ロボットシステムの識別は、指令された動きと測定された応答から数学的モデルを推定します。マニピュレーターの場合、ターゲットには慣性結合、重力、摩擦、モータートルク定数、伝達効果、またはフレキシブルモードが含まれます。目的は一つの丸太を完璧に再現することではなく、新しい動きに対する有用な挙動を予測するモデルを得ることです。
ワークフローは回帰の前から始まります。座標、センサーの意味、アクチュエータ経路を定義しなければならず、その後、ロボットは関心のある項を励起する安全な軌道を必要とします。位置、速度、加速度、トルクの証拠は時間ベースを共有しなければなりません。推定は、観測可能性、ノイズ、物理的制約を考慮した後にのみ行われます。
このガイドは ロボットジョイントアクチュエーターテストガイド および 逆運動学対逆動力学ガイドと組み合わせてご利用ください。低い訓練残差は、特定可能で物理的に妥当または移転可能なモデルの証拠ではありません。
データを収集する前にモデルを定義する
モデルが表現する入力、出力、状態、参照フレームを選択します。剛体逆動力学モデルは運動と加速度をジョイントトルクにマッピングし、アクチュエータモデルは電流をモータートルクにマッピングし、トランスミッション損失を含めることができます。柔軟な継手、ケーブルの力、温度依存の摩擦は追加の項や明確に制限された動作範囲を必要とします。
ドキュメントユニット、符号規則、ギア比、ペイロード、ツールフレーム、コントローラーモード、そしてドライブ内で既に有効になっている補償。そうでなければ、推定パラメータが隠れた重力、フィルタリング、または内輪の挙動を吸収してしまうことがあります。命令電流で識別されるモデルと、測定された出力トルクから識別されるモデルは、両者ともトルクという言葉を使っていても異なります。
すべての物理パラメータが個別に識別できるわけではありません
ロボット逆動力学はしばしばパラメータベクトルを掛けた回帰計として表せますが、その回帰計の列は利用可能なメカニズムや測定値に線形依存することがあります。この場合、ベースパラメータまたは識別可能なパラメータと呼ばれる組み合わせのみを復元できます。すべてのリンク質量と慣性を独立した測定真実として報告することは、データに含まれる内容を過大評価しています。
ランク、特異値、パラメータ共分散を使って弱い方向を見つけます。リパラメーションや正規化は明示的な事前条件でのみ行う。数値的な答えでは情報が欠落しないからだ。CAD値は事前値や特定不能な項を補完することがあり、実験は測定されたダイナミクスに実質的な影響を与える組み合わせを推定します。
| モデル用語 | 証拠が必要です | 共通の交絡因子 | 有用なチェック |
|---|---|---|---|
| 剛体慣性 | 変化加速度と姿勢 | ペイロードまたはフレームエラー | 基本パラメータランク |
| 重力 | ポーズカバレッジ | ジョイントゼロオフセット | スローポーズスイープ |
| 粘性摩擦 | 両方の速度方向 | 逆起電力またはフィルタリング | スピードスイープ |
| クーロン摩擦 | 低速リバーサル | スティクションとヒステリシス | 方向比較 |
| アクチュエータ利得 | 独立トルク参照 | 送電効率 | ロードセルキャリブレーション |
情報と安全性のための設計励起
識別軌道は、選択された項を分離するために関節の位置、速度、加速度を十分に変化させる必要があります。多正弦波軌道やフーリエ級数軌道は、帯域幅と振幅を制御できるため一般的です。正確な設計は、サンプリングされたウェイポイントだけでなく、ロボット全体の関節、速度、加速度、電流、トルク、衝突、作業空間の制限を尊重しなければなりません。
回帰器条件指標などの情報指標を最適化し、保守的極限を用いて候補の軌道をシミュレートします。速度とエネルギーを減らして開始し、追跡と中止条件を監視し、キャリブレーション誤差のクリアランスを保持します。より攻撃的な動きがドライブを飽和させたり、未モデルの柔軟性を刺激したりすると、必ずしも情報量が増えるわけではありません。
同期測定は使用可能な帯域幅を決定します
タイムスタンプの位置、電流、トルク、外部センサーを物理的なサンプリングポイントで可能に記録します。定遅延は位相やバイアスの慣性、減衰推定を回転させることができます。可変遅延は誤差を広げます。リサンプリングは、未知の取得パイプラインで失われた情報を復元するものではありません。クロック関係と対数シーケンスのギャップを測定します。
速度、特にエンコーダの位置から導かれる加速度は量子化やノイズを増幅します。動作帯域幅とフィルタリング、微分を選択し、遅延を考慮しましょう。利用可能な場合は測定速度、平滑化された微分、推定量ベースの微分を比較してください。フィルターのカットオフと位相挙動を報告し、同定を再現できるようにします。
リジッドボディトルクとアクチュエータ効果の分離
測定されたモーター電流はトルク定数、伝動比、効率、摩擦、コントローラーの挙動を経てから、ジョイント出力トルクを示します。摩擦は方向、速度、温度、前荷重、滞留によって異なる場合があります。クーロンプラス粘度モデル1台は1つの動作帯には十分かもしれませんが、反転やウォームアップに偏っています。
専用の低速かつ双方向の試験を行い、摩擦の非対称性を明らかにし、どの効果がプラントモデルに属し、どれが残留不確実性のままであるかを判断します。電流ループの飽和、重力補償、フィードフォワードログを保持してください。アクティブ補償器を静かに含むパラメータ推定値は、その補償因子が変更されたときに失敗します。
| データ問題 | 推定値への影響 | 検出 | 緩和策 |
|---|---|---|---|
| クロックオフセット | 偽減衰または慣性 | 交差相関およびタイミング試験 | ハードウェアタイムスタンプ |
| 加速騒音 | 高トルク残留 | スペクトラムとリピートラン | 帯域幅認識微分 |
| 現在の飽和状態 | クリップされたアクチュエータ利得 | ドライブ状態と指揮の隙間 | 励起を低減する |
| 熱摩擦ドリフト | ランオーダーバイアス | 気温の傾向 | ウォームアップと層化 |
| ペイロードミスマッチ | 誤った慣性項 | 構成比較 | 記録工具と荷重 |
物理的な解釈が必要な場合は制約付き推定を用いる
通常の最小二乗法は、ノイズが主にトルクにあり、回帰器が適切に調整されている場合に有用な基準線です。加重最小二乗法はチャネル分散を表すことができ、ロバストロスは孤立した外れ値の影響を軽減します。モーション変数がノイズがある場合、回帰関数が正確であると仮定するのではなく、変数の誤差効果を考慮する必要があります。
物理的一貫性制約により、負の質量や無効な慣性テンソルのような不可能な慣性結合を防ぎます。 物理的に一貫した慣性識別 の研究は、合理的な剛体が元素ごとの境界よりも構造を課す理由を示しています。制約は目的関数とソルバーで報告すべきです。弱励起を補うことはできません。
残留構造は欠落した力学を明らかにする
残留トルクを時間、ジョイント位置、速度、加速度、方向、温度、指令荷重に対してプロットします。白色の小さな残差は有望ですが、周期的、符号依存、姿勢依存のパターンはコッグ、摩擦、較正、運動学的誤差を示しています。単一の平均二乗根値がこれらの診断関係を隠します。
交差ジョイントの残差相関や周波数スペクトルを確認してください。フレキシブルモードは平均誤差が低くても狭い周波数ピークを生み出すことがあります。同じ励起を繰り返して測定の変動を推定します。ウォームアップ後に残差が変化する場合は、モデルに温度を含めるか、互換性のないランを平均化する代わりに熱エンベロープを記載してください。
フィッティングに使われない動作の検証
装着前に軌道、ペイロード、速度帯を予備しておきましょう。特定されたモデルを使って、そのテストセットのパラメータを調整せずにトルクや前方応答を予測します。CADパラメータや重力のみの補償のような単純な基準と比較して、改善に意味のある基準を持たせましょう。
ホールドアウト検証には、意図されたエンベロープ内での補間や意図的な境界ケースを含めるべきです。平均値、パーセンタイル、最悪残差数、さらに改善の追跡やシミュレーター予測などのタスク関連効果を報告します。同じ軌跡の隣接サンプル間の相互検証は、サンプル同士が強く相関しているため誤解を招くことがあります。
モデルの品質は意図された用途によって異なります
逆動力学フィードフォワードモデルは、高帯域幅の観測者を不安定化させる誤差を許容することがあります。シミュレーターには重力補償器にはない前方ダイナミクス、接点、アクチュエータの制限が必要です。モデル複雑度を選択する前に、下流の目的、更新率、許容される予測誤差を明記してください。
展開時には、 モデルをジョイントゲインチューニングワークフロー および 衝突検出ガイドと比較してください。フィードバックの安定性と保護は、モデルの正確さに依存しないように保つこと。識別はコントローラー入力を改善します。完全なモーションシステムを認証するものではありません。
再現可能なパッケージには証拠が含まれています
ロボットの記述、ペイロード、ファームウェア、制御ゲイン、推定コード、キャリブレーション、軌道ジェネレーター、生のタイムスタンプ、未改変のセンサーログをアーカイブします。フィッティングパラメータ基底と変換を報告された物理量に保存します。回帰関数の定義がないパラメータテーブルは独立して解釈できません。
ロボット接触における物理的に一貫した識別に関する最近の研究は、最適化手法が変化する中でも測定の選択と構造的仮定が中心であり続けていることを示しています。トレーニングと検証の分割、残差プロット、パラメータの不確実性、既知の除外を公開し、別のチームが移行を判断できるようにします。
- 座標、アクチュエータ経路、補償状態を定義してください。
- 検証された範囲内で情報提供の軌道を設計すること。
- 生の測定値を同期・保存する。
- 推定はサポートされたパラメータの組み合わせのみです。
- 保留動議を検証し、残留証拠を公表すること。
よくある質問
1つの軌道ですべてのロボットパラメータを識別できるのでしょうか？
通常はそうではありません。識別可能性は機構、センサー、モデル、励起に依存します。推定値は基準とパラメータの組み合わせを支持し、どの項が事前から来たかを明示しました。
CADパラメータは破棄すべきでしょうか？
いいえ。CADは特に観測が弱い項に対して有用な基準値かつ事前量です。測定された識別は、操作ロボットに影響を与える組み合わせを精緻化できます。
なぜ加速フィルタリングは結果を変えるのでしょうか？
微分はエンコーダノイズを増幅し、フィルタリングは減衰と位相遅延を加えます。どちらも逆動力学回帰器、つまりフィットパラメータを変えます。
低いフィットミスが正しいモデルであることを証明するのでしょうか？
いいえ。過学習、遅延、隠れた補償、相関データなどは、低いトレーニング残差を生み出す可能性があります。予測と残差構造が必要です。
ロボットはいつ再識別されるべきですか？
ペイロード、トランスミッション、潤滑、センサー、ファームウェア、コントローラーの変更後、そして残留傾向が温度や摩耗を示し、検証された範囲外で再確認してください。
システム識別証拠境界
システム識別は、指定されたセンサー、励起、構成および動作条件の下でモデルを推定します。独立したフィードバック限界を維持し、ロボット全体に対する制御や安全使用の検証を行います。