영업팀 문의
Blog(으)로 돌아가기

왜 접촉력 이 우수한 로봇 조작 의 열쇠가 되는가

힘 감지이 조작을 어떻게 변화시키는가? 접촉의 물리학, 시각만으로는 실패하는 이유, 그리고 접촉에 풍부한 작업에 대한 실용적인 전략

[로봇 무기 가이드]

[← 블로그]

시각만 조작하는 것은 기본적인 물리적 한계에 도달합니다. 왜 와 어떤 힘 감지이 을 추가하는지 이해하는 것은 능숙한 로봇 시스템을 만드는 모든 사람에게 필수적입니다.

접촉 문제

최첨단 RGB-D 인식 시스템은 장면의 물체에 2-5mm의 현지화 정확성을 달성합니다. 이것은 정확한 조립이 필요한 것을 고려할 때까지 인상적입니다. -홀 삽입 용량은 일반적으로 +/-0.5mm, USB-A 연결기 삽입은 +/-0.3mm, 그리고 SIM 카드 슬롯은 +/-0.1mm입니다. 시각이 해소할 수 있는 것과 접촉 작업이 필요한 사이의 격차는 물리적 일정입니다.

핵심 문제는 접촉 자체는 카메라에 보이지 않는 방식으로 시스템 상태를 변화시키는 것입니다. 지각 손가락이 표면과 접촉할 때, 세브 밀리미터 규모에서 힘과 변형이 발생합니다. 카메라는 대상에게 접근하는 지지를 볼 수 있습니다. 접촉이 안정적이거나 미끄러지는지 또는 그 대상에서 회전하는 것을 볼 수 없습니다.

준수 와 엄격 한 통제: 기본적 선택

힘 감지 하드웨어를 논의하기 전에, 접촉 작업에 대한 두 가지 기본 제어 철학을 이해하는 것이 중요합니다.

** 스틱 (위치는) 제어:** 로봇은 외부 힘에 관계없이 명령된 위치 궤도를 추적한다. 최종 효과자가 장애물을 마주하면 컨트롤러는 명령된 위치를 유지하려고 높은 힘을 동원한다. 이것은 대부분의 산업 로봇의 기본 제어 모드이며 접촉이 예상되지 않는 자유 공간의 움직임에 적합합니다. 접촉 중에, 딱딱한 제어는 로봇, 물체 또는 둘 다 손상시킬 수 있습니다 0.5mm-clearance 삽입 중 1mm 위치 오류는 수백 뉴턴을 달성 할 수있는 접촉력을 생성합니다.

** 준수 (제약/입입량) 제어:** 로봇은 최종 효과자에서 가상 스프링-담퍼 시스템처럼 행동한다. 외부 힘에 직면했을 때, 그것은 그것의 크기에 비례하여 힘의 방향으로 움직이는 을 발생시킨다. 딱딱함과 감압 매개 변수는 로봇이 얼마나 많은 부하를 "주"하는지 결정한다. 낮은 딱딱함 (50-200 N/m) 은 로봇을 매우 적합하게 만들고 접촉 탐사에 유용하게 사용한다. 높은 딱딱함 (2000-5000 N/m) 은 로봇을 거의 딱딱하게 만들면서 여전히 힘 스피크로부터 보호한다.

임페던스 제어 이론

임페던스 제어 (impedance control) 는 조작 연구에서 가장 널리 사용되는 힘 제어 프레임워크이다. 컨트롤러는 최종 효과자에서 원하는 기계적 임페던스를 정의합니다.

F = K * (x_상 - x_실동) + D * (v_상 - v_실동) K = 딱딱함 매트릭스 (6x6, 카르테시아의 단각) D = 감압 매트릭스 (6x6) x = 최종 효과자 포지 (지위 + 방향) v = 최종 효과자 속도 조작의 전형적인 값: K_번역 = 200-1000 N/m (일반 접근) K_변경 = 10-50 Nm/rad (손목의 준수 허용) D_번역 = 2*sqrt(K*m) (평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평평

핵심 통찰력: 막대기 제어에는 힘 센서가 필요하지 않습니다. 그것은 적용된 힘을 추정하기 위해 명령 위치와 측정된 위치를 사용합니다. 그러나 손목 F/T 센서를 추가하면 _explicit_force 측정이 가능하며, 이는 동학 모델 기반의 추정보다 더 정확합니다 (특히 관절에 상당한 마찰이있는 팔에 대해, 이는 대부분의 팔이 $50K 이하를 포함합니다).

힘 제어 모드

3개의 운영 모드는 대부분의 접촉 조작 작업을 다루고 있습니다.

1. 순수 임피던스 제어: 6개의 카르테시오 축에 원하는 딱딱함을 설정한다. 로봇은 예상치 못한 접촉을 당할 때 꼴의 처럼 동작하며, 자유 공간에서 궤도를 유지하기에 충분히 딱딱하다. 잠재적인 접촉을 포함하는 모든 작업에 기본 모드로 사용한다. 힘 센서가 필요하지 않습니다 (그러나 정확성을 향상시킵니다).

2. 힘/지위 하이브리드 제어: 어떤 카르테시아 축을 위치 모드에서 제어하고 다른 부분을 힘 모드에서 제어한다. 고전적인 예는 표면 가늘어: X와 Y를 위치 모드에서 제어한다 ( 표면 궤도를 따라) 그리고 Z를 힘 모드에서 제어한다 ( 표면에 대한 5N 접촉력을 유지한다).

3. 힘으로 인도된 검색: 로봇을 목표 구성으로 안내하기 위해 힘 피드백을 사용하십시오. -홀 삽입: Z-force 스피크가 감지 될 때까지 을 아래로 이동하십시오 (표면과 접촉), 그리고 X-Y에서 나선 검색 패턴을 적용하여 의 힘이 구멍에 미끄러지기 전까지 낮은 Z-force를 유지하십시오 (Z-force의 갑작스러운 감소와 삽입 깊이의 증가로 감지됩니다). 이것은 정밀한 시각 없이 정밀하게 삽입하는 산업의 표준 접근 방식입니다.

Control Mode Sensor Required Typical Tasks 정밀도 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

접촉 기계학 기본

접촉 메커니즘의 세 가지 개념은 힘 감지의 중요성을 이해하는 데 필수적입니다.

  • ** 구부러기 코네:** 구부러기 코네 안에 접촉력이 있어야 한다. 구부러기 코네의 반각은 아크탄 (arctan) 이므로 mu는 구부러기 계수이다. 철강 (산업 환경에서 흔히 볼 수 있는) 고무잡기 패드에 대해서는 mu = 0.3. 유리 위에 있는 실리콘에 대해서는 mu = 0.5. 구부러기 코네 밖에서 측정된 접촉력이 어떤 카메라도 제공할 수 없는 임박한 구부러기 정보를 예측한다.
  • 포스 클로저와 형태 클로저: 형태 클로저 포스트는 물체를 지ometri만으로 제한한다 (예를 들어, 일치하는 V-groove에 실린더를 잡는 것).
  • Coulomb 마찰 모델: 슬라이드를 예측하는 표준 모델: F_tangential <= mu x F_normal. 접촉 지점에서 F_normal을 측정하면 슬라이드 전에 최대 타간셜 힘을 계산할 수 있습니다. 이는 능숙한 조작의 기본적 제약입니다.

시각 이 실무 로 실패 하는 곳

실제 조작 시스템에서 세 가지 특정 오류 모드가 지배적이다.

  • ** 접근 중 차단:** 포착기가 잡기 위한 물체에 접근할 때, 손가락은 접촉 표면을 차단한다. 카메라의 접촉이 정확히 일어날 곳의 시각은 접근의 마지막 2-5cm에서 사라진다.
  • 밀착거리에서의 피셀 소음: 깊이 센서는 구조화된 빛의 방해 및 지갑 자체의 IR 반사로 인해 10-15cm 이하의 작업 거리를 잃는다. 전형적인 조작 거리에서 작동하는 손목 장착 카메라는 신뢰할 수 있는 범위의 가장자리에 작동한다.
  • 잡기 표면에서의 깊이 그림자: 잡기 구조는 잡기 표면에 깊이 그림자를 던지며, 가장 좋은 위치가 필요한 곳에 포인트 클라우드에서 부족한 데이터를 생성합니다.

힘 센서 종류: 상세한 비교

Sensor Type What It Measures 정밀도 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

접촉 감지 이 작업 을 가능하게 하는 실제 사례

다음은 출판된 작업과 RCSV 내부 프로젝트에서 실무 사례로, 그 결과 힘/타클 감지 기능을 추가하여 시각만으로 불가능한 작업을 가능하게 했습니다.

Peg-in-hole 삽입 (0.5mm 클리어): ATI Mini45 손목 F/T 센서를 탑재한 Franka Research 3 팔. 컨트롤러는 나선 검색 전략을 사용합니다. Z-폭력이 5N (표면과의 접촉) 를 초과할 때까지 내려가며, X-Y에서 밖으로 나선 후 Z-폭력이 3N Z-폭력을 유지하면서 Z-폭력이 떨어지는 때까지 (peg 입력 구멍) 으로 내려가며 성공률: F/T와 비교하여 62% 비전에서만. F/T 센서는 0.1mm 내의 구멍 입구를 감지합니다. 이는 실제 깊이 카메라 설비의 해상도보다 낮습니다.

PCB 연결기 조립: USB-C 연결기에는 +/-0.3mm의 조율과 10-15N의 삽입력이 올바른 방향으로 적용되어야 합니다. 비전 전용 정책은 연결기를 1-2mm 내에 위치시킬 수 있지만 삽입력을 제어할 수 없습니다. 손목 F/T 센서를 추가하면 포스 제한된 삽입이 가능해집니다. 컨트롤러는 삽입 방향에 12N를 적용하면서 수직축에서 +/-5mm의 컴플라이언스를 허용합니다. 성공률은 45% (비전에서만) 에서 92% (비전 + F/T) 로 급등합니다.

** 달걀 포착 및 전송:** 달걀은 방향에 따라 약 30-50N 힘으로 깨집니다. 일정 힘으로 닫는 명령이 있는 표준 평행 턱 포착기는 달걀을 포착하지 못할 수도 있습니다 (너무 적은 힘) 또는 깨질 수도 있습니다 (너무 많이). 손가락 끝의 힘 센서를 추가하면 8N가 감지될 때까지 닫히고, 그 힘에 머물러 있고, 슬라이드를 방지하기 위해 가속 단계에서만 12N로 증가하는 힘 제한된 포착이 가능합니다. 200 번의 실험에서 힘 감지 없이 15%의 깨짐에 비해 0개의 달걀 분해.

** 표면 추세 (폴리싱, 지우):** 불규칙한 표면 모양을 따라 5N 접촉력을 유지한다. 시각은 접촉 전에 표면 기하학을 추정할 수 있지만 지우 과정에서 실제 접촉력을 측정할 수 없다. 힘/지위 하이브리드 컨트롤러는 만연평선에서의 궤도를 따라 5N를 표면-정상 방향으로 유지한다. 힘의 변동: F/T 제어와 +/-0.3N, 위치 제어와 +/-3N (동동학 모델에서 추정된다).

주요 문서 및 시스템

  • 호건, 1985 "반지력 조절": 반지력 조절 이론을 확립하는 기초 논문. 여전히 컴플라이언스 조작을 이해하는 주요 참조.
  • 라이버트 & 크레이그, 1981 "Hybrid Position/Force Control": 정형 작업 공간 방향에서 위치와 힘을 독립적으로 제어하는 개념을 도입했다. 모든 현대 세력/지위 하이브리드 컨트롤러의 기초이다.
  • Calandra et al., 2018 "감각보다 더": GelSight 촉각 감지은 시력이 감지할 수 없는 물체를 파악할 수 있게 해준다는 것을 증명했다. (투명한, 반사적, 얇은) 촉각 감지은 연구 호기심보다는 실용적인 도구로 확립된 논문이다.
  • Qi et al., 2023 "전용물질 회전" 임의의 물체의 현명한 손바닥 회전을 달성하기 위해 RL로 촉각 감지기를 사용하였다. 손바닥 조작에 촉각 피드백이 필요하다는 것을 보여주었다.
  • Suresh et al., 2024 "신경 접촉 필드": 촉각 센서 가수로부터 접촉 예측을 배웠으며, 접촉 부가한 조작을 위한 모델 기반의 계획을 가능하게 하였다. 학습된 모델과 힘/ 촉각 데이터의 결합의 한계를 나타낸다.

F/T 센서 비교: 상세한 사양

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

부설된 F/T 센싱.* 몇몇 현대 로봇 팔에는 외부 센서 없이 내장된 관절 토크 센싱 또는 손목 F/T 추정도 포함되어 있다. Franka Research 3는 관절 토크 센서들을 통해 1 kHz에서 추정된 최종 효과자 톱니를 제공합니다. UR5e와 UR10e는 모터 전류 측정을 사용하여 도구 플랜지에서 내장된 F/T 추정치를 제공합니다. - 정확도가 낮다 (2-5N 해상도) 하지만 충돌 탐지 및 대폭 접촉 작업에 충분합니다. 예산에 있는 팀에게는 내장된 F/T 추정은 뉴턴 이하의 정확성이 필요하지 않은 작업에 외부 센서의 필요성을 제거 할 수 있습니다.

** 센서 선택 지침:** 강력 감지으로 시작하는 연구실에서는 Robotiq FT300가 최고의 가치를 제공합니다. 그것은 넓은 강력 범위를 가지고 있으며 표준 도구 플랜지를 통해 UR 및 Franka 팔과 쉽게 통합되며, 대부분의 조작 제어 루프에 100 Hz 대역폭이 충분합니다. 미세 조립, 의료 장치 처리 등 미뉴턴 미하 해상도를 필요로 하는 정밀 작업에 있어 ATI 센서는 높은 비용에도 불구하고 표준 선택이다. 보타 센서ONE는 평균 가격으로 해상도와 대역폭의 가장 좋은 조합을 제공하고 있으며 연구 설정에서 인기를 얻고 있다. OnRobot HEX는 코봇 통합을 위해 특별히 설계되었으며 가장 간단한 플러그 앤 플레이 설정을 제공합니다.

임페덴스 제어 실시

다음 파이썬 코드는 7DOF 로봇 팔에 대한 카르테시아 역량 조절을 구현한다. 이것은 이전에 논의된 역량 제어 이론의 실질적인 구현이며, ROS2 제어 프레임워크와 통합하기에 적합하다.

# 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]

** 조정 지침:** 위에서 보여준 딱딱함 값으로 시작하여 작업에 따라 조정하십시오. 자유 공간의 움직임 (접촉이 예상되지 않습니다) 에 대해, 가시한 궤도 추적을 위해 K를 1500-3000 N/m로 증가하십시오. 접촉 탐색 (공면을 따라 구멍을 찾는) 에 대해, 접촉 축에 대한 K를 50-200 N/m로 줄여주십시오. 진동을 방지하기 위해 진동 비율은 비약적으로 진동된 비율 (Damping factor = 1.0) 에 가깝게 유지되어야 합니다.

업무에 대한 접촉 감지 요구 사항

다른 조작 작업은 접촉 감지에 근본적으로 다른 요구 사항을 부과합니다. 이러한 요구 사항을 이해하는 것은 미미한 정밀 (센서가 중요한 접촉 이벤트를 해결할 수 없습니다) 와 과다 정밀 (무필요한 정확성 위해 지불) 을 막습니다.

** 구멍 내 삽입 (0.1mm 용납량) ** 이것은 가전적 정밀 접촉 작업입니다. 구멍이 집착력이 집으로 몰리기 전에 0.1mm 이내에 구멍과 조화를 이루어야 합니다. 시력은 구멍을 1-2mm로 위치시킬 수 있습니다. 나머지 0.1mm 조정은 힘으로 인도 된 검색에서 가져오어야 합니다. 필요한 감지: 6 축 손목 F/T 센서 XY (옆) 축에서 0.1N 미만의 해상도와 Z (insertion) 축에서 1N 해상도와 함께. 컨트롤러는 Z-폭력의 갑작스러운 하락 (지표면 접촉력에서 톱니가 들어가면 거의 0에 이르는) 을 모니터링함으로써 구멍 입력을 감지합니다. ATI Mini45 또는 Bota SensONE는 적절한 센서입니다. 성공률 향상: 62% (관광만) 에서 89% (관광 + F/T) 까지.

**기 운용 (30-50N 골절 임대) **기에는 5N (운송 중에 안전한 잡을 수 있는 최소) 와 30N (변속 부하에 대한 골절 임대) 사이의 압축력이 필요합니다. 6x 강압의 경계는 편안한 것처럼 보이지만 역동적인 조건에서 줄어들습니다. 운송 중에 가속이 증가하면 골절 임대보다 높은 압축력을 밀어낼 수 있는 비동적 부하가 추가됩니다. 필요한 감지: 손가락 끝 힘 센서 (Bota SensONE 또는 Paxini) 0.1N 해상도와 100+ Hz 대역폭. 컨트롤러는 가속 단계 동안 5N에서 8N까지 압축력을 램프하고 정지 상태 운송 중 5N로 돌아갑니다. 파열률: 15% 힘 감지 없이, 0% 힘 감지 (200 RCSV 시험 평가)

** 섬유 조작 (뉴턴 이하 힘) ** 표면에서 하나의 섬유 층을 끌어내기 위해서는 0.1-0.5N의 접촉력을 감지하고 힘을 제어하여 한 층을 뭉치지 않고 붙잡아야 한다. 손목 F/T 센서는 이 작업에 대한 해상도가 부족하다. 센서 소음과 중력 보상 오류로 신호가 손실된다. 필요한 감지: 미리미터 이하의 접촉 기하학 및 0.1N 이하의 절단력을 해결할 수 있는 촉각 매리 (GelSight Mini 또는 Paxini) 이. 촉각 이미지는 하나의 또는 여러 개의 천층이 잡혀 있는지 여부를 보여줍니다. 이는 카메라와 손목 F/T 센서 모두에 보이지 않습니다.

**PCB 부품 삽입 (5-15N, 0.3mm 조율) ** 표면 부착 및 구멍 부품 삽입은 가닥 구멍과 0.3mm까지 조율하고 가닥을 구부러지 않고 5-15N 삽입력을 적용해야 합니다. 삽입 과정에서 힘 프로필은 진단입니다. 부드러운 힘 램프는 올바른 조율을 나타냅니다. 힘 스피크가 떨어지는 것을 따라 이 이어지는 것은 납 구부리를 나타냅니다. 필요한 감지: 6.05-N 해상도와 함께 손목 F/T. 컨트롤러는 스피럴 패턴을 실행하는 동안 일정 3N 검색력을 적용하여 리드들이 구멍을 발견할 때까지 (힘의 떨어짐에 의해 감지) 15N 힘 제한을 가진 일정 속도의 삽입으로 전환합니다.

촉각 감지: 손목 F/T 너머

손목에 설치된 F/T 센서는 손목 관절의 총력/토크를 측정하여 그립기와 환경 사이의 연결 상호작용을 파악한다. 손목 손가락에 설치된 촉각 센서는 접촉 인터페이스에서 지역 압력 분포를 측정한다. 이것은 근본적으로 다른 정보를 제공합니다.

GelSight / GelSight Mini. 광학 촉각 센서 (OTC) 는 30fps로 변형된 접촉 표면의 고해상도 (640x480) 이미지를 캡처한다. GelSight은 표면 질감을 감지하고, 접촉 정상치를 추정하고, 깎기 힘을 측정할 수 있다. 손목 F/T 센서에게는 보이지 않는 정보. 가격은: 손가락당 $500-1,500.

XELA uSkin. 유연한 센서 패드에서 공간적으로 분산된 압력 가수를 제공하는 수용성 촉각 센서 배열. 해상도는: 4mm 공간, 0.1N 힘. 곡선 지갑 표면에 적합하게 장착할 수 있습니다. 가격은: 배열당 2,000~5,000 달러.

Paxini 터틸 센서. [RCSV 하드웨어 카탈로그] (T4) 를 통해 사용할 수 있는 Paxini는 평행 턱잡기기 위해 최적화된 압력 분포 센서를 제공합니다. OpenArm 1 턱잡기 설치 인터페이스와 직접 통합됩니다.

이발생: 학습 기반의 촉각 센서.* 점점 더 많은 촉각 센서들은 신경망을 이용하여 원시 센서 데이터에서 접촉 속성을 추정한다. GelSight 스타일의 센서는 접촉 정상, 마찰 계수, 슬라이드 확률을 추정하기 위해 표준 시력 모델에 의해 처리될 수 있는 이미지를 생성한다. 전통적인 용량 센서들에 비해 장점은: 단일 센서에서 더 풍부한 연락처 정보. 단점은: 추론 지연 (5-15ms ResNet-18의 240x320 촉각 이미지를 처리하는 경우) 및 신경 추정기를 가등하기 위해 훈련 데이터의 필요성. 이미 학습된 조작 정책을 사용하는 팀들에 대해서는 학습된 촉각 처리 모듈을 추가하는 것이 건축적으로 일관성이 있고, 상호 접촉 정보를 제공한다.

무엇을 때 손목 F/T를 사용해야 하는가. 손목 F/T를 사용해서: 총력 제어 (입장, 조립), 충돌 감지, 피력 제어. 최대 용량을 위해 두 가지 사용: 제어 루프에 손목 F/T 및 잡기 모니터링 및 슬라이드 예측을 위한 촉각 센서를 사용하십시오.

학습 파이프라인에 힘 데이터를 통합

접촉에 풍부한 작업에 대한 [이미테이션 학습] (T5) 정책을 훈련하는 팀들에서는 카메라 이미지 및 공동 상태와 함께 추가적인 관찰 채널로 힘/토크 데이터를 포함해야 한다. 실용적인 통합 지침:

  • ** 데이터 형식:** 센서 프레임에서 F/T 가리는 6차원 벡터 (Fx, Fy, Fz, Tx, Ty, Tz) 로 30Hz (이래의 500-1000Hz 센서 속도에 따라 카메라 프레임 속도에 일치하도록 샘플링) 로 기록합니다. 다른 관찰과 동일한 HDF5 에피소드 구조에 저장합니다.
  • ** 정상화:** 센서의 지정 범위로 F/T 가량을 정상화하십시오 (예를 들어 ATI Mini45에 힘들을 100N, 토크를 10Nm로 나눌 수 있습니다). 이것은 정상화 된 관절 각과 이미지 특징과 유사한 범위에서 값을 유지합니다.
  • ** 기능 추출:** 간단한 통합을 위해 원자 6D F/T 벡터를 proprioceptive 상태 벡터와 연계하고 양쪽을 정책의 상태 코더로 공급하십시오. 더 풍부한 기능에 대해, 접촉 전환을 감지하는 데 중요한 힘 변화 속도를 포착하는 짧은 역사를 계산하십시오 (최후 10 가수 = 60D 벡터).
  • ** 예상된 개선:** 정책의 입력에 F/T 관찰을 추가하면 접촉이 풍부한 작업 (insertion, assembly) 에 대한 성공률이 비전+자유 수용만 대비 10~25% 향상된다.

힘 제어 안전: 하드웨어 및 작업품 을 보호 하는 것

적절한 안전 제한 없이 힘 제어 는 로봇과 조작하는 물체 모두에게 위험 합니다. 모든 힘 제어 시스템은 다음과 같은 안전 계층을 구현해야 합니다.

  • ** 단단한 힘 제한:** 각 축에 대해 절대 최대 힘 임대값을 설정 (예를 들어, 테이블탑 조작 설정에서 Fx/Fy에 대해 50N, 테이블탑 조작 설정에 대해 Fz에 대해 80N). 어떤 축이 임대값을 초과하면 컨트롤러는 즉시 준수되는 중력 보상 모드로 전환합니다. 이러한 제한은 컨트롤러 버그, 예기치 않은 충돌 및 센서 장애로부터 보호합니다.
  • ** 힘의 비율 제한:** 명령된 힘의 변화 속도를 제한한다 (예를 들어, 최대 20 N/s). 이것은 섬세한 물체나 로봇의 기어 트레인을 손상시키는 갑작스러운 힘 충동을 방지한다.
  • ** 연락 감시자:** F/T 센서가 예상보다 더 긴 시간 동안 (예를 들어, 2 초 안에 완료해야 하는 작업에 대해 > 5 초) 를 읽으면, 타임아웃을 발생시키고 후퇴합니다. 이것은 컨트롤러가 진전을 이루지 않고 장애물에 밀리는 상황을 포착합니다.
  • ** 센서 건강 모니터링:** F/T 센서 포화 (모든 판독이 최대), 센서 단속 ( 판독이 0으로 급격히 증가) 및 과도한 소음 (변동이 기본 기준 5x를 초과) 를 확인합니다. 이 조건 중 어느 하나라도 즉시 안전한 정류를 유발해야 합니다.

정확 한 집합 을 위한 힘 으로 인도 된 검색 전략

미리미터 이하의 조화를 필요로 하는 작업 (접속기 삽입, 구멍, 나 시작) 에서, 시력이 혼자만으로 충분한 정확성을 제공할 수 없습니다. 강제 가이드 검색 전략은 제어 접촉을 통해 정확한 조화를 위치하는 F/T 센서 피드백을 사용합니다.

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%

학습된 잔여 접근법은 현대의 최신 기술입니다. 고전적인 검색 전략을 (스피럴 또는 그라디언트 하락) 기본 컨트롤러로 사용하다가, F/T 센서 역사에 대한 작은 신경 네트워크를 훈련시켜 수정 사항을 예측합니다. 네트워크는 힘 서명과 특정 하드웨어 및 작업 기하학에 대한 최적 검색 조정 사이의 관계를 학습합니다. 이 하이브리드 접근법은 복잡한 삽입 작업에서 순수한 고전적 및 순수한 학습된 컨트롤러 모두 5-8% 이상으로 지속적으로 우수합니다. 전체 아키텍처를 위해 [고전적 vs 학습된 로봇 안내서]T6을 참조하십시오.

힘 센서 통합 체크리스트

기존 조작 설정에 힘 감지 기능을 추가하는 팀들을 위해, 이 체크리스트는 종종 놓친 중요한 통합 단계를 다루고 있습니다.

  1. ** 기계적 설치.** 로봇의 손목 플랜지와 지잡이 사이에 F/T 센서를 설치하십시오. 설치 인터페이스는 딱딱하다는 것을 확인하십시오. 센서와 지잡이 사이의 모든 준수는 측정 오류를 초래합니다. 센서 제조사의 권장 설치 및 토크 스펙을 사용하십시오. ATI 센서에서는 2.5 Nm까지 토크; Robotiq FT300에서는 제공 된 어댑터 플레이트를 사용하십시오.
  2. ** 중력 보상.** 센서는 고정된 오프셋으로 지갑의 무게를 측정한다. 이 편향을 시작 시 5+ 팔 구성 (다양한 방향) 에서 판도를 기록하고 중력 보상 모델을 부착함으로써 캘리브링한다. 중력 보상 없이, 팔이 움직일 때 "허로 힘" 판정은 2-10N로 변한다. 실제 접촉력을 은폐한다.
  3. ** 전기 잡음 감소.** F/T 센서 케이블은 세르보 모터로부터의 전기 잡음에 민감하다. 모터 전력 케이블에서 케이블을 멀리 이동하십시오. 보호 케이블을 사용하여 방패를 한 끝에서만 (센서 끝) 지탱하십시오. 힘 가량에서 60 Hz 잡음을 보시면, 지탱 루프를 확인하십시오.
  4. ** 카메라와 관절과 동기화.** F/T 가리는 카메라 프레임과 공동 코더 가리는 시간표 및 동기화되도록 하십시오. 학습 파이프라인에서 F/T와 카메라 데이터 사이의 시간표 오프셋은 20ms 이상으로 정책 품질을 떨어뜨립니다. 최고의 결과를 위해 소프트웨어 시간표보다는 하드웨어 동기화 (PTP 또는 트리거 신호) 를 사용하십시오.
  5. 역폭 기록. F/T 센서는 500-7000 Hz에서 원산적으로 출력한다. 학습 파이프라인에서 평균 필터를 사용하여 30-50 Hz (카메라 프레임 속도 일치) 로 다운 샘플을 하향으로 한다. 실시간 힘 제어에 있어서, 전체 원산역폭을 사용한다. 다운 샘플 및 원료 데이터를 모두 저장한다. 높은 대역폭 데이터는 후처리에서 접촉 사건 탐지에 유용하다.

일반적인 힘 감지 실패 모드 및 디버깅

힘 감지 시스템은 예측 가능한 방법으로 실패합니다. 이러한 장애 모드와 진단 신호를 이해하는 것은 수 시간 동안 디버깅 시간을 절약합니다.

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

RCSV는 정밀 강력 측정기 (Omega DFG35, 0.01N 해상도), 케이블 테스트 및 정렬 무게의 집합을 포함하는 힘 센서 디버깅을 위한 진단 키트를 유지합니다. 데이터 수집을 위해 RCSV 하드웨어를 임대하는 팀은 이 키트 및 우리의 센서 통합 지원에 액세스 할 수 있습니다.

훈련 파이프라인에서의 힘 데이터: 건축 패턴

학습된 조작 정책에 힘/토크 데이터를 통합하는 데는 세 가지 검증된 구조가 있습니다. 선택은 작업 복잡성과 사용할 수 있는 센서 모다리도에 달려 있습니다.

** 패턴 1: 초기 융합 (연합).** 정책 상태 코더 이전에 6D F/T 벡터를 자기 수용 상태 (관광 각, 속도는) 로 연동하십시오. 이것은 가장 간단한 접근 방식이며 시각에 힘 정보가 추가될 때 잘 작동합니다. 전형적인 개선: 접촉 부양한 작업에 8-15%. 이 기본 출발점으로 사용하십시오.

패턴 2: 힘 역사에 대한 시간적 회전. 즉석 6D 판독 대신, F/T 역사의 마지막 0.5-1.0 초 (15-30 Hz에서 30 Hz 판독) 를 1D 회전 네트워크로 전달하여 시간적 힘 특징 (접촉 시작, 힘 램프, 진동 주파수) 을 추출합니다. 이 패턴은 힘 궤도 형태가 진단되는 삽입 작업에 탁월하다. 전형적인 개선: 삽입 및 조립 작업에 15-25%.

** 패턴 3: 힘 조건주의 주의.** 트랜스포머 정책에서 전차주의를 위한 조건화 신호로 힘 입수를 사용하십시오. 시각 토큰은 힘 특징을 보이며, 정책은 어떤 시각 영역을 느끼는 것에 따라 언제 살펴야 하는지 배울 수 있습니다. 이것은 가장 표현적인 건축이지만 효과적으로 훈련하기 위해 500+의 시범이 필요합니다. 전형적인 개선: 다단계 접촉 작업 (찾기, 삽입, 확인) 에서 20-30%를 사용한다.

# 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)

이 시간적 앵코더는 마지막 초에 힘 역학을 캡처하는 콤팩트 32 차원 특징 벡터를 생성합니다. 형 아키텍처는 시간적 위치를 보존하기 때문에 납작한 F / T 역사에 MLP보다 선호합니다. 커널은 특정 시간 패턴 (힘 램프, 진동, 단계 변경) 을 감지하는 것을 배우습니다.

** 훈련 팁:** F/T 관측으로 훈련할 때 센서의 나이트 범위 (데이터 세트의 경험적 통계에 의한 것이 아니라) 에 의해 힘 값을 정상화하십시오. 경험적 정상화를 사용하면 배포 작업이 훈련 배포 밖의 힘을 생성할 때 문제가 발생합니다. 정상화 된 값은 [0, 1]를 초과하고 정책은 배포 밖의 입력을 받게됩니다. 범위 기반 정상화는 (센서의 Fx 최대로 Fx를 나눌 때) 입력값이 특정 힘에 관계없이 항상 [0, 1] 내에서 유지되도록 합니다.

실종 모달리처리: F/T 데이터 (센서 오류, 하드웨어 구성) 없이 임시 F/T 처리할 경우, 훈련 중에 F/T 입력 전체의 확률은 10-20%로 0으로 풀어집니다. 이것은 F/T 데이터가 사용할 수 없을 때 비전을 통해서만 합리적인 예측을 할 수 있도록 정책에 가르치고 있으며, F/T는 가중일 때 개선이 가능하고, 어려운 의존성이 아니라

동작 예측 헤드 이전에 시각 코더 출력 및 proprioceptive 상태와 출력량을 연결한다. 훈련 시간 상용량은 시각 코더 앞을 통과하는 것과 비교해 미미하다 (5% 증가).

성능 영향: 숫자

힘으로 작동하는 조작과 시각으로만 조작하는 조작의 성능 차이는 로봇 문학에서 매우 크고 잘 기록되어 있다. 0.5mm 클리어런스 (clearance) 을 가진 구멍 삽입에 대해서는: 힘/토크가 지향하는 접근은 프랭카 리서치 3 팔에 ATI 지원 기준을 기반으로 비전에서만 62%에 비해 89%의 성공률을 달성한다.

케이블 삽입은 전자 제조업에서 가장 경제적으로 중요한 조작 작업일 수 있습니다. 이 같은 격차는 나타나고 있습니다. 손목 F/T 제어와 비교하여 71%의 시력만 사용되는 경우 94%의 성공이 나타납니다. 생산의 차이점은 71%의 성공률이 평균적으로 삽입당 1.4 번의 시도를 필요로 합니다. 94%에서는 1.06입니다. 하루에 10,000 개의 삽입으로, 이것은 직렬로 처리 용량으로 번역됩니다.

5mm를 초과하고 준수가 필요하지 않은 조작 작업에 있어서 시력만 접근하는 것이 종종 충분하다. 그러나 제한적 인 적합성, 슬라이딩 접촉 또는 섬세한 힘 제한을 포함하는 모든 것에 대해서는 힘 감지은 선택적이지 않으며, 그것은 가능하게 하는 기술입니다.

비용-이익 분석: 힘 감지 기능 을 언제 추가 해야 합니까?

강력 감지 하드웨어는 로봇 설정을 위해 1,5008,000달러를 추가하고 13일간의 통합 시간이 필요합니다.

  • ** 항상 정당하다:** < 1mm의 면적의 삽입 작업, 스냅 피트 또는 프레스 피트 연결 장치의 조립, 취약한 물체 (구조, 유리, 전자) 를 처리, 표면 추종 또는 화, 그리고 너무 많은 힘을 적용하면 손상을 입히는 작업.
  • 때문으로는 정당화됩니다: 물체의 무게가 달라지는 일반적인 픽앤포스 (힘은 운송 중에 포착 장애를 감지하는 데 도움이 됩니다), 충돌 감지가 신뢰성을 향상시키는 다중 물체 작업 및 접촉력이 품질 신호가 되는 품질 검사 작업.
  • ** 드물게 정당화:** 견고한 물체의 간단한 캔을 선택, 부드러운 지갑이 본질적인 준수성을 제공하는 작업 및 시각만으로 충분한 피드백을 제공하는 작업 (큰 진공, 접촉 정확성이 필요하지 않습니다).

ROI 계산: 부가력 감지 기능을 추가하면 하루에 1,000 주기를 실행하는 작업에서 작업 성공률이 15% 증가하고, 실패한 각 주기가 재작업 또는 정지 시간으로 $0.50가 소요되면 센서는 2-4 주 내에 스스로 보상합니다. 고부가가치 작업 (전자기계 조립, 의료 장치 처리) 에 대해서는 회수 기간은 종종 며칠으로 측정됩니다.

RCSV는 손목 F/T 센서, [Paxini 터틸 센서]T7), GelSight Mini, XELA uSkin 배열을 포함한 다양한 힘으로 조작되는 하드웨어를 보유하고 있습니다. 우리의 [데이터 수집 인프라]T8) 는 접촉 부양 정책을 훈련하기 위해 시크로네이션 힘/터틸 데이터를 비전과 함께 기록합니다. 파일럿 데이터 수집은 2,500 달러에서 시작됩니다. 현재 사용 가능성과 통합 지원에 대해 하드웨어 카탈로그를 탐색하십시오.

관련 독서

  • [다형 로봇 감지 가이드]
  • [로봇 카메라 설정]
  • [Grasp 계획 조사 2025]
  • [Teleop 데이터가 Sim를 왜 이길 수 있는지]
  • [로봇 데이터 해상]
  • [데이터 서비스]
  • [하드웨어 카탈로그]
  • [사사]

강제로 조작 스택을 활성화

RCSV는 접촉 부가한 조작 작업에 힘 감지 하드웨어, 통합 지원 및 데이터 수집을 제공합니다.

[점점 센서와 하드웨어]