Physik-informierte neuronale Netzwerke zur Vorhersage der Robotikdynamik unter Berücksichtigung von Motor- und Außenkraftkopplungen

Fengyu SUN ,  

Shuangshuang WU ,  

Zhiming LI ,  

Peilin XIONG ,  

Wenbai CHEN ,  

Abstract

In den letzten Jahren haben physik-informierte neuronale Netzwerke (PINNs) bemerkenswertes Potenzial bei der Modellierung konservativer Systeme der Starrkörperdynamik gezeigt. Bei der Anwendung auf praktische Interaktionsaufgaben von Manipulatoren (z.B. Teilemontage und medizinische Operationen) fehlen den bestehenden PINN-Rahmen jedoch effektive Mechanismen zur Modellierung äußerer Kräfte, was zu einer erheblichen Verschlechterung der Vorhersagegenauigkeit in dynamischen Interaktionsszenarien führt. Darüber hinaus sind Industrieroboter (einschließlich UR5- und UR10e-Roboter) in der Regel nicht mit Gelenkdrehmomentsensoren ausgestattet, weshalb es schwierig bleibt, präzise dynamische Trainingsdaten zu erhalten. Zur Lösung dieser Probleme schlägt diese Studie zwei verbesserte PINNs vor, die Motordynamik und Modellierung äußerer Kräfte integrieren. Zunächst werden zwei datengesteuerte Jacobi-Matrix-Schätzmethoden eingeführt, um äußere Kräfte zu integrieren: Eine Methode lernt die Abbildung zwischen Endeffektor-Geschwindigkeit und Gelenkgeschwindigkeit zur Approximation der Jacobi-Matrix, während die andere zuerst das kinematische Verhalten des Systems lernt und dann die Jacobi-Matrix durch analytische Differenzierung des Vorwärtskinematikmodells ableitet. Zweitens wird die Zuordnung von Strom zu Drehmoment als physikalisches Vorwissen eingebettet, um direkte Korrelationen zwischen Bewegungszuständen des Systems und Motorströmen herzustellen. Experimentelle Ergebnisse an zwei verschiedenen Manipulatoren zeigen, dass beide Modelle hochpräzise Drehmomentabschätzungen in komplexen Szenarien äußerer Kräfte erreichen, ohne Gelenkdrehmomentsensoren zu benötigen. Im Vergleich zu modernen Methoden verbessern die vorgeschlagenen Modelle die Gesamtmodellierungsgenauigkeit durchschnittlich um 31,12 % bzw. 37,07 % in verschiedenen komplexen Szenarien und reduzieren dabei die Fehler bei der Gelenktrajektorienverfolgung um 40,31 % bzw. 51,79 %.

Keywords

Dynamikmodellierung;Physik-informierte neuronale Netzwerke;Motordynamik;Modellierung äußerer Kräfte;Kinematik

READ MORE