Ces dernières années, les réseaux de neurones informés par la physique (PINNs) ont montré un potentiel remarquable dans la modélisation des systèmes conservateurs de la dynamique des corps rigides. Cependant, lorsqu'ils sont appliqués aux tâches d'interaction pratiques des manipulateurs (par exemple, l'assemblage de pièces et les opérations médicales), les cadres PINN existants manquent de mécanismes efficaces de modélisation des forces externes, ce qui entraîne une dégradation significative de la précision des prédictions dans des scénarios d'interaction dynamique. De plus, puisque les robots industriels (y compris les robots UR5 et UR10e) ne sont généralement pas équipés de capteurs de couple de jointure, il reste difficile d'obtenir des données de formation dynamique précises. Pour résoudre ces problèmes, cette étude propose deux PINNs améliorés qui intègrent la dynamique des moteurs et la modélisation des forces externes. Premièrement, deux méthodes d'estimation de la matrice jacobienne basées sur les données sont introduites pour incorporer les forces externes : une méthode apprend la relation entre la vitesse de l'effecteur final et la vitesse des articulations pour approximer la matrice jacobienne, tandis que l'autre apprend d'abord le comportement cinématique du système, puis déduit la matrice jacobienne par différentiation analytique du modèle de cinématique directe. Deuxièmement, la correspondance courant-couple est intégrée en tant que connaissance physique préalable pour établir des corrélations directes entre les états de mouvement du système et les courants des moteurs. Les résultats expérimentaux sur deux manipulateurs différents démontrent que les deux modèles atteignent une estimation du couple de haute précision dans des scénarios complexes de forces externes sans nécessiter de capteurs de couple de jointure. Comparés aux méthodes de pointe, les modèles proposés améliorent la précision globale de la modélisation de 31,12 % et 37,07 % en moyenne sur divers scénarios complexes, tout en réduisant les erreurs de suivi de trajectoire des articulations de 40,31 % et 51,79 %, respectivement.

Modélisation de la dynamique;Réseaux de neurones informés par la physique;Dynamique des moteurs;Modélisation des forces externes;Cinematique