UKF-Based Sensor Fusion for Joint-Torque Sensorless Humanoid Robots

📄 arXiv: 2402.18380v1 📥 PDF

作者: Ines Sorrentino, Giulio Romualdi, Daniele Pucci

分类: cs.RO

发布日期: 2024-02-28

期刊: 2024 IEEE International Conference on Robotics and Automation (ICRA)

DOI: 10.1109/ICRA57147.2024.10610951

💡 一句话要点

提出基于UKF的传感器融合方法以实现无传感器的关节扭矩估计

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 无迹卡尔曼滤波 传感器融合 人形机器人 关节扭矩估计 多模态测量 动态环境 控制架构

📋 核心要点

  1. 现有方法在没有关节扭矩传感器的情况下，难以准确估计人形机器人的关节扭矩，限制了其控制精度。
  2. 论文提出了一种基于无迹卡尔曼滤波的传感器融合方法，能够利用多模态测量和外部接触信息来估计关节扭矩。
  3. 实验结果表明，该方法在扭矩跟踪中表现出色，均方根误差低至0.05 Nm，显著优于传统的递归牛顿-欧拉算法。

📝 摘要（中文）

本文提出了一种基于无迹卡尔曼滤波（UKF）的新型传感器融合方法，用于在线估计没有关节扭矩传感器的人形机器人关节扭矩。该方法在特征层面考虑了多模态测量（如电流、加速度等）及非直接可测的效应，如外部接触，从而生成可用于人机交互控制架构的关节扭矩。此外，该传感器融合方法还能够集成分布式、非共置的力/扭矩传感器，展现出对底层机器人传感器配置的灵活性。通过在新型人形机器人ergoCub上的广泛测试，验证了该方法的有效性，并与基于递归牛顿-欧拉算法的现有方法进行了比较，结果表明该方法在扭矩跟踪中实现了低均方根误差，范围为0.05 Nm至2.5 Nm，即使在存在外部接触的情况下。

🔬 方法详解

问题定义：本文旨在解决人形机器人在缺乏关节扭矩传感器的情况下，如何准确估计关节扭矩的问题。现有方法如递归牛顿-欧拉算法在此场景下存在精度不足的挑战。

核心思路：论文的核心思路是利用无迹卡尔曼滤波（UKF）进行传感器融合，结合多模态测量（如电流和加速度）以及外部接触信息，从而实现对关节扭矩的实时估计。这样的设计使得系统能够在动态环境中保持高精度。

技术框架：整体架构包括数据采集模块、特征提取模块和UKF估计模块。数据采集模块负责获取多种传感器数据，特征提取模块则从中提取有用特征，最后UKF模块进行状态估计，输出关节扭矩。

关键创新：该研究的关键创新在于将UKF应用于多模态传感器数据的融合，尤其是能够处理非直接可测的外部接触效应，这在现有方法中尚属首次。

关键设计：在参数设置上，UKF的过程噪声和测量噪声的协方差矩阵经过精心调整，以优化估计精度。此外，特征提取过程中采用了加速度和电流的组合，以增强对关节扭矩的估计能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提出的方法在扭矩跟踪中实现了低至0.05 Nm的均方根误差，最高不超过2.5 Nm，显著优于基于递归牛顿-欧拉算法的现有方法，展示了在存在外部接触情况下的强大鲁棒性。

🎯 应用场景

该研究的潜在应用领域包括人形机器人在复杂环境中的自主操作、与人类的协作以及在服务机器人中的应用。通过提高关节扭矩估计的精度，该方法能够显著提升机器人在动态任务中的表现，具有重要的实际价值和未来影响。

📄 摘要（原文）

This paper proposes a novel sensor fusion based on Unscented Kalman Filtering for the online estimation of joint-torques of humanoid robots without joint-torque sensors. At the feature level, the proposed approach considers multimodal measurements (e.g. currents, accelerations, etc.) and non-directly measurable effects, such as external contacts, thus leading to joint torques readily usable in control architectures for human-robot interaction. The proposed sensor fusion can also integrate distributed, non-collocated force/torque sensors, thus being a flexible framework with respect to the underlying robot sensor suit. To validate the approach, we show how the proposed sensor fusion can be integrated into a twolevel torque control architecture aiming at task-space torquecontrol. The performances of the proposed approach are shown through extensive tests on the new humanoid robot ergoCub, currently being developed at Istituto Italiano di Tecnologia. We also compare our strategy with the existing state-of-theart approach based on the recursive Newton-Euler algorithm. Results demonstrate that our method achieves low root mean square errors in torque tracking, ranging from 0.05 Nm to 2.5 Nm, even in the presence of external contacts.