Physics-Informed Learning for the Friction Modeling of High-Ratio Harmonic Drives

要約

この論文では、Physics-Informed Neural Networks (PINN) を利用した、電気モーターと高比ハーモニックドライブを備えたロボットの摩擦識別のためのスケーラブルな方法を紹介します。
このアプローチでは、ロボットの固有モデルと状態データを活用することで、専用のセットアップやジョイント トルク センサーの必要性を排除します。
データ取得、前処理、グラウンド トゥルース生成、モデル識別を含む包括的なパイプラインを紹介します。
PINN ベースの摩擦識別の有効性は、ヒューマノイド ロボット ergoCub の 2 つの異なる関節での広範なテストを通じて検証され、クーロン粘性モデルやストライベック クーロン粘性モデルなどの従来の静摩擦モデルとその性能を比較しています。
特定された PINN ベースの摩擦モデルを 2 層トルク制御アーキテクチャに統合することで、リアルタイムの摩擦補償が強化されます。
この結果は、制御性能の大幅な向上とエネルギー損失の削減を実証し、人型ロボットの場合のように多数の関節にわたる適用に対しても、提案された方法の拡張性と堅牢性を強調しています。

要約(オリジナル)

This paper presents a scalable method for friction identification in robots equipped with electric motors and high-ratio harmonic drives, utilizing Physics-Informed Neural Networks (PINN). This approach eliminates the need for dedicated setups and joint torque sensors by leveraging the robo\v{t}s intrinsic model and state data. We present a comprehensive pipeline that includes data acquisition, preprocessing, ground truth generation, and model identification. The effectiveness of the PINN-based friction identification is validated through extensive testing on two different joints of the humanoid robot ergoCub, comparing its performance against traditional static friction models like the Coulomb-viscous and Stribeck-Coulomb-viscous models. Integrating the identified PINN-based friction models into a two-layer torque control architecture enhances real-time friction compensation. The results demonstrate significant improvements in control performance and reductions in energy losses, highlighting the scalability and robustness of the proposed method, also for application across a large number of joints as in the case of humanoid robots.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google