近年、物理情報ニューラルネットワーク（PINNs）は剛体力学の保存系モデル化において顕著な可能性を示しています。しかし、マニピュレータの実際の相互作用タスク（例：部品組み立てや医療操作）に適用すると、既存のPINNフレームワークは効果的な外部力モデル化機構が欠如しており、動的相互作用シナリオで予測精度が著しく低下します。さらに、産業用ロボット（UR5およびUR10eロボットを含む）は通常、関節トルクセンサーを装備していないため、正確な動力学トレーニングデータの取得が困難です。これらの問題に対処するため、本研究ではモータ動力学と外部力モデル化を統合した2つの改良型PINNを提案します。まず、外部力を取り入れるための2つのデータ駆動ヤコビアン行列推定方法を紹介します。1つはエンドエフェクタの速度と関節速度間のマッピングを学習してヤコビアン行列を近似し、もう1つはまずシステムの運動学的挙動を学習し、その後順運動学モデルの解析的微分を通じてヤコビアン行列を導出します。次に、電流とトルクのマッピングを物理的事前知識として組み込むことで、システムの運動状態とモータ電流間の直接相関を確立します。2種類の異なるマニピュレータでの実験結果により、両モデルは関節トルクセンサーを必要とせず、複雑な外力シナリオで高精度なトルク推定を達成することが示されました。最先端技術と比較して、提案モデルは様々な複雑なシナリオでの全体的なモデリング精度を平均31.12％および37.07％向上させ、関節軌道追跡誤差をそれぞれ40.31％および51.79％削減しました。

動力学モデリング;物理情報ニューラルネットワーク;モータ動力学;外部力モデリング;運動学