В последние годы информированные законами физики нейронные сети (PINNs) показали выдающийся потенциал в моделировании консервативных систем динамики твёрдого тела. Однако при применении к практическим задачам взаимодействия манипуляторов (например, сборка частей и медицинские операции) существующие рамки PINN не имеют эффективных механизмов моделирования внешних сил, что приводит к значительному снижению точности прогнозирования в сценариях динамического взаимодействия. Кроме того, поскольку промышленные роботы (включая UR5 и UR10e) обычно не оснащены датчиками крутящего момента на суставах, получение точных данных для обучения динамике остаётся сложной задачей. Для решения этих проблем в настоящем исследовании предлагаются две усовершенствованные PINNs, интегрирующие динамику двигателя и моделирование внешних сил. Во-первых, представлены два метода оценки якобиана на основе данных для учета внешних сил: один метод изучает отображение между скоростью рабочего органа и скоростью суставов для аппроксимации матрицы якобиана, другой сначала изучает кинематическое поведение системы, а затем выводит матрицу якобиана через аналитическое дифференцирование модели прямой кинематики. Во-вторых, отображение тока в крутящий момент внедряется как физическое априорное знание для установления прямых корреляций между состояниями движения системы и токами двигателя. Экспериментальные результаты на двух различных манипуляторах демонстрируют, что обе модели достигают высокой точности оценки крутящего момента в сложных сценариях внешних сил без необходимости в датчиках крутящего момента на суставах. По сравнению с передовыми методами предлагаемые модели улучшают общую точность моделирования на 31.12 % и 37.07 % в среднем по различным сложным сценариям, при этом снижая ошибки отслеживания траектории суставов на 40.31 % и 51.79 % соответственно.

Моделирование динамики;Нейронные сети, информированные физикой;Динамика двигателя;Моделирование внешних сил;Кинематика