営業担当に問い合わせ
Blogに戻る

接触力 が 精巧 な ロボット 操作 の 鍵 の 原因 の ため

操縦に力感がどのように影響する? 接触の物理,視力だけではなぜ失敗する?

部分: [ロボット兵器ガイド]

[←ブログ]

視覚のみによる操作は,基本的な物理的限界に 及んでいます. と力感が加える の理由を理解することは,巧妙なロボットシステムを構築する人にとって不可欠です.

連絡の問題

最先端のRGB-D感知システムは,シーン内の物体に2~5mmの定位精度を達成します.これは,精度組み立てが必要とするものを考慮するまでは印象的です.ペグイン・イン・ホール挿入容量は通常 +/-0.5mm,USB-A接続器挿入は +/-0.3mm,SIMカードスロットは +/-0.1mmです. 視覚が解決できるものと接触作業が要求するものとの間のギャップは物理的恒定です カメラの解像度が完全に閉ざされないのです

接着自体はカメラには見えない方法でシステム状態を変えることです.グリッパー指が表面と接触すると,サブミリメートルスケールで力と変形が起こる.カメラはグリッパーが物体に近づいていることを見ます.接触が安定し,滑ったり,物体が握りから外回るのを起こすのか見ることはできません.

遵守 厳格 な 制御: 基本 的 な 選択

フォースセンサーハードウェアについて議論する前に,接触作業の2つの基本的な制御哲学を理解することが重要です.

スティフ (ポジション) コントロール: ロボットは,外部力に関係なく,コマンドポジション軌道を追跡する.エンドエフェクターが障害物に直面した場合,コントローラーはコマンドポジションを維持しようと高力駆動する.これはほとんどの産業ロボットでデフォルト制御モードであり,接触が予想されない自由空間運動に適しています. 接触中に,硬い制御はロボット,オブジェクト,または両方に損傷を与える 0.5mmのクリアンス挿入中に 1mmの位置エラーが数百のニュートンに達する接触力を生成します.

** 適合 (阻害/容許) 制御:** ロボットは,端効果点に仮想の噴出式ダッパーシステムのように振る舞う.外部力に出会うとき,その強さに応じてその力方向に移動するを発生させる.硬さとダッパーパラメータは,ロボットの負荷下での"与える"量を決定する. 低硬さ (50-200 N/m) はロボットを非常に適合性があり,接触探査に役立つ.高硬さ (2000-5000 N/m) は,力ピークから保護しながらもほぼ硬化します.

阻害制御理論

阻害制御は,操控研究において最も広く使用される力制御フレームワークである.制御器は,最終効果で望ましい機械的な阻害 (位置誤差と適用力との関係) を定義する.

F = K * (x_ वांछनीय - x_actual) + D * (v_ वांछनीय - v_actual) どこに: K = 硬度マトリックス (6x6,カートesian の角角) D = 縮マトリックス (6x6) x = 終効果ポーズ (位置 + 方向) v = 終効果速度 操縦のための典型的な値: K_翻訳 = 200-1000 N/m (適合するアプローチ) K_回転 = 10-50 Nm/rad (手首の合致を許可する) D_翻訳 = 2*sqrt(K*m) (批判的縮) D_回転 = 2*sqrt(K*I) (批判的縮)

鍵となる洞察:阻害制御には力センサーは必要ありません. 適用された力を推定するために命令された位置と測定された位置 (関節エンコーダーから) を使用します. しかし,腕のF/Tセンサーを追加することで,動力モデルに基づく推定よりも正確な _explicit_力測定が可能になります (特に関節に大きな摩擦がある腕には,約5万ドル未満の腕を含む).

フォース制御モード

3つの操作モードが接触操作の大部分をカバーする.

1.純粋な阻害制御: 6つのカーテス軸に望ましい硬性設定.ロボットが意外な接触を遭遇するときに,不具合なスプリングのように動作し,空間の軌道を維持するのに十分な硬性がある.潜在的な接触を含む任意の作業のデフォルトモードとして使用します.力センサーは必要ありません (しかし精度が向上します).

2.力/位置ハイブリッド制御: 位置モードでカートセイアの軸を制御し,力モードで他の軸を制御する.典型的な例は表面の磨きです.位置モードでXとYを制御する (表面軌道をたどる) と力モードでZを制御する (表面に対する5N接触力を維持する) と力制御された軸における接触力測定のための力センサーが必要です.

3.力による誘導検索: ロボットをターゲット設定に向かって導くために力反発を使用する.ペグインホール挿入:Zフォースピークが検出されるまでペグを下に移動する (表面と接触),その後,X-Yで螺旋的な検索パターンを適用し,ペグが穴に滑るまでZフォースを低く保つ (Zフォースの突然減少と挿入深度の増加によって検出される). これは精密な視力のない精密な挿入のための標準工業アプローチです

Control Mode Sensor Required Typical Tasks 精度（再現性） Implementation Complexity
Pure impedance None (optional F/T) Safe grasping, contact exploration +/-2-5mm Low
Force/position hybrid Wrist 6-axis F/T Polishing, deburring, surface following +/-0.5N force Medium
Force-guided search Wrist 6-axis F/T Peg-in-hole, connector insertion +/-0.1mm Medium-high
Tactile-guided manipulation Tactile array (GelSight/XELA) In-hand rotation, slip recovery 3mm spatial High

連絡力 メカニクス 基礎

接触力学から 3つの概念が 影響する理由を理解するために不可欠です

  • **摩擦コーン:**摩擦コーン内には接触力がある必要があります.摩擦コーン外では半角はアルクトン (arctan) であり,m (mu) は摩擦系数である.鋼のゴムグリッパーパッド (工業環境で一般的です) では,m (mu) =0.3.ガラス上のシリコンの場合,m (mu) =0.5.摩擦コーン外では測定された接触力によって,迫り来る滑り が予測される.
  • フォース・クローズ vs.フォーム・クローズ: フォース・クローズ・グローズが対象を幾何学だけで制限する (例えば,適合したV槽でシリンダーを握る).フォース・クローズ・グローズは複数の方向から接触力を行使することで対象を制限する.その摩擦コーンが結合して,身体の硬い動きを防ぐ.フォースセンサーは,フォース・クローズを達成したことを確認することができます.視力はできません.
  • Coulomb 摩擦モデル: 滑り予測の標準モデル: 滑り予想の標準モデル: 滑り予想の標準モデル: 滑り予想の標準モデル: F

視覚 が 実践 に 失敗 する 時

リアルな操作システムでは3つの特定の故障モードが支配的に存在します

  • 接近時に遮断: 握手が握り物に近づくにつれて,指は接触表面を遮ります.カメラの接触が起こる場所の正確な視点は,接近の最後の2~5cmで消えます.
  • 近距離でのピクセルノイズ: 深度センサーは,グリッパーから構造化された光干渉とIR反射により,作業距離10~15cm以下で精度を失います.典型的な操作距離で動作する手首に搭載されたカメラは,信頼性の範囲の限界で動作します.
  • Grip 表面の深層影: 握手構造は,最適な位置付けが必要な場所に正確に点雲に欠けているデータを生成する深層影を握手対象表面に投影します.

フォースセンサタイプ:詳細な比較

Sensor Type What It Measures 精度（再現性） Bandwidth Cost Best For
Wrist 6-axis F/T (ATI Mini45) Full 6-DOF contact wrench +/-0.05N / +/-0.5Nmm 7 kHz $3K-8K Insertion, assembly, grinding
Wrist 6-axis F/T (Robotiq FT300) Full 6-DOF contact wrench +/-0.1N / +/-1Nmm 100 Hz $1.5K-3K General manipulation, cobots
Joint torque estimation Estimated external torques +/-0.5Nm 1 kHz $0 (software) Collision detection, rough contact
Fingertip F/T (Bota SensONE) 6-axis force at fingertip +/-0.01N 800 Hz $2K-5K/finger Delicate grasping, surface following
Tactile array (XELA uSkin) 3-axis force per taxel 3mm spatial 100-500 Hz $800-3K Slip detection, contact localization
Optical tactile (GelSight Mini) High-res contact geometry 25 micron depth 30-60 Hz $300-600 Texture recognition, object ID
Paxini tactile sensor Distributed normal + shear 1mm spatial 200 Hz $500-1.5K Slip prediction, grasping

接触感知が 任務を可能に する 実例

以下は,出版された作業やRCSV内部プロジェクトから示された具体的な例で,力/触覚感知を加えることで視力だけでは不可能だった課題が可能になった.

Peg-in-hole insertion (0.5mm clearance): ATI Mini45腕F/Tセンサーを搭載したフランカ・リサーチ3腕.コントローラは螺旋式検索戦略を使用します.Z-フォースが5N (表面と接触) を超えるまで下降し,X-Yで外向きに螺旋を振動し,Z-フォースが3NZを保持するまでは下降する (peg入口穴).成功率:F/Tでは89%と視力だけで62%です. F/Tセンサーは 0.1mm の範囲内で穴の入りを検出し,これは,実際の深度カメラの設定の解像度を下回っている.

PCB接続器組: USB-C接続器には +/-0.3mmの調整と 10-15Nの挿入力が正しい方向に適用される.視力のみのポリシーにより,接続器を1-2mmの範囲内に位置付けることができますが,挿入力制御できません. 腕のF/Tセンサーを追加することで,コンプライアンスによる力制限の挿入が可能になります. 制御器は挿入方向に12Nを適用し,垂直軸の+/-5mmのコンプライアンスが可能になります.成功率は45% (視力のみ) から92% (視力+F/T) に上昇します.

卵を握り移す: 方向に応じて約30〜50Nの力で卵が折れる.恒定力で閉じると命令される標準の平行爪のグリッパーは,卵を握り合わない (力が少ない) または破る (力があまりにも少ない). 指先の力センサーを追加することで, 8N が検出されるまで,その力に閉じ込められ,加速段階のみで12N に増加する力制限の握り込みが可能になります. 200 回の試験では,力感知なしで15%の破裂と対抗して,ゼロの卵断裂は可能です.

**表面のフォロー (磨き,拭き):**不規則な表面形状をたどっている間に一貫した5N接触力を維持する.視力により接触前の表面幾何学を推定できるが,拭き中に実際の接触力を測定することはできません.タンゲンシャル平面の軌道をたどっている間に,表面と正常な方向に5Nを保持する力/位置ハイブリッドコントローラー. 力の変動:F/T制御と +/-0.3N対位置制御 +/-3N (ダイナミックモデルから推定)

重要な文書とシステム

  • Hogan, 1985 "阻害制御": 阻害制御理論を確立する基礎論文.
  • Raibert & Craig, 1981 "ハイブリッドポジション/フォースコントロール": 固定作業空間方向における位置とフォースを独立した制御する概念を導入.すべての近代的なフォース/ポジションハイブリッドコントローラーの基礎.
  • Calandra et al., 2018 "Feeling"より"より"より": GelSight触覚センサーは視力が認識できない物体を把握することを可能にすると示した.触覚センサーを研究好奇心ではなく実用的なツールとして確立した論文.
  • Qi et al., 2023 "一般的な手中の物体回転": 触覚センサーをRLで使用して任意の物体の手中の手中の回転を巧妙に達成した.手中の操作に触覚フィードバックが必要であることを示した.
  • **Suresh et al., 2024 "神経接触領域":**触覚センサーの読み方から接触予測を学んだ.接触豊富な操作のためのモデルベースの計画を可能にする.学習されたモデルと力/触覚データを組み合わせる境界線を表しています.

F/Tセンサーの比較:詳細な仕様

Sensor Fx/Fy Range Fz Range Resolution (Fx/Fy) Bandwidth Weight Price
ATI Gamma +/-65 N +/-200 N 0.0125 N 7 kHz 255 g $6,000-8,000
ATI Mini45 +/-145 N +/-290 N 0.0625 N 7 kHz 94 g $3,500-5,500
Robotiq FT300 +/-300 N +/-300 N 0.1 N 100 Hz 300 g $1,500-3,000
OnRobot HEX +/-200 N +/-200 N 0.2 N 100 Hz 230 g $2,000-3,500
Bota SensONE +/-200 N +/-1000 N 0.01 N 800 Hz 120 g $2,500-5,000

内蔵F/Tセンサー.* いくつかの現代ロボット腕には内蔵関節トークセンサーや外側のセンサーなしで腕F/T推定が含まれています.フランカ・リサーチ3は関節トークセンサーを通じ,推定エンドエフェクターキーを1kHzで提供します. UR5eと UR10eは,モーター電流測定を用いたツールフラングで内蔵F/T推定を提供する.これはより正確ではない (2-5N解像度) が,衝突検出と粗直接触作業に十分である.予算上のチームにとって,内蔵F/T推定は,ニュートン以下精度を必要としない作業で外部センサーの必要性を排除することができます.

センサー選択ガイド:** フォースセンシングから始まる研究実験室では,Robotiq FT300は最高の価値を提供します. フォース範囲は広い,標準ツールフラングを通じて URとFranka腕に簡単に統合され,その100 Hz帯域幅はほとんどの操作制御ループに十分です. 精度が低いため,ニュートン分辨率 (マイクロ組み立て,医療機器処理) を要求する作業では,高いコストにもかかわらず,ATIセンサーは標準的な選択です.ボータセンソンは適度に解像度と帯域幅の最良の組み合わせを提供し,研究環境で人気を得ています. OnRobot HEXはコボット統合のために設計されており,最も簡単なプラグアンドプレイ設定を提供しています.

阻害制御の実施

次の Python コードは7DOFロボット腕のカーテジアン阻害制御を実装しています.これはROS2制御フレームワークと統合するのに適した,先ほど議論された阻害制御理論の実践的実装です.

# impedance_controller.py -- Cartesian impedance control for manipulation
import numpy as np

class CartesianImpedanceController:
    """6-DOF Cartesian impedance controller with configurable stiffness/damping."""

    def __init__(self):
        # Stiffness matrix: [Kx, Ky, Kz, Krx, Kry, Krz]
        # Low stiffness = compliant (good for contact exploration)
        # High stiffness = stiff (good for free-space tracking)
        self.K = np.diag([
            800.0,   # X stiffness (N/m) -- approach direction
            800.0,   # Y stiffness (N/m)
            400.0,   # Z stiffness (N/m) -- lower for contact tasks
            30.0,    # Rx stiffness (Nm/rad)
            30.0,    # Ry stiffness (Nm/rad)
            20.0,    # Rz stiffness (Nm/rad)
        ])

        # Damping: critically damped = 2 * sqrt(K * m)
        # m_eff ~ 2-5 kg for most 7-DOF arms at typical configurations
        m_eff = 3.0  # effective end-effector mass (kg)
        self.D = 2.0 * np.sqrt(self.K * m_eff)  # Critical damping

    def compute_wrench(self, x_desired, x_current, xdot_current):
        """Compute the 6-DOF wrench (force + torque) to apply.

        Args:
            x_desired: desired pose [x, y, z, rx, ry, rz] (6,)
            x_current: current pose [x, y, z, rx, ry, rz] (6,)
            xdot_current: current velocity [vx, vy, vz, wx, wy, wz] (6,)
        Returns:
            wrench: [fx, fy, fz, tx, ty, tz] (6,) in Newtons and Nm
        """
        pose_error = x_desired - x_current
        wrench = self.K @ pose_error - self.D @ xdot_current
        return wrench

    def set_contact_mode(self, contact_axis='z', contact_force=5.0):
        """Switch specified axis to force control mode.

        For hybrid force/position control: set low stiffness on the
        contact axis and command a desired force instead of a position.
        """
        axis_map = {'x': 0, 'y': 1, 'z': 2, 'rx': 3, 'ry': 4, 'rz': 5}
        idx = axis_map[contact_axis]
        self.K[idx, idx] = 50.0   # Very low stiffness = compliant
        # Desired "position" on this axis becomes force/K:
        # x_desired[idx] = x_current[idx] + contact_force / K[idx]
        return contact_force / self.K[idx, idx]

**調整ガイドライン:**上記のように示された硬度値から始め,作業に応じて調整してください.自由空間移動 (接触は予想されない) では,Kを15003000N/mに増加させ,鋭い軌道を追跡する.接触探査 (穴を探し,表面を追跡) では,接触軸のKを50200N/mに減少させ, 振動を防ぐために,縮比は,批判的に縮された (縮因子 = 1.0) に近いままでいる.低縮されたシステムは接触時に振動する.過度に縮されたシステムは,鈍い感じで,力変化にゆっくり反応する.

任務別の連絡先センサー要件

操作作業の異なる作業は,接触センサーに根本的に異なる要求を課します.これらの要求を理解することで,不具合化 (センサーが重要な接触事件を解決することはできません) と過度に指定 (必要のない精度のために支払うこと) を防ぐことができます.

** 穴内挿入 (0.1mm 耐容性) ** これは,定準準確な接触作業です.挿入力によって帰宅する前に,パックが 0.1mm 内に穴と並列する必要があります.視力によって穴を1-2mm に位置づけることができます.残りの 0.1mm の並列は,力による検索から来なければなりません. 必要なセンサー:XY (側) 軸における0.1N分別下半の6軸腕F/TセンサーとZ (挿入)軸における1N分別下半の6軸腕F/Tセンサー.制御器は,Z-フォースの突然低下 (表面接触力からペグが入るとほぼゼロまで) を監視することによって穴の入りを検出する.ATI Mini45またはBota SensONEは適切なセンサーである.成功率の改善:62% (視力のみ) から89% (視力 +F/T) まで.

**卵の操縦 (30-50N折り率) **卵は,輸送中に5N (輸送中に安全な握りのために最小限) と30N (横向荷用の折り率) の間の握り力を必要とします. 6xの力差は快適に見えるが,動的な条件下では縮小します.輸送中の加速により,折り率を上回る握り力が押し付けられる慣性荷が加わります. 必要なセンサー:指先の力センサー (Bota SensONEまたは Paxini) 0.1N解像度と100Hz以上の帯域幅.制御器は加速段階では5Nから8Nまで,安定状態の輸送中に5Nまで戻ります.断裂率は:力感知なしの15%,力感知なしの0% (200試験評価 RCSV).

** 織物操作 (ニュートン下力) ** 表面から単一層の織物を拾うには,0.1-0.5Nの接触力検出と圧力を制御し,一層を束縛せずに握る必要があります.腕のF/Tセンサーはこの作業の解像度が欠けている - センサーノイズと重力補償エラーで信号が失われます. 必要なセンサー:タクチルマリー (GelSight Miniまたは Paxini) が,サブミリメートル接触幾何学とサブ0.1N切断力を解消できる.タクチル画像は,カメラと腕F/Tセンサーの両方に見えない1つまたは複数の布料層が握られているかどうかを示す.

**PCB部品の挿入 (5-15N,0.3mmの配線) **表面部と穴部の挿入は,リードをパッド穴と0.3mmに配線し,リードを曲がることなく,5-15Nの挿入力を使う必要があります.挿入中の力プロフィールは診断です.滑らかな力ランプは正しい配線を示し,力ピークが落下を伴う力ピークはリードの傾きを示します. 必要なセンサー: 0.05N 解像度を持つ6軸腕 F/T.制御器は,リードが穴を見つけ (力落下によって検出される) まで,渦輪パターンを実行する間に,恒定3N 検索力を行使し,その後15N 力の限界を持つ恒定速度挿入に切り替えます.

タクシルの検出:腕外 F/T

手首に搭載されたF/Tセンサーは,手首関節における総力/トークを測定し,グリッパーと環境の間のネット相互作用を把握する.グリッパー指に搭載された触感センサーは,接触インターフェースの局部圧力の分布を測定する.これは根本的に異なる情報を提供します.

GelSight / GelSight Mini. 変形された接触表面の高解像度 (640x480) の画像を30fps で撮影する光学触覚センサー. GelSight は表面の質感を検出し,接触正常を推定し,切断力を測定することができます.腕のF/Tセンサーには見えない情報です. 価格:指あたり500~1,500ドル. スリップ検出,表面品質検査,触覚による物体認識に最適です.

XELA uSkin. 柔軟なセンサーパッド上で100Hzで空間的に分布した圧力読み込みを提供する容量触感センサーマレイージ. 解析度: 4mm空間,0.1N力. 曲げなグリッパー表面に適合的に組み立てられる. 価格:マレイージ દીઠ2,000~5,000ドル. 把握安定モニタリング,手操作,多点接触推定.

Paxini触覚センサー. [RCSVハードウェアカタログ] (T4) で利用可能である.Paxiniは平行爪のグリッパーに最適化された圧力分布センサーを提供しています.OpenArm 1グリッパーマウントインターフェースと直接統合されます.

新興:学習ベースの触覚センサー.* 触覚センサーの成長するカテゴリーは,神経ネットワークを使用して,原始センサーデータから接触特性を推定する.ゲルサイート型センサーは,接触正常,摩擦系数,滑り確率を推定するために標準視力モデルによって処理できる画像を生成する. 伝統的な容量センサーの優位性:単一のセンサーから得られるより豊富な連絡情報.欠点:推論遅延 (5-15ms ResNet-18 で240x320触覚画像を処理する) と神経推定器を校准するためのトレーニングデータが必要. すでに学習操作ポリシーを使用しているチームにとって,学習された触覚処理モジュールを追加することは建築的に一貫して,補完的な連絡先情報を提供します.

触覚対手腕F/Tを使用する時.:粗大力制御 (挿入,組み立て),衝突検出,阻害制御のために腕F/Tを使用する.輸送中に滑り検出,質感に基づくオブジェクト分類,安定した握り確認,および局部接触幾何学が重要である場合の変形可能なオブジェクト操作のために触覚センサーを使用する. 最大の能力を確保するには,両者とも使用してください. 制御ループの腕 F/T および握手モニタリングおよび滑り予測のための触覚センサー.

学習パイプラインに力データを統合する

接触型作業に関する政策を訓練するチーム (模倣学習) において,フォース/トークデータにはカメラ画像と共同状態の付加で追加の観測チャネルとして含まれます.

  • データ形式: F/Tの読み方をセンサーフレームで30Hzで6次元ベクター (Fx, Fy, Fz, Tx, Ty, Tz) として記録する (元の500-1000Hzセンサー速度から下回サンプルを採取してカメラフレーム速度に一致する).他の観測と同じ HDF5エピソード構造に保存する.
  • 標準化: センサーの指定範囲でF/Tの読み方を正常化する (例えば,ATI Mini45では,強さを100N,トークを10Nmに分割する).これは,標準化された関節角と画像特性を類似した範囲で値を保持する.
  • 機能抽出: 簡単な統合のために,原始6DF/Tベクトルをプロピオセプティブステートベクトルと連鎖して,両方のポリシーのステートエンコードにフィードします.より豊かな機能のために,接触移行を検出するために不可欠な変化力の速度を捕捉する短い歴史 (最後の10読み = 60Dベクトル) を計算します.
  • **期待される改善:**政策の入力にF/Tの観察を追加することで,接触に富んだ作業 (挿入,組み立て) において,視+自覚のみと比較して,成功率は10~25%向上します.

フォース制御 安全: ハードウェアと作業部品の保護

適切な安全制限がない力制御は,ロボットと操作する物体の両方に危険です. すべての力制御システムには,以下の安全層を導入する必要があります:

  • ハードフォース制限: 軸ごとに絶対的な最大フォース制約値を設定する (例えば,Fx/Fy に対して50N,テーブル操作装置でFz に対して80N). 軸が制約値を超えると,コントローラが即座に適合する重力補償モードに移行する.これらの制約はコントローラバグ,意外な衝突,センサー故障から保護する.
  • 力速制限: 指揮力が変化する速度を制限する (例えば最大20N/s). これは,繊細な物体やロボットのギア列を損傷させる突然の力衝動を防ぐ.
  • 連絡監視犬: F/Tセンサーが期待以上に長い時間 (例えば,2秒で完了する作業では>5秒) を読み上げると,タイムアウトを起動して引き返します.この状態では制御器が進捗せずに障害物に向かって押し付けている状況が検出されます.
  • センサーの健康監視: F/Tセンサーの飽和度 (全読み値最大),センサーの断電 (読み値がゼロに跳ね上がる) と過度の騒音 (変異は基線5倍を超え) をチェックする.これらの条件のうちいずれかが,直ちに安全な停止を誘発する.

精密 な 集会 の 強制 導 導 導 動 の 探求 策略

ミリメートル以下の調整を必要とする作業 (接続器挿入,穴内固定,螺旋開機) では,視力だけでは十分な精度を提供することはできません.強制導向の検索戦略は,制御接触を通じて正確な調整位置を特定するためにF/Tセンサーフィードバックを使用します.

Strategy Description Best For Typical Search Time Success Rate
Spiral search Maintain Z contact force while spiraling outward in XY until Z force drops (entry detected) Round peg-in-hole, centering 1-5 seconds 85-92%
Raster scan Systematic XY grid search with contact detection at each point Rectangular slot insertion, large uncertainty region 3-15 seconds 90-95%
Force gradient descent Move in direction that reduces lateral force magnitude (toward chamfer center) Chamfered holes, self-aligning geometries 0.5-2 seconds 88-94%
Wiggle insertion Apply small oscillating rotations around insertion axis while maintaining Z force Tight clearance insertion, friction-dominated entry 2-8 seconds 80-88%
Learned residual Classical search + learned correction from F/T history Complex geometries, non-standard fixtures 1-5 seconds 90-96%

学習された残留アプローチは,現在の最新技術です. ベースコントローラとして古典的な検索戦略 (螺旋または梯度下降) を使用し,F/Tセンサーの歴史上の小さな神経ネットワークを訓練して修正を予測します.ネットワークは,フォースサインと特定のハードウェアとタスクジオメトリーの最適な検索調整の間の関係を学習します. このハイブリッドアプローチは,複雑な挿入作業において純粋な古典と純粋な学習コントローラを5~8%に一貫して上回っています.完全なアーキテクチャについては,当社の [古典と学習ロボットガイド]T6) を参照してください.

フォースセンサー統合チェックリスト

既存の操作設定にフォースセンシングを追加するチームにとって,このチェックリストはしばしば見逃される重要な統合ステップをカバーします.

  1. 機械安装. ロボットの腕とグリッパーの間にはF/Tセンサーを設置する.マウントインターフェースが硬いことを確認する.センサーとグリッパー間の任意の適合は測定誤りを導入する.センサーメーカーが推奨するマウントボルトとトークの仕様を使用する.ATIセンサーではトークは2.5Nm;Robotiq FT300では,提供されたアダプタープレートを使用する.
  2. **重力補償.**センサーは,固定オフセットとしてグリッパの重量を測定する.起動時に5+腕配置 (異なる方向) で読み取りを記録し,重力補償モデルを設置することによってこの偏見を校準する.重力補償なしでは,腕が動いていると"ゼロフォース"の読み取りは2-10Nによって変化し,実際の接触力を隠す.
  3. 電気ノイズ削減. F/Tセンサーケーブルは,セルボモーターからの電気ノイズに敏感である.モーターパワーケーブルからケーブルを遠ざけること.シールドケーブルを使用し,シールドを片端のみ (センサー端) に固定する.フォース・リーディングで60Hzノイズが表示されている場合は,地面ループをチェックしてください.
  4. **カメラと関節との同期化.**F/T読み取りがカメラフレームとコードルの同期化とされていることを確認します.学習パイプラインでは,F/Tとカメラデータ間の20ms以上のタイムスタンプオフセットが政策品質を低下させます.ソフトウェアタイムスタンプよりもハードウェア同期化 (PTPまたはトリガーシグナル) を使用して最高の結果を得ることができます.
  5. 帯域幅記録. F/Tセンサーは500-7000Hzでネイティブで出力します.学習パイプラインでは,平均フィルタを使用して30-50Hz (相応のカメラフレームレート) に下標します.リアルタイムフォース制御のために,全ネイティブ帯域幅を使用します.下標されたデータと原始データを保存します.高帯域幅データは,後処理で接触イベント検出に役立ちます.

フォース感知障害の一般的なモードとデバッグ

フォースセンサーシステムは予測可能な方法で失敗します これらの障害モードと診断のサインを理解することで 何時間もデバッグ時間を節約できます

Symptom Likely Cause Diagnostic Check Fix
Force readings drift over a session (0.5-3N/hour) Thermal drift in strain gauge Log readings at rest over 2 hours; plot trend Re-bias every 30 min or use temperature compensation
60 Hz oscillation in force signal Electrical ground loop FFT of raw signal; look for spike at 60 Hz Ground shield at sensor end only; route cable away from motors
Large force offset that changes with arm pose Missing gravity compensation Record readings at 5+ orientations; offset should correlate with gravity vector Calibrate gravity model; see integration checklist step 2
Sudden force spikes (50-100N) with no contact Cable strain or connector intermittent Wiggle cable during logging; spikes correlate with cable movement Replace cable; secure cable routing with strain relief
Force readings saturate during light contact Wrong sensor range selected Check sensor configuration; compare rated range to task forces Switch to higher-range calibration or a different sensor model
Inconsistent readings between left and right fingers Asymmetric gripper wear or misaligned tactile pad Apply known force to each finger separately; compare Replace worn finger pad; recalibrate tactile sensor mounting

RCSVは,精度な力測定計 (Omega DFG35,0.01N解像度),ケーブルテスト器,および校正重量セットを含む力センサーデバッグのための診断キットを保持しています.データ収集のためにRCSVハードウェアをレンタルするチームは,このキットおよび私たちのセンサー統合サポートにアクセスできます.

訓練パイプラインにおける力データ:建築パターン

学習された操作政策に力/トークデータを組み込むための証明された3つのアーキテクチャがあります.選択は,あなたの作業の複雑性と利用可能なセンサーの方法に依存します.

パターン1:早期融合 (コンカテネーション). 政策の状態エンコードに先立って6DF/Tベクトルをプロピオセプティブ状態 (関節角,速度) にコンカテネートする.これは最も簡単なアプローチであり,力情報が視力を補完するときにうまく機能する.典型的な改善:接触豊富な作業では8-15%です.これをデフォルト出発点として使用します.

**パターン2:力史における時間収縮.**即時の6D読みの代わりに,F/Tの歴史の最後の0.5-1.0秒 (15-30 Hzで読み取り) を1D収縮ネットワークを通過して,時間収縮力特征 (接触開始,力ランプ,振動周波数) を抽出します.結果となる特征ベクトルは視覚特征と結合します. このパターンは,力軌跡形が診断される挿入作業において優れている.典型的な改善:挿入および組み立て作業では15-25%.

パターン3: フォース条件の注意. トランスフォーマーポリシーの中での横断注意のための条件の信号としてフォース読み方を使用します.視覚トークンはフォース特徴に対応し,ポリシーはそれが感じるものに基づいてどの視覚領域を見るときを学ぶことができます.これは最も表現的なアーキテクチャですが,効果的に訓練するには500以上の示範が必要です. 典型的な改善:多段階の接触作業 (検索,挿入,検証) において,20~30% 適用します.これは豊富なデータや異なる力介護段階を持つ作業のみで使用します.

# Pattern 2: Temporal convolution on F/T history
import torch
import torch.nn as nn

class ForceTemporalEncoder(nn.Module):
    """Extract temporal features from F/T sensor history."""
    def __init__(self, history_len=30, ft_dim=6, out_dim=32):
        super().__init__()
        self.conv = nn.Sequential(
            nn.Conv1d(ft_dim, 16, kernel_size=5, padding=2),
            nn.ReLU(),
            nn.Conv1d(16, 32, kernel_size=5, padding=2),
            nn.ReLU(),
            nn.AdaptiveAvgPool1d(1),  # Global average pooling
        )
        self.fc = nn.Linear(32, out_dim)

    def forward(self, ft_history):
        # ft_history: (batch, history_len, 6)
        x = ft_history.transpose(1, 2)  # (batch, 6, history_len)
        x = self.conv(x).squeeze(-1)    # (batch, 32)
        return self.fc(x)               # (batch, out_dim)

この時間エンコーダーは,最後の秒間に力動力を捕捉するコンパクト32次元特色ベクトルを生成します. 曲構造は,時間局部性を保存するため,F/T 史を平ら化したMLPよりも好ましい.

訓練技巧: F/T観測で訓練する際,センサーの評価範囲 (データセットの経験的統計によるものではありません) によって力値を正常化します. 経験的正常化を使用すると,部署作業が訓練分布の外で力を生むとき,問題が発生します.標準化された値は [0, 1] を上回り,ポリシーは分布外入力を受け取ります. 範囲ベースの正常化 (センサーのFxmaxでFxを分割) は,発生した特定の力に関係なく,入力は常に [0, 1] 範囲内に保ちます.

** 動作モードが欠落する:** 部署がF/Tデータ (センサー故障,ハードウェア構成が異なる) をなく実行される場合,ランダムなF/T 終了式でトレーニング:トレーニング中にF/T 入力全体を0〜20%の確率でゼロにします. これは,F/Tデータは利用できない場合,F/Tが存在するときに改善を提供し,厳しい依存ではなく,視覚だけで合理的な予測を行うことを政策に教えます.

動作予測頭の前で視覚エンコーダー出力と proprioceptive状態と出力を結合する. 訓練時間オーバーヘッドは視覚エンコーダー前向きパスと比較して軽い (5%増加).

業績影響: 数字

フォース有効と視力のみの操作の性能の違いは,ロボット学文献で広く,よく記録されています. 0.5mmのクリアレンスを持つピッグインホール挿入の場合:フォース/トークガイドされたアプローチは,フランカ・リサーチ3腕のATIが支援するベンチマークに基づいて,視力のみの場合は89%の成功率を達成します.

ケーブル挿入 電子機器製造における最も経済的に重要な操作作業である可能性は,類似の差がある.腕 F/T制御による94%の成功が,視力による71%の差がある.生産における差は,平均して71%の成功率は挿入ごとに1.4回の試みを必要とし,94%では1.06である.

許容量が5mmを超え,合致の要求がなくする操作作業では,視力のみのアプローチが十分である.しかし,制限されたフィット,滑り接触,または繊細な力制限を含むすべての場合,力感知はオプションではありません.

費用・利益分析: フォースセンシングを加える時

機械の設置には1,5008,000ドルが追加され,13日間の統合時間が必要となります.

  • 常に正当化される: 離線距離が1mm未満の挿入作業,スナップフィットまたはプレスフィットコネクタで組み立て,脆弱な物体 (卵,ガラス,電子機器) の操作,表面をフォローするまたは Polizing,そして過剰な力を使う場合の作業は損傷を引き起こす.
  • 時には正当化される: 対象物の重量が異なる場合 (力によって輸送中に握断障害が検出される) 一般的なピック・アンド・プレス・スポット,衝突検出が信頼性を向上させる場合の多項目的作業,接触力が品質信号である場合の品質検査作業.
  • めったに正当化されない: 頑丈な物体のシンプルなゴミ箱の採取,柔らかいグリッパーが固有の適合性を提供する作業,視力だけで十分なフィードバックを提供する作業 (大きなクリアレアンス,接触精度は必要ありません).

ローイ計算:もし1日1,000サイクルを実行する作業でフォース感受を加えることで,作業の成功率は15%増加し,失敗したサイクルごとにリワーキングまたはダウンタイムで0.50ドルかかりますが,センサーは 2-4週間で自費します.高価値の作業 (電子機器の組み立て,医療機器の処理) では,返済期間はしばしば数日で測定されます.

RCSVは腕のF/Tセンサー, [Paxiniタクチルセンサー]T7),GelSight Mini,およびXELA uSkinの配列を含む力操作可能なハードウェアを備えています.我々の [データ収集インフラストラクチャ]T8) は,接触豊富なポリシーを訓練するために視野とともに同期力/タクチルデータを記録します. 試行データ収集は2,500ドルから開始します. 現在の利用可能性と統合サポートについては,ハードウェアカタログを閲覧してください.

関連 読書

  • [マルチモダルのロボットセンサーガイド]
  • [ロボットカメラの設定]
  • [Grasp計画調査2025]
  • [なぜテレオップデータがシムに勝った]
  • [ロボットデータ注釈]
  • [データサービス]
  • [ハードウェアカタログ]
  • [語彙] T17

操縦のスタックを強制的に有効にする

RCSVは,接触豊富な操作作業のために力感知ハードウェア,統合サポート,データ収集を提供します.

[センサーとハードウェアのショップ]