基于跨域可传输的RACN-WGAN模型的外部力估计技术，用于无传感器力控制及人机协作任务

《ADVANCED ENGINEERING INFORMATICS》：The cross-domain transferable RACN–WGAN-based external force estimation for sensor-less force control and human–robot collaboration tasks

　　曾福全|王协侠|青志强|李航|张学健|胡晓兵
四川大学机械工程学院，中国成都第一环路南区24号，610065

**摘要**
机器人的精准力控制对于执行装配和抛光等复杂任务至关重要。然而，依赖于力传感器的传统方法存在成本高昂和易受动态模型干扰的局限性。为了解决由于实际数据匮乏而导致数据驱动方法性能不佳的问题，本研究提出了一种基于对抗性迁移学习的深度可迁移鲁棒学习模型。首先，构建了一个由SAC模块和变分全连接层组成的RACN模型。该模型能够从时间序列数据中准确学习动态特性，量化预测不确定性，并实现对外部扭矩的鲁棒估计。此外，创新性地引入了Wasserstein生成对抗网络进行迁移学习。通过对抗性训练，提取了仿真（源领域）和真实世界机器人臂（目标领域）之间的领域不变特征，有效克服了目标领域数据有限的瓶颈，并显著提升了模型在真实世界场景中的泛化能力。最后，基于所提出的模型开发了一个完整的无传感器人机协作和力控制框架。其实用性和在真实世界任务中的有效性通过协作运输和恒力清洁等工程应用实验得到了验证。

**引言**
接触力的获取对机器人系统至关重要，因为这些力可以应用于物理人机交互、机器人力控制和远程操作等各种任务。这些能力扩展到了包括工业制造、医疗保健和人机协作在内的多个领域的多种类型的机器人[1][2]。因此，机器人力感知已成为一个突出的研究焦点，吸引了该领域的广泛关注。
基于传感器的力感知方法通过关节扭矩传感器或末端执行器力传感器获取扭矩或力信号，然后用于阻抗和力控制任务。例如，Yu等人[3]提出了一种依赖于六维末端执行器力测量的自适应力跟踪算法。Liu等人[4]引入了一种基于核化运动原语的阻抗学习方法，在该方法中，阻抗力是通过关节扭矩传感器测量的。Liu等人[5]设计了一种自适应力控制器，该控制器结合了导纳模型和干扰观测器，以补偿交互环境中的结构化和非结构化不确定性，从而提高了六维末端执行器力的跟踪精度。同样，Fan等人[6]开发了一种末端执行器，在工业机器人抛光过程中保持预定控制力反馈，同时增强了动态性能并抑制了振动。Wang等人[7]提出了一种基于有限内存BFGS的阻抗估计和力跟踪方法，以解决力测量阈值的问题。此外，还有其他几种基于力传感器的反馈控制方法被报道[8][9][10]。
然而，末端执行器的六维力传感器无法测量机器人臂上多个位置的接触力。尽管关节扭矩传感器可以测量多点接触力，但其精度容易受到机器人动态模型误差的影响。此外，力传感器通常成本较高。基于模型的方法通常通过构建状态观测器来估计接触力。一个常见的例子是基于观测器的力估计方法。例如，Han等人[11]提出了一种结合迭代最小二乘（ILS）方法和动量观测器的算法，用于估计两关节机器人上的外力。Wei等人[12]开发了一种用于机器人-环境交互的力估计的混合方法，该方法整合了名义机器人模型、高斯过程回归和卡尔曼滤波。同样，Han等人[13]提出了一种基于动量观测器的碰撞检测和双臂机器人协调柔顺控制策略，并证明了其在装配任务中的有效性。Liu等人[14]使用神经网络近似摩擦力，并采用干扰观测器来估计作用在机器人上的外力。
然而，基于模型的方法严重依赖于动态模型的准确性，对摩擦效应特别敏感。一般来说，摩擦扭矩随关节速度和负载变化而变化，这显著影响了接触力估计的准确性。已经进行了大量关于摩擦建模和补偿的研究。例如，Ping等人[15]考虑了负载依赖的摩擦，并提出了一个包含负载效应的LuGre非线性摩擦动力学模型。Xiang等人[16]考虑了粘滞-滑移行为和Stribeck效应，并在机器人系统上验证了一种混合摩擦模型。Mablekos-Alexiou等人[17]提出了一个统一的数学框架，用于建模、识别和分析滑动接触驱动机器人系统中的摩擦动力学。

随着人工智能的快速发展，机器学习和深度学习技术已在机器人学领域得到广泛应用[18][19][20]。在利用机器学习技术进行摩擦力预测和补偿的领域，Chow Yin Lai等人[21]提出了一种基于神经网络的摩擦和干扰补偿方法，以提高轨迹跟踪精度。Scholl等人[22]引入了一种基于残差学习的方法来进行摩擦力估计。Ahmadieh Khanesa等人[23]开发了一种基于机器学习的非线性静摩擦力分离方法。直接接触力估计方法结合了机器学习，不仅消除了建立复杂机器人臂动态模型的需要，还解决了名义模型误差的影响。例如，Pan等人[24]提出了一种基于深度极限学习机的机器人外力估计方法，并将其应用于机器人远程操作领域。Shim等人[25]开发了一种基于深度学习的模型，用于估计摩擦力和外力。
également，利用机器学习或深度学习进行机器人操作器外力估计或动态建模的类似研究包括[26][27][28][29]。然而，现有的数据驱动方法通常需要大量数据进行模型训练，在数据稀缺的情境下，这些模型的预测精度往往会显著下降。因此，如何提高样本有限环境中的模型预测性能已成为一个亟需解决的关键问题。

**总体而言，在人机协作和力控制领域，主流方法仍然主要依赖于力/扭矩传感器，有时会补充其他类型的传感器，如加速度计，以获取力反馈信息[30][31][32]。**
与基于物理的建模方法相比，数据驱动的外力估计方法不需要预先知道机器人自身的模型，这使得它们更易于实现，并且不受模型误差的影响[33][34][35][36][37]。然而，数据驱动的外力估计方法通常需要大量数据进行模型训练，构建外力数据集的过程仍然需要额外安装末端执行器或关节扭矩传感器，数据收集本身也非常耗时。因此，在数据受限的情境下，这类模型的泛化能力仍然相当有限。

为了克服现有动态建模方法的挑战，如精度不足、对先验物理知识的依赖性强以及传统力控制方案对传感器的强烈依赖和高安装成本，本研究提出了一种无传感器人机协作和力控制方法，该方法将数据驱动的动态建模与外力估计相结合。主要贡献如下：
（1）基于全面的机器人臂动态和摩擦模型，开发了一个源域仿真数据生成系统。与其他数据驱动方法不同，所提出的方法利用基于物理的建模来生成源域数据，解决了实际应用中的校准难度和数据稀缺等关键问题。为了解决仿真和真实世界领域之间的分布差异，引入了一种基于Wasserstein生成对抗网络（WGAN）的领域适应策略，实现了有效的特征迁移，并显著提高了在真实世界条件下的泛化性能。这项工作通过克服仅依赖数据拟合而忽略先验动态知识的现有方法的局限性，填补了机器人臂动态传输预测的关键空白。
（2）提出了一种具有深度特征学习和泛化能力的鲁棒注意力卷积网络（RACN），将机器人臂的动态特性与领域适应要求相结合。该模型的核心包括一个自注意力卷积（SAC）模块和一个变分层。SAC模块从轻量级网络结构中的多变量时间序列信号中提取区分性特征，以确保动态扭矩组分的准确估计。变分层明确模拟了预测中的随机不确定性，从而提高了外力估计的鲁棒性。
（3）基于所提出的深度动态估计模型，开发了一个数据驱动的无传感器人机协作和力控制框架。该框架整合了基于阻抗的协作和末端执行器力跟踪。为了解决外力估计缺乏真实世界验证的问题，进行了广泛的实验，包括HRC运输和恒力表面清洁。这些实验验证了从动态感知和扭矩/外力预测到控制执行的整个过程。结果表明，所提出的框架在真实世界人机协作中有效，并显著弥补了现有研究中实验验证的不足。

**本文的其余部分组织如下。第2节详细介绍了所提出的方法。第3节包括动态参数识别、数据集构建、模型训练以及机器人操作器的扭矩估计和比较实验。第4节报告了人机协作（HRC）和力控制应用的案例研究实验。最后，第5节总结了这项研究。**

**递归牛顿-欧拉算法**
由于Baxter机器人臂的闭环结构特性，采用了递归牛顿-欧拉算法（RNEA）来建立其动态模型。该算法包括两个阶段：前向递归和后向递归。
（1）前向递归（运动学传播）：计算每个连杆的速度和加速度。对于连杆ii=1,2,…,7，角速度表示为：ωi=Rii?1ωi?1+zi?1q?i；角加速度表示为ω?i=Rii?1ω?i?1+zi?1q?i+ωi?1×zi?1q?i。

**动态参数识别**
为了解耦摩擦力，机器人臂的每个关节被编程为遵循S形轨迹。图6展示了关节2-5的均匀运动跟踪结果。实验结果表明，所提出的控制器能够精确跟踪所需的速度。
在摩擦解耦实验中观察到，由于动态和外力的影响，关节1的负载变化最小。

**案例研究1：人机协作运输**
图17展示了人机协作运输的情景。在这种情况下，机器人操作器的右臂抓取一个目标工具箱并将其保持在固定位置。然后，人类协作者沿着红色箭头指示的方向施加引导力，以指导所需的运动进行协作运输。控制器中的惯性和阻尼系数分别设置为diag0.3,0.3,0.3,0.3,0.3,0.3和diag1,1,1,1,1,1,1,1。

**结论**
本研究提出了一种基于WGAN的迁移学习方法，用于少样本学习，解决了在目标领域数据稀缺的情况下构建准确机器人臂外力估计模型的挑战。基于训练有素的数据驱动模型，设计了一个相应的全无传感器人机协作运输框架和力控制算法。实验结果表明，所提出的RACN-WGAN算法在扭矩预测方面的性能优于现有方法。

**作者贡献声明**
曾福全：撰写——原始草稿、可视化、验证、软件、方法论、调查、正式分析、数据整理、概念化。
王协侠：软件、调查。
青志强：数据整理。
李航：验证、调查。
张学健：软件。
胡晓兵：监督、资源。

**利益冲突声明**
我们声明与可能不恰当地影响我们工作的其他人或组织没有财务和个人关系。我们对任何产品、服务和/或公司没有专业或其他形式的个人利益，这些利益可能会影响所呈现的观点或对手稿“基于跨领域可迁移RACN-WGAN的外部力估计用于无传感器力控制和人机协作”的评审。

**致谢**
本项目得到了四川省科技计划重点项目（项目编号2022YFG0072）的支持。此外，该项目还得到了BHC140型大型爬行式物料搬运机关键技术研究（2023CDLZ-1）的支持。