联系销售
返回Blog

为什么接触力是机器人操纵的关键

如何改变操纵力感应 接触物理,为什么视觉本身会失败,以及接触丰富任务的实际策略.

机器人武器指南

T3)

仅仅视觉操纵达到基本的物理限制. 了解为什么和什么力量感觉增加对于任何构建精通机器人系统的人来说都是必不可少的.

联系问题

最先进的RGB-D感知系统在场景中的物体上实现2-5mm定位精度.这听起来令人印象深刻,直到你考虑了需要的精度组装:入孔插入宽度通常为+/-0.5mm,USB-A连接器插入为+/-0.3mm,SIM卡插槽需要+/-0.1mm. 视觉能解决什么和接触任务需要什么之间的差距是物理常量 没有更好的摄像头分辨率完全关闭它.

接觸本身是以相機看不见的方式改变系统状态.当抓住器手指与表面接触时,在毫米以下尺度上发生力量和变形.相机看到抓住器接近物体;它无法看到接觸是否稳定,滑动,或即将导致物体从抓住中转转.

合规与严格控制:基本选择

在讨论感觉力量硬件之前,对于接触任务,必须了解两个基本的控制理念:

**杆 (位置) 控制:**机器人不论外部力量如何,都会追踪指挥位置的轨迹.如果终端效应器遇到障碍,控制器会驱动高力来试图保持指挥位置.这是大多数工业机器人默认控制模式,并且适合在没有接触的自由空间运动. 在接触过程中,硬控制可以损害机器人,对象或两者.在 0.5mm 清除插入过程中, 1mm 位置错误会产生数百个纽顿的接触力.

** 符合 (阻力/容量) 控制:** 机器人在终端效应器上表现像虚拟弹系统.当它遇到外部力时,它产生,以与其大小相对的方向移动.硬度和压参数决定机器人在负载下"给予"多少. 机器人的硬度低 (50-200N/m) 使其非常适合,可用于接触探测.

阻力控制理论

控制器定义了最终效应器所需的机械阻力 (位置错误和应用力之间的关系):

F = K * (x__ वां望 - x_actual) + D * (v_ वां望 - v_actual) 哪里: K = 硬度矩阵 (6x6,对卡特斯人的斜面) D = 缩矩阵 (6x6) x = 终端效应对象姿势 (位置 + 方向) v = 终端效应对象速度 操纵的典型值: K_翻译 = 200-1000 N/m (符合方法) K_转换 = 10-50 Nm/rad (允许手腕的遵守) D_翻译 = 2*sqrt(K*m) (关键缩) D_转换 = 2*sqrt(K*I) (关键缩)

关键见解:阻抗控制不需要强力传感器. 它使用指挥位置和测量位置 (从联合编码器) 来估计应用强力. 然而,添加手腕F/T传感器使得可以进行 _explicit_力量测,比基于动态模型的估计更准确 (特别是关节中显著摩擦的手臂,其中包括大多数手臂在50K美元以下).

控制力方式

操作模式包括三个操作模式,覆盖了大多数接触操纵任务:

**1.纯阻抗控制:**设置在6个卡特西亚轴上所需的度.机器人在遇到意外接触时就像一个符合条件的弹一样,足够,以保持在空中轨迹.使用此作为任何潜在接触的任务的默认模式.不需要强力传感器 (但提高精度).

2. 强力/位置混合控制: 控制某些卡特西亚轴在位置模式下,其他在强力模式下. 经典的例子是表面抛光:控制X和Y在位置模式下 (遵循表面轨迹),同时控制Z在强力模式下 (保持5N对表面的接触力). 这需要一个强力传感器来测量控制的轴中接触力.

3. 强力引导搜索: 使用强力反来引导机器人走向目标配置. 入洞插入:将下移动到发现Z强力尖峰 (与表面接触),然后在X-Y中应用螺旋式搜索模式,同时保持低Z强力,直到滑入洞 (通过突然减少Z强力和增加插入深度检测). 这是一种没有精确视觉的精确插入标准工业方法.

Control Mode Sensor Required Typical Tasks 精度 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

联系机械基础知识

接触机械学的三个概念对于理解为什么感觉力量是重要的:

  • 摩擦: 摩擦内必须存在接触力,以避免滑动.半角是 (arctan) (mu),而mu是摩擦系数.对于钢上的 (在工业环境中常见),mu = 0.3.对于玻璃上的 (silicone),mu = 0.5.摩擦外测量的接触力预测即将滑动的信息,而没有摄像头可以提供.
  • ** 强力闭合与形式闭合:** 形式闭合抓取仅仅通过几何学来限制对象 (例如,在匹配的V槽中抓住).强力闭合抓取通过从多个方向施加接触力来限制对象,使它们的摩擦角座一起阻止任何硬体运动.强力传感器可以让您验证您已经实现了强力闭合;视觉不能.
  • 可伦布摩擦模型: 预测滑动的标准模型: F_tangential E <= mu x F_normal. 在接触点测量F_normal使您计算滑动前最大的力,这是精巧操纵的基本限制.

视力失败的现实

在实际操纵系统中,主要存在三个故障模式:

  • 接近时罩: 当抓住器接近抓住物体时,手指遮盖接触表面.相机在接近后2-5厘米时就会消失,这是最关键的阶段,以准确地放置.
  • **近距离音:**由于自抓器本身的结构性光 interference 和 IR 反射,深度传感器在工作距离以下的精度丧失.在典型的操纵距离上运行的手腕安装摄像头在可靠的距离边缘运行.
  • **抓地表面上的深影:**抓地结构在抓地目标表面上投射深影,在最好的定位需要的地方就会在点云中产生缺失的数据.

强力传感器类型:详细的比较

Sensor Type What It Measures 精度 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

实际例子 接触感觉使任务能够完成

以下是发表的研究和RCSV内部项目中的具体例子,其中增加力/触觉感觉使得仅仅视觉无法完成的任务实现:

**Peg-in-hole插入 (0.5mm清除):**一只Fanka Research 3臂,配备ATI Mini45手腕F/T传感器.控制器采用螺旋搜索策略:下降到Z-force超过5N (与表面接触),然后在X-Y中螺旋向外,同时保持3N Z-force下降 (peg入孔).成功率:89%在F/T中,而仅为视力:62%. 光传感器检测到0.1mm内的洞入口,低于任何实际深度摄像头设置的分辨率.

PCB连接器组装: USB-C连接器需要+/-0.3mm的对齐和10-15N的插入力应用于正确的方向.只能视觉的政策可以将连接器定位在1-2mm内,但不能控制插入力. 加入手腕F/T传感器可实现强力限制插入,并实现合规性. 控制器在插入方向应用12N,同时允许+/-5mm的垂直轴合规性.成功率从45% (仅视力) 跳到92% (视力+F/T).

蛋抓取和转移:蛋按方向大约以30-50N的力破裂.标准的平行爪抓住器命令用恒定的力关闭,将无法抓取 (过少的力) 或破蛋 (过多). 加入指尖强力传感器使得强力有限的抓住能够闭上,直到8N被检测到,保持在这种强力,并只在加速阶段增加到12N,以防止滑动.200次试验中零蛋破裂与没有强力感测的15%破裂.

**表面接下来 (抛光,擦拭):**在跟随不规则的表面形状时保持一致的5N接触力.视觉可以在接触之前估计表面几何,但无法测量在擦拭期间的实际接触力.在平面轨迹时,一个力/位置混合控制器保持5N在表面正常方向. 力量变化:F/T控制的+/-0.3N,与位置控制的+/-3N (根据动态模型估计).

关键文件和系统

  • 根,1985年"阻力控制":** 建立阻力控制理论的基础论文.
  • 雷伯特和克雷格,1981年"混合位置/力控制": 引入了在直角任务空间方向独立控制位置和力的概念.所有现代力/位置混合控制器的基础.
  • Calandra等., 2018 "不仅是一种感觉": 证明GelSight触觉感觉能够抓住视觉无法感知的物体 (透明,反射,薄). 这篇论文认为触觉感觉是一种实用工具而不是研究好奇.
  • **Qi et al., 2023 "一般手中物体旋转":**使用触觉传感器与RL实现任意物体手中旋转. 显示触觉反是必要的手中操纵 仅视觉政策在旋转任务的成功率达到30%而触觉支持的政策达到85%.
  • **Suresh et al., 2024 "神经接触领域":**从触觉传感器读取中学会了接触预测,从而实现了基于模型的规划,用于接触丰富的操纵.

电磁传感器比较:详细规格

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

内置F/T传感器. 许多现代机器人手臂包括内置关节扭矩传感器或手腕F/T估计,而无外部传感器. UR5e和UR10e在工具上提供内置F/T估计,使用电动电流测量 - - 较不准确 (2-5N分辨率) 但足以检测碰撞和粗量接触任务.对于预算的团队来说,内置F/T估计可以消除不需要低于牛顿精度的任务时需要外部传感器的需求.

传感器选择指南: 对于从力感测开始的研究实验室,Robotiq FT300提供了最佳价值 - 它具有广泛的力范围,通过标准工具带轻松与 UR 和 Franka 臂相结合,其100 Hz 带宽足以用于大多数操纵控制循环. 对于需要低于牛顿分辨率 (微组装,医疗设备处理) 的精度任务,ATI传感器尽管成本更高,但它们是标准选择.Bota SensONE在适度的价格点上提供了最佳分辨率和带宽的组合,并且在研究环境中正在获得热门. 机HEX专门用于协同机器人集成,提供了最简单的插件和播放设置.

阻力控制的实施

下面的Python代码为7DOF机器人臂实施了卡特西亚阻力控制.这是之前讨论的阻力控制理论的实际实施,适合与ROS2控制框架集成.

# 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]

调整指南: 开始从上面所示的度值,根据您的任务调整.对于自由空间运动 (没有接触预期),将K提高到1500-3000N/m,以便明确地跟踪轨迹. 缩比应保持接近缩率 (缩因子 = 1.0) 防止振荡.缩不足的系统在接触时振荡;过度缩的系统感觉很缓慢,对力变化反应缓慢.

特定任务的接触传感要求

了解这些要求可以防止不充分规范 (传感器无法解决重要接触事件),以及过度规范 (付费为不需要的精度).

**入洞 (0.1mm耐受性).**这是可视精度接触任务.入洞的力可以驱动它回家之前,必须在0.1mm内与洞进行排列.视觉可以将洞定位在1-2mm;剩余的0.1mm的排列必须来自力引导搜索. 需要传感:在XY (侧) 轴上具有0.1N分辨率以下的6轴手腕F/T传感器,在Z (插入)轴上具有1N分辨率以下的控制器通过监测Z-强度突然下降 (从表面接触力到接近零的杆进入时).ATI Mini45或Bota SensONE是适当的传感器.成功率改善: 62% (仅视力) 至 89% (视力 +F/T).

蛋处理 (30-50N折断门).蛋需要5N (运输期间安全抓住的最低值) 和30N (侧面加载的折断门) 之间的抓住力. 6x的力边缘似乎舒适,但在动态条件下会缩小 - - 运输过程中的加速增加了惯性负载,可以将抓住力推高于折断门. 需要传感:手指尖强度传感器 (Bota SensONE或 Paxini) 具有0.1N分辨率和100+Hz带宽.控制器在加速阶段从5N到8N的抓紧力,在稳定状态运输期间返回5N. 断裂率:15%没有强度传感,0%在强度传感 (200次试验评估在RCSV).

**织物操纵 (尼顿下力).**从表面上提取单层的织物需要检测到0.1-0.5N的接触力,并控制点力,以不结一个层.手腕F/T传感器缺乏对此任务的分辨率 - 传感器噪声和重力补偿错误中信号丢失. 需要感知:触觉阵列 (GelSight Mini或 Paxini) 可以解决微米接触几何学和微米0.1N切割力.触觉图像显示一个或多层的织物是否被抓住,这对摄像头和手腕F/T传感器都看不见.

**PCB组件插入 (5-15N,0.3mm对齐).**表面安装和孔孔组件插入需要将带与带孔配合到0.3mm,并使用5-15N插入力,而不带.插入过程中的力配置是诊断性的:一个光滑的力表示正确的对齐;一个随着下降的力标志着曲. 需要感知: 6 轴手腕F/T 具有0.05N分辨率.控制器在执行螺旋图案时应用一个恒定的3N搜索力,直到导线找到孔 (通过力降检测),然后切换到15N力限制的恒定速度插入.

触觉感知:手腕外 F/T

腕部安装的F/T传感器测量手腕关节的总力/扭矩,从而捕获了抓住器与环境之间的净相互作用.安装在抓住器手指或抓住器手指上的触觉传感器测量了接触接口的局部压力分布.这提供了基本不同的信息.

GelSight / GelSight Mini. 光学触觉传感器可以以30fps捕获高分辨率 (640x480) 的变形接触表面图像.GelSight可以检测表面纹理,估计接触正常情况,测量切割力 - - 这对手腕F/T传感器而言是不可见的信息.价格:每手指500-1,500美元.理想用于:滑动检测,表面质量检查,触摸对象识别.

**XELA uSkin.**可容量触觉传感器阵列,可在灵活传感器上提供100Hz的空间分布压力读数.分辨率: 4mm空间,0.1N强力.可在曲线的抓住面上按一下安装.价格:每阵列2000-5000美元.理想的:抓住稳定监测,手中操纵,多点接触估计.

**Paxini触摸传感器.**可通过 [RCSV硬件目录]T4提供优化用于平行爪抓住器的压力分布传感器.直接与OpenArm 1抓住器安装接口集成.

新兴:基于学习的触觉传感器. 越来越多的触觉传感器使用神经网络来估计来自原始传感器数据的接触属性.GelSight型传感器产生可通过标准视觉模型处理的图像,以估计接触正常,摩擦系数和滑动概率. 优势与传统容量传感器:来自单个传感器的更丰富的联系信息. 缺点:推断延迟 (5-15ms对于ResNet-18处理240x320触觉图像) 和培训数据的必要性来校准神经估计器. 对于已经使用学习操纵策略的团队来说,添加学习触觉处理模块是具有架构一致性,并提供补充的联系信息.

**当使用触摸与手腕F/T时.**使用手腕F/T用于:粗势控制 (插入,组装),碰撞检测,阻力控制.使用触摸传感器用于:在运输过程中发现滑动,基于纹理的物体分类,稳定的抓住验证和在当地接触几何学方面处理可变化的物体. 为了最大的容量,使用两种方法:控制循环的手腕F/T和触觉传感器,用于抓住监测和滑动预测.

集成力量数据到学习管道中

对于培训团队 (模拟学习) 关于接触式任务的政策,应将力/扭矩数据作为相机图像和联合状态的附加观察道.

  • **数据格式:**记录F/T读数作为传感器框架中的六维向量 (Fx, Fy, Fz, Tx, Ty, Tz) 在30Hz (从原始500-1000Hz传感器速度下调以匹配摄像头框架速度).
  • 正常化: 通过传感器的指标范围正常化F/T读数 (例如,为ATI Mini45将强力分为100N,扭矩分为10Nm). 这使得值保持在类似于正常化的关节角和图像特征的范围内.
  • 特征提取: 为了简单的整合,将原始6DF/T向量与自体感受状态向量连接,并将它们都输入到政策状态编码器中.
  • 预期改善: 加入F/T观察到政策输入中,仅对视觉+自觉化 (插入,组装) 具有接触丰富的任务的成功率提高了10-25%;对于没有显著的接触要求 (空域选择) 的任务,改善是边缘的 (<5%).

控制力安全:保护硬件和工件

没有适当的安全限制的强力控制对机器人和它操纵的物体都具有危险性.

  • 硬力限制: 设定每轴的绝对最大力门值 (例如,在桌面操纵设置上,Fx/Fy为50N,Fz为80N).如果任何轴超出门值,控制器立即转向符合的重力补偿模式.这些限制保护控制器的错误,意外碰撞和传感器故障.
  • 强度限制: 限制命令力变化速度 (例如,最大20N/s). 这可以防止突然的强力冲动损害微妙物体或机器人的轮.
  • 接触监视犬: 如果F/T传感器超过预期的门 (例如,在2秒内完成任务时,超过5秒),触发时间过关并退缩. 这可以捕捉控制器在不取得进展的情况下向阻碍物推进的情况.
  • **传感器健康监测:**检查传感器的F/T度 (所有读数最大),传感器的断开 (读数跳到零),以及过度噪音 (变量超过基线的5倍).

精确的装配的强迫导向搜索策略

对于需要分毫米的配列 (连接器插入,插孔插孔,螺丝启动) 的任务,视觉本身无法提供足够的精度. 强力引导搜索策略使用F/T传感器反来通过控制接触来确定准确的配列位置.

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%

学习的残留方法是目前的技术状态:使用经典搜索策略 (螺旋或梯度下降) 作为基调控器,然后训练一个小型神经网络在F/T传感器历史记录预测纠正.网络学习了力量签名和最佳搜索调整之间的关系,您的特定硬件和任务几何. 这种混合方法在复杂插入任务上始终超过纯经典和纯学习控制器的5-8%.查看我们的 [经典与学习机器人指南]T6) 查看完整的架构.

强度传感器集成检查列表

对于增加强力感觉到现有操纵设置的团队,本清单涵盖了经常错过的关键集成步骤.

  1. 机械安装. 安装F/T传感器在机器人的手腕和抓住器之间.确保安装界面是刚性 - - 传感器和抓住器之间的任何合规性会引入测量错误.使用传感器制造商建议的安装螺栓和扭矩规范.对于ATI传感器,扭矩为2.5Nm;对于Robotiq FT300,使用提供的适配板.
  2. **重力补偿.**传感器以恒定的偏移来测量抓紧器的重量.在启动时,通过在5+臂配置 (不同方向) 记录读数并安装重力补偿模型来校准这一偏差.没有重力补偿,随着臂部移动,"零力"读数变化为2-10N,掩盖实际接触力.
  3. **电气噪音降低.**F/T传感器电缆容易受到伺服电机的电气噪音.将电缆从电动电源电缆中移开.使用屏蔽电缆,只将屏蔽在一端 (传感器端) 停下来.如果您看到60Hz噪音在力读数中,请检查地面环节.
  4. **与摄像头和关节的同步.**确保F/T读数与摄像头框架和联合编码器读数有时间标记和同步.对于学习管道,F/T和摄像头数据之间的时间标记偏移超过20ms会降低政策质量.使用硬件同步 (PTP或触发信号) 而不是软件时间标记以获得最佳结果.
  5. **录制带宽.**F/T传感器以500-7000Hz的原产量输出.对于学习管道,使用平均镜下样30-50Hz (相匹配摄像头框架速度).用于实时力控制,使用全原产带宽.存储下样和原始数据 - 高带宽数据是用于后处理的接触事件检测.

常见的力感失效模式和调试

了解这些故障模式及其诊断标志可以节省几个小时的调试时间.

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

据了解,RCSV在线电脑系统中使用了强度传感器调试的诊断套件,包括精度强度测量器 (Omega DFG35,0.01N分辨率),电缆测试器和一组校准权重.租用RCSV硬件收集数据的团队可以访问该套件以及我们的传感器集成支持.

训练管道中的力量数据:建筑模式

对于将力/扭矩数据纳入学习的操纵策略,有三个已经过验证的架构.

模式1:早期融合 (结). 结6DF/T向量与政策状态编码器之前的自觉感受状态 (关角,速度).这是最简单的方法,并且在强力信息补充视觉时很好工作.典型的改善:接触丰富的任务:8-15%. 作为默认的起点,使用此.

**模式2:时间卷积在力史上.***而不是即时的6D读取,通过1D卷积网络传递F/T历史的最后0.5-1.0秒 (15-30读取在30Hz) 通过时间卷积的特征 (接触开始,力坡,振荡频率).结果的特征向量是连接的视觉特征. 对于插入任务,这种模式是优秀的,在这种情况下,力轨迹形状是诊断性的.

模式3:强力定制注意. 在变压器政策中,使用强力读数作为跨注意的定制信号.视觉代币会关注强力特征,使得政策能够学习什么时候根据感觉来看视觉区域.这是最具表达性的架构,但需要500多个示范才能有效训练. 典型的改进:多阶段接触任务 (搜索,插入,验证) 上 20-30%. 仅使用大量数据和具有不同的力调节阶段的任务.

# 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)

这种时间编码器产生了紧的32维特征向量,捕捉到最后一秒的力动力. 卷积架构是偏好于平坦的F/T历史上的多层感知器,因为它保留了时间位置 - 核学会检测特定的时间模式 (力,振荡,步骤变化) 不管它们发生在历史窗口中的时间.

**训练提示:**在F/T观察训练时,通过传感器的额定范围 (而不是数据集的实验统计数据) 将强力值正常化.使用实验正常化在部署任务产生训练分布之外的强力时会导致问题 - - 正常化值将超过 [0, 1],政策将获得出于分布输入. 基于范围的正常化 (将Fx分为传感器的Fxmax) 确保输入始终保持在[0, 1]内,无论遇到的特定力量.

** 缺失模式处理:** 如果你的部署有时会没有F/T数据 (传感器故障,硬件配置不同),随机F/T中断训练:在训练期间,全F/T输入率为10-20%的概率. 这教导了政策,在没有F/T数据时,仅仅从视觉上做出合理的预测,而在存在时,F/T提供了改善,而不是是一个难以依赖的因素.

训练时间上空费率与视觉编码器前进传递相比是微不足道的 (5%的增加).

绩效影响:数字

强力操作和仅视力操作之间的性能差异在机器人文献中很大,并且已得到充分记录.对于5mm的清除:强力/扭矩指导方法达到89%的成功率,而仅视力方法达到62%的成功率,基于在Franka Research 3臂上的ATI赞助的基准.

电缆插入 可能是电子制造业最重要的经济操纵任务 显示出类似的差距:手腕F/T控制的94%的成功率与仅71%的视力差异.生产中的差异是:平均每次插入的成功率为71%需要1.4次尝试;94%,每天的插入率为1.06.每天的10,000次,这直接转化为产量能力.

对于处理任务,容量超过5mm,并不需要遵守,仅视觉方法通常是足够的.但对于任何涉及限制适应,滑动接触或微妙的力限制的东西,

成本效益分析:何时增加强力感应

强力感知硬件将为机器人设置增加1,500至8,000美元,需要1-3天的集成时间.

  • 总是合理的: 插入距离 <1mm,装配即时或按压连接器,处理脆弱物体 (蛋,玻璃,电子),表面追踪或抛光,以及任何施加过多的力造成损害的任务.
  • **有时可以证明是合理的:**一般的物体重量不同的地方 (力帮助检测在运输过程中抓住故障),多物体任务,碰撞检测提高了可靠性,以及质量检查任务,接触力是质量信号.
  • 很少有理由: 简单的可靠物体的垃圾选,软带的任务提供固有的合规性,以及仅视力提供足够的反 (大距离,不需要接触精度).

增强效率计算:如果加强度感应在每天运行1000个周期的任务上增加15%的任务成功率,并且每个失败周期的重复工作或停机成本为0.50美元,传感器在 2-4 周内自行支付.对于高价值任务 (电子设备组装,医疗设备处理),回报期通常以几天计.

瑞士电脑系统 (RCSV) 拥有各种功能强力操纵硬件,包括手腕F/T传感器,[Paxini触觉传感器]T7),GelSight Mini和XELA uSkin阵列.我们的 [数据收集基础设施]T8) 记录与视觉一起同步的强力/触觉数据,用于培训接触丰富的政策. 试点数据收集从2,500美元开始. [浏览硬件目录]T9) 查看目前的可用性和集成支持.

相关阅读

  • 机器人传感指南
  • 机器人摄像头设置
  • T12) 关于"Grasp计划调查2025"的研究
  • [为什么Teleop数据比Sim]
  • 机器人数据注释
  • [数据服务]
  • 其他类型的设备
  • T17

强迫你操纵堆

对于接触丰富的操纵任务,RCSV提供了强力感知硬件,集成支持和数据收集.

,我知道,我知道,