في السنوات الأخيرة، أظهرت الشبكات العصبية المستندة إلى الفيزياء (PINNs) إمكانات مذهلة في نمذجة أنظمة الحفاظ على ديناميكيات الأجسام الصلبة. ومع ذلك، عند تطبيقها على مهام التفاعل العملية للمناولي (مثل تجميع الأجزاء والعمليات الطبية)، تفتقر أطر PINNs الحالية إلى آليات فعالة لنمذجة القوى الخارجية، مما يؤدي إلى تدهور دقة التنبؤ بشكل كبير في سيناريوهات التفاعل الديناميكي. بالإضافة إلى ذلك، بسبب أن الروبوتات الصناعية (بما في ذلك روبوتات UR5 وUR10e) عادة لا تكون مجهزة بمستشعرات عزم الدوران المشتركة، لا يزال من الصعب الحصول على بيانات تدريب ديناميكية دقيقة. لمعالجة هذه المشكلات، تقترح هذه الدراسة نوعين محسنين من PINNs تدمجان ديناميكيات المحرك ونمذجة القوى الخارجية. أولاً، يتم تقديم طريقتين تقدير ماتريكس جاكوبيان المعتمدة على البيانات لدمج القوى الخارجية: طريقة واحدة تتعلم العلاقة بين سرعة الطرف النهائي وسرعة المفصل لتقريب مصفوفة جاكوبيان، بينما الطريقة الأخرى تتعلم أولاً السلوك الحركي للنظام ثم تستخلص مصفوفة جاكوبيان من خلال التفاضل التحليلي لنموذج الحركيات الأمامية. ثانيًا، يتم تضمين تحويل التيار إلى عزم الدوران كمعرفة مسبقة فيزيائية لإنشاء ارتباطات مباشرة بين حالات حركة النظام والتيارات المحرك. تُظهر النتائج التجريبية على نوعين مختلفين من المناولي أن كلا النموذجين تحققان تقديراً عالي الدقة للعزم في سيناريوهات القوى الخارجية المعقدة دون الحاجة إلى مستشعرات عزم معاملات المفاصل. بالمقارنة مع الطرق الحديثة، تُحسن النماذج المقترحة دقة النمذجة الشاملة بنسبة 31.12٪ و37.07٪ في المتوسط عبر سيناريوهات معقدة مختلفة، مع تقليل أخطاء تتبع مسار المفاصل بنسبة 40.31٪ و51.79٪ على التوالي.

نمذجة الديناميكيات;الشبكات العصبية المستندة إلى الفيزياء;ديناميكيات المحرك;نمذجة القوة الخارجية;الحركيات