基于时间生成数据增强与异方差识别的四足机器人执行器故障偏置检测与补偿方法

《Scientific Reports》：Residual-gated generative additive joint-bias identification and uncertainty-weighted fault compensation for quadruped robots with scarce data

　　

摘要

在实体四足机器人上重复执行器故障注入成本高昂，且可能损坏电机或减速箱，这使得在仅有少量序列数据的情况下难以实现持续的故障值识别。本研究针对命令等效的附加关节偏置进行识别。采用对抗和时间目标训练一个时间生成器，同时利用姿态积分、一阶关节运动学、力矩限制和命令限制残差的综合评分，通过接受门筛选合成窗口。一个异方差识别器融合了密集特征复用、时间卷积、双向循环特征和交叉注意力融合，以估计偏置和预测方差。所得估计值转换为不确定性加权的补偿命令，并通过在可行交集中的最终输出投影强制执行幅度和速率约束。控制器级仿真包括12个执行关节的四种附加偏置配置文件，以及代表性的同腿和对角双关节故障案例。在参考正弦单小腿关节评估中，该方法将识别均方根误差（RMSE）从确定性DGTNet的0.1404 rad降低至0.1180 rad，区间校准误差为0.031。在匹配的控制器保护下，不确定性加权将平均恢复时间从0.764秒降低至0.743秒，将均方根命令变化从0.00671 rad降低至0.00651 rad。在四个单关节配置文件组中，所提方法的RMSE范围为0.1194至0.1428 rad，而DGTNet为0.1421至0.1696 rad。同腿和对角配对故障的RMSE值分别为0.1584和0.1510 rad，姿态恢复率分别为74.6%和77.4%。户外实体机器人测试（每种配置运行八次）显示，与未补偿的故障行走相比，平均均方根姿态误差降低了54.8%，恒定置信度和不确定性加权置信度均取得了类似的效果。