MOB-Net: Limb-modularized Uncertainty Torque Learning of Humanoids for Sensorless External Torque Estimation

📄 arXiv: 2402.11221v2 📥 PDF

作者: Daegyu Lim, Myeong-Ju Kim, Junhyeok Cha, Jaeheung Park

分类: cs.RO

发布日期: 2024-02-17 (更新: 2025-01-23)

备注: Published to IJRR

期刊: The International Journal of Robotics Research. 2025;44(1):96-128

DOI: 10.1177/02783649241260428

💡 一句话要点

提出MOB-Net以解决高维人形机器人外部关节扭矩估计问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 外部关节扭矩估计 人形机器人 模型不确定性 深度学习 碰撞检测 安全控制

📋 核心要点

  1. 现有的动量观察器（MOB）在高维浮动基座人形机器人中面临模型不确定性导致的估计性能下降问题。
  2. 本文提出MOB-Net，通过学习模型不确定性扭矩并校准MOB的估计信号，实现高效的外部关节扭矩估计。
  3. 实验结果表明，MOB-Net显著降低了估计误差，并在多种碰撞处理场景中展示了其应用潜力。

📝 摘要（中文）

动量观察器（MOB）能够在不需要额外传感器的情况下估计外部关节扭矩。然而，由于模型不确定性，包括建模误差和关节摩擦，MOB的估计性能会下降。尤其在高维浮动基座人形机器人中，估计误差显著，限制了其在力控制和碰撞检测中的应用。本文提出了一种名为MOB-Net的纯外部关节扭矩估计方法，能够学习模型不确定性扭矩并校准MOB的估计信号。该方法仅依赖内部传感器（如IMU和编码器）即可在广义坐标下估计外部关节扭矩，显著降低了MOB的估计误差，并通过广泛的仿真、真实机器人实验和消融研究验证了其对未见数据的鲁棒性。最后，展示了使用MOB-Net估计的外部关节扭矩在多种碰撞处理场景中的应用。

🔬 方法详解

问题定义：本文旨在解决高维浮动基座人形机器人中外部关节扭矩的估计问题。现有的动量观察器（MOB）由于模型不确定性（如建模误差和关节摩擦）导致估计性能下降，限制了其在实际应用中的有效性。

核心思路：MOB-Net的核心思路是通过学习模型不确定性扭矩并校准MOB的输出信号，从而提高外部关节扭矩的估计精度。该方法仅依赖内部传感器，避免了额外传感器的需求。

技术框架：MOB-Net的整体架构包括数据采集、模型训练和估计输出三个主要模块。首先，通过内部传感器收集数据，然后利用深度学习模型进行训练，最后输出校准后的外部关节扭矩估计。

关键创新：MOB-Net的主要创新在于其能够有效学习和校准模型不确定性，从而显著提升了MOB在高维人形机器人中的估计性能。这一方法与传统的依赖额外传感器的估计方法有本质区别。

关键设计：在MOB-Net中，关键设计包括选择合适的损失函数以优化模型的学习过程，以及设计适应高维数据的网络结构。这些设计确保了模型在面对复杂动态环境时的鲁棒性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，MOB-Net在外部关节扭矩估计中显著降低了估计误差，相较于传统MOB方法，提升幅度达到XX%。此外，MOB-Net在未见数据上的鲁棒性得到了验证，展示了其在实际应用中的有效性。

🎯 应用场景

MOB-Net的研究成果在多个领域具有潜在应用价值，包括人形机器人在复杂环境中的自主运动、碰撞检测与反应、以及安全控制等。通过提高外部关节扭矩的估计精度，MOB-Net能够增强机器人在动态环境中的适应能力和安全性，推动人形机器人技术的进一步发展。

📄 摘要（原文）

Momentum observer (MOB) can estimate external joint torque without requiring additional sensors, such as force/torque or joint torque sensors. However, the estimation performance of MOB deteriorates due to the model uncertainty which encompasses the modeling errors and the joint friction. Moreover, the estimation error is significant when MOB is applied to high-dimensional floating-base humanoids, which prevents the estimated external joint torque from being used for force control or collision detection in the real humanoid robot. In this paper, the pure external joint torque estimation method named MOB-Net, is proposed for humanoids. MOB-Net learns the model uncertainty torque and calibrates the estimated signal of MOB. The external joint torque can be estimated in the generalized coordinate including whole-body and virtual joints of the floating-base robot with only internal sensors (an IMU on the pelvis and encoders in the joints). Our method substantially reduces the estimation errors of MOB, and the robust performance of MOB-Net for the unseen data is validated through extensive simulations, real robot experiments, and ablation studies. Finally, various collision handling scenarios are presented using the estimated external joint torque from MOB-Net: contact wrench feedback control for locomotion, collision detection, and collision reaction for safety.