智能机器人技术：基于机器学习的三轴机械臂负载估算

《IEEE Access》：Smart Robotics: Machine Learning-Based Load Estimation for 3-Axis Manipulators

　　

摘要：

准确估算机器人操作臂所承载负载的重量对于工业自动化而言非常重要，尤其是当负载重量仅占操作臂承载能力的一小部分时。传统的解决方案往往依赖于外部传感器或硬件改造，这会增加成本并提高集成难度。本研究提出了一种以实际应用为导向的机器学习方法，无需额外硬件即可通过控制器自身的运动信号以及电机电流/扭矩信号来估算负载质量。该问题被定义为32种实验确定的负载类别的分类问题，最终的质量估算值则是通过对不同时间窗口内的预测结果进行时间平均得到的。该算法结合了特征选择、有限脉冲响应去噪、基于熵值的窗口选择以及轻量级卷积神经网络。在所研究的操作臂及数据采集系统中，该方法得到的平均绝对误差为87克，相对误差为12.07%，与数值基准方法相比，平均绝对误差降低了约五倍，相对误差降低了2.3倍。在开发过程中也尝试了直接回归方法，但在当前低负载数据集上，其可靠性明显低于最终的分类加平均方法。值得注意的是，当负载重量为157克和312克时，该方法的效果最差，因为此时负载引起的电流/扭矩变化量接近于信号噪声和摩擦力的影响。研究结果表明，在无需大规模改造的情况下，控制器自身的信号即可用于实现精确的低负载估算，不过目前的实验结果仍仅限于一种操作臂和受控的实验室环境。