来抵消重量来解决这个问题，但这速度很慢，而且一旦机器人更换新工具，原有的计算就会失效。

这篇论文通过一个聪明的、数据驱动的技巧解决了这个令人头疼的问题。研究人员并没有要求机器人去死记硬背它可能持有的每种工具的重量，而是教会了机器人如何去“感知”工具自身的重量与来自外界实际作用力之间的区别。他们使用了一台配备了力传感器和定制工具架的大型工业机器人（KUKA KR 600）。首先，他们让机器人在各种位置保持静止，以学习重力是如何作用于工具的（即“准静态”部分）。然后，他们让机器人进行随机的剧烈运动，以观察加速度和速度如何干扰传感器的读数（即“动态”部分）。通过收集超过 80,000 个此类运动数据的样本，他们训练了两种类型的“大脑”模型：一种是简单的数学公式（多项式回归），另一种是更复杂的神经网络（MLP）。结果令人印象深刻：这些模型学会了以惊人的精度剥离工具的重量和运动噪声。表现最好的模型——神经网络，在测试中将误差降低到了仅 0.041 牛顿，这相对于传感器自身的自然噪声来说微乎其微，几乎可以忽略不计。该论文表明，机器人现在可以在不需要预先知道工具重量或形状的情况下，实现触觉的自我校准，从而使其能够随时更换工具，同时依然保持同样稳健的手感。

技术摘要：针对具有未知工具附件的工业机器人的数据驱动型力感知自校准研究

1. 问题陈述

对于执行组装、遥操作和手术辅助等接触密集型任务的工业机器人而言，准确的力感知至关重要。然而，安装在机器人末端执行器上的力/力矩（F/T）传感器在连接未知或可更换工具时，往往会产生偏差测量。这些偏差源于工具的质量、质心以及惯性特性，它们会在运动过程中产生重力和动力学偏移。

传统的校准方法依赖于解析模型，需要预先精确掌握工具的质量分布和惯量信息。对于工具频繁更换或定制设计的系统，这些方法并不实用，因为它们需要重复的人工校准和硬件修改。此外，现有的数据驱动方法通常侧重于静态条件，或者需要未在标准商用设置中配备的嵌入式传感器（如 IMU）。因此，需要一种基于软件的数据驱动框架，能够在无需了解所附工具物理特性的情况下，对力传感器进行准静态和动态条件下的自校准。

2. 方法论

本研究提出了一种两阶段数据驱动自校准框架，并在配备 ATI Gamma 六轴力/力矩传感器的 KUKA KR 600 工业机器人上进行了实现。该框架在无需预知工具质量、质心或惯量的情况下运行。

2.1 实验设置

数据采集使用一个通过自定义制造的工具夹持器完成，该夹持器安装在机器人末端执行器上，并包含手术镊子及驱动机构。该设置允许采集原始 F/T 传感器读数以及机器人运动学数据（关节编码器、末端执行器位置、姿态及加速度）。

2.2 准静态校准

为了解决重力引起的偏移，开发了一种准静态校准策略：

数据采集： 将机器人置于多种姿态并保持静止，以消除加速度影响。
特征选择： 对比了两种输入模型：一种基于关节角，另一种基于末端执行器姿态（滚转、俯仰、偏航）。结果表明，基于姿态的模型表现更优。
模型： 使用姿态向量作为输入，训练了一个三阶多项式回归模型，用于估计静态重力偏移（ $\hat{w}_{qs}$ ）。
过程： 从原始传感器读数中减去估计的静态偏移，以分离出残余的动态分量。

2.3 动态校准

为了补偿运动引起的惯性力，开发了一个动态校准框架：

数据采集： 在涉及不同位置、姿态和速度的随机机器人运动过程中，采集了超过 80,000 个运动样本。
特征选择： 构建了一个九维输入向量（ $x_d$ ），包括末端执行器位置（ $x, y, z$ ）、姿态（ $\phi, \theta, \psi$ ）和笛卡尔线性加速度（ $a_x, a_y, a_z$ ）。测试表明，关节空间变量（角速度/角加速度）与力数据的相关性弱于笛卡尔特征。
建模方法：
1. 多项式回归： 选择二阶多项式模型作为精度与复杂度的最佳折衷方案。更高阶（3 阶和 4 阶）的模型表现出过拟合现象。
2. 多层感知器 (MLP)： 采用具有三个隐藏层（分别为 64、128、64 个神经元）、ReLU 激活函数、批归一化和 Dropout（0.2）的前馈神经网络来捕捉复杂的非线性关系。
过程： 动态模型从经过准静态校正后的数据中估计残余动态偏移（ $\hat{w}_{dyn}$ ）。最终的补偿后的力矩（ $w_{comp}$ ）通过从原始读数中同时减去静态和动态估计值计算得出。

3. 核心贡献

工具无关的准静态校准： 一种数据驱动策略，仅通过末端执行器姿态即可补偿重力引起的偏移，消除了对工具质量或质心参数的需求。
动态补偿框架： 一种全面的方法，用于在现实运行条件下对运动引起的力扰动进行建模，既可以使用具有解释性的多项式回归，也可以使用深度学习（MLP）。
物理验证： 该方法在配备标准商用 F/T 传感器的物理工业机器人（KUKA KR 600）上得到了验证，展示了其在工具可更换且仅需极少人工干预情况下的可扩展性。

4. 结果

模型的性能使用测试集和独立基准数据集上的均方误差 (MSE)、平均绝对误差 (MAE) 和均方根误差 (RMSE) 进行评估。

4.1 准静态性能

模型： 三阶多项式回归。
指标： 测试集 MSE 为 0.005，基准 RMSE 为 0.036 N。
精度： 最大绝对误差分别为 X 方向 0.13 N、Y 方向 0.06 N 和 Z 方向 0.11 N，对应于全量程输出 (FSO) 的不足 0.03%。

4.2 动态性能

多项式回归（二阶）：
- 基准 RMSE：0.0458 N。
- 最大总力幅值误差：0.54 N (0.108% FSO)。
MLP 模型：
- 测试集 RMSE：0.041 N；基准 RMSE：0.049 N。
- 最大总力幅值误差：0.53 N (0.106% FSO)。
对比： 与多项式模型相比，MLP 模型在捕捉高度动态、非线性行为方面表现出更优越的能力，尽管两者均在 ATI Gamma 传感器的实际精度限制范围内。

4.3 相关性分析

相关性分析显示，单个加速度分量与力读数之间的简单成对线性关系较弱。这证实了动态力偏移是多变量且非线性的，从而证明了使用完整的九维输入向量和复杂模型（MLP）而非简单线性回归的合理性。

5. 意义与主张

本文声称，所提出的框架显著提高了在携带未知或更换工具的机器人运行时的力感知可靠性。其主要意义点包括：

消除人工建模： 该方法实现了精确的力补偿，无需预先了解工具属性（质量、惯量）或进行硬件修改（如添加 IMU）。
动态条件下的鲁棒性： 通过将工具引起的扰动与真实的交互力分离，该系统支持在动态环境下进行更可靠的接触检测和控制。
实际应用价值： 结果表明，该方法运行水平接近传感器的噪声底限，使其适用于对力反馈精度要求极高的自主、触觉及遥操作机器人系统，以确保安全和任务执行。
可扩展性： 这种数据驱动的方法允许其适应各种工具配置和运动剖面，而无需重新推导解析模型。

作者指出，虽然校准性能很强，但本研究是在感知层面进行的评估。建议未来的工作是将这些校准后的估计集成到闭环控制实验中，以评估其对接触密集型操作任务的直接影响。