En los últimos años, las redes neuronales informadas por física (PINNs) han mostrado un potencial notable para modelar sistemas conservativos de dinámicas de cuerpos rígidos. Sin embargo, al aplicarse a tareas prácticas de interacción de manipuladores (por ejemplo, ensamblaje de piezas y operaciones médicas), los marcos existentes de PINN carecen de mecanismos efectivos para modelar fuerzas externas, lo que resulta en una reducción significativa de la precisión en escenarios de interacción dinámica. Además, dado que los robots industriales (incluidos los robots UR5 y UR10e) generalmente no están equipados con sensores de torque en las articulaciones, obtener datos precisos para el entrenamiento de la dinámica sigue siendo un desafío. Para abordar estos problemas, este estudio propone dos PINNs mejorados que integran la dinámica del motor y el modelado de fuerzas externas. Primero, se introducen dos métodos de estimación de la matriz jacobiana basados en datos para incorporar fuerzas externas: un método aprende el mapeo entre la velocidad del efector final y la velocidad articular para aproximar la matriz jacobiana, mientras que el otro primero aprende el comportamiento cinemático del sistema y luego deriva la matriz jacobiana mediante la diferenciación analítica del modelo de cinemática directa. Segundo, el mapeo de corriente a torque se incorpora como conocimiento previo físico para establecer correlaciones directas entre los estados de movimiento del sistema y las corrientes del motor. Los resultados experimentales en dos manipuladores diferentes demuestran que ambos modelos logran una estimación de torque de alta precisión en escenarios complejos de fuerzas externas sin requerir sensores de torque en las articulaciones. En comparación con los métodos de última generación, los modelos propuestos mejoran la precisión general del modelado en un 31.12 % y 37.07 % en promedio en varios escenarios complejos, mientras reducen los errores de seguimiento de la trayectoria articular en un 40.31 % y 51.79 %, respectivamente.

Modelado de la dinámica;Redes neuronales informadas por la física;Dinámica del motor;Modelado de fuerzas externas;Cinemática