A Learning-Based Approach for Estimating Inertial Properties of Unknown Objects from Encoder Discrepancies

要約

多くのロボットは、未知の物体の慣性特性を特定するために、市販の力／トルクセンサーを利用しています。しかし、このようなセンサは、重量、サイズ、コストの問題から、小型ロボットへの適用が困難な場合がある。本論文では、エンドエフェクタや関節にある力覚センサを用いずに、未知物体の質量と重心（COM）を推定する学習ベースのアプローチを提案する。本手法では、ロボットアームが未知の物体を運びながら、複数の離散的な配置を移動する。計測は、ロボットが各離散構成に到達して停止したときに収集される。エンコーダの不一致から関節トルクを推定するために、ニューラルネットワークを設計する。複数のサンプルが与えられたとき、関節トルクと物体の慣性特性との間の閉形式の関係を導出する。この導出に基づいて、加重最小二乗法により物体の質量とCOMを特定する。慣性特性の推定精度を向上させるために、各関節の相対的な重要度を示す関節の重みを生成するための注意モデルが設計されている。本フレームワークは、力/トルクセンサを使用せず、エンコーダの測定値のみを必要とするが、それでもなお正確な推定能力を維持することができる。提案されたアプローチは、4自由度（DOF）のロボットアームで実証されている。

要約(オリジナル)

Many robots utilize commercial force/torque sensors to identify inertial properties of unknown objects. However, such sensors can be difficult to apply to small-sized robots due to their weight, size, and cost. In this paper, we propose a learning-based approach for estimating the mass and center of mass (COM) of unknown objects without using force/torque sensors at the end-effector or on the joints. In our method, a robot arm carries an unknown object as it moves through multiple discrete configurations. Measurements are collected when the robot reaches each discrete configuration and stops. A neural network is designed to estimate joint torques from encoder discrepancies. Given multiple samples, we derive the closed-form relation between joint torques and the object’s inertial properties. Based on the derivation, the mass and COM of object are identified by weighted least squares. In order to improve the accuracy of inferred inertial properties, an attention model is designed to generate weights of joints, which indicate the relative importance for each joint. Our framework requires only encoder measurements without using any force/torque sensors, but still maintains accurate estimation capability. The proposed approach has been demonstrated on a 4 degree of freedom (DOF) robot arm.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL