摘要
精确的力反馈对于遥操作机器人感知未知环境并实现高精度、安全的运动控制至关重要。然而，苛刻环境和空间限制阻碍了力传感器的部署，使得无传感器力估计势在必行。本研究提出了一种残差空间注意力图时序卷积网络（RSAG-TCN），融合空间和时序特征，用于遥操作机器人的准确无传感器力估计。在不同刚度接触环境中进行了比较和消融实验。比较模型包括门控循环单元（GRU）、长短期记忆（LSTM）、PSTA-TCN、Densenet-Transformer、ASGRNN 以及我们之前的 MDELM。实验结果表明，RSAG-TCN 显著优于所有比较模型。具体来说，与表现最好的基线（MDELM）相比，RSAG-TCN 在软接触环境中将均方根误差降低了 0.0236 N，在硬接触环境中降低了 0.1040 N。消融实验进一步验证了 GCN 和 CAM-SAM 模块在空间特征提取和关键特征增强方面的必要性。除了离线精度评估外，还进行了六名志愿者的有人参与实验，以证明所提方法在实时操作中增强遥操作透明度和稳定性的有效性。本工作为遥操作系统提供了一种高效的无传感器力估计解决方案，为极端场景下的高精度机器人力控制提供了技术支持。
图形摘要
本文提出了用于遥操作力估计的 RSAG-TCN 模型，集成了图卷积、TCN 和 CBAM 注意力机制来提取时空特征。比较和消融实验验证了其在不同接触条件下的准确性和鲁棒性。六名志愿者的小规模人体试点研究的初步结果表明，在遥操作透明度、稳定性和安全性方面取得了有利的性能提升；尽管如此，仍需要更大样本量的进一步实验才能得出确定性结论。
利益冲突
作者声明他们没有已知的竞争性经济利益或个人关系，这些关系可能会影响本论文中报告的工作。
数据可用性声明
支持本研究结果的数据可在合理请求下向通讯作者获取。
同行评审
为了透明起见，本文相关的同行评审文档可在 https://doi.org/10.1111/nyas.70388 获取。
