面向高振动机器人接触场景的无传感器力/力矩估计频率感知分解学习

arXiv:2604.12905v2 公告类型：替换交叉版本 摘要：力与力矩（F/T）传感器通过提供反应式反馈，使接触感知控制成为可能，但这类传感器通常易损且昂贵。为克服这些局限，无传感器方法仅依靠机器人的本体感知来估计 F/T 或力/力矩，并已在抓取等慢速交互任务中取得成功。然而，其低通特性限制了对高频信号的估计，而高频信号对于打磨等快速接触任务至关重要。此外，通信延迟还可能导致其估计结果在部署过程中滞后，但很少有方法直接解决这一问题。为弥补这些不足，我们提出 Frequency-aware Decomposition Network（FDN），以无传感器、多步超前的方式估计富含振动的力/力矩。针对更高频率的随机性，FDN 在频谱上将力/力矩预测时域分解为低频趋势和高频残差，并分别通过逐点回归和学习得到的条件分布进行估计。频率感知层为输出施加频带分解先验，并自适应地增强输入的频率幅值。FDN 在估计过程中既不需要已辨识的机器人模型，也不需要 F/T 传感器。在我们 6-DoF 液压机械臂采集的真实打磨数据上，在假设存在时间延迟的情况下，与基线方法相比，FDN 将高频幅值误差最多降低了 47%，同时保持了具有竞争力的低频逐点精度，而基线方法无法兼顾这两点。我们还发现，多步超前估计是可行的：在单个 CPU 线程上，FDN 能在 11 ms 内估计 1,000 ms 的预测时域。消融研究进一步支持了我们的设计选择。在一项探索性研究中，从一个开源日常操作数据集中迁移学习得到的力/力矩动态使低频误差降低了 8%，而高频动态似乎具有领域特异性。