Learning-driven sensorless interaction force estimation for low-cost robot arm with limited dynamic features
Notice bibliographique
Résumé
Precise measurement of the interaction force between the robot and its environment benefits the decision-making processes in various robotic applications. Compared with sensor-based methods, sensorless approaches are commonly preferred due to their versatility and cost-effectiveness. This paper introduces a learning-based method that leverages the state-of-the-art transformer to accurately estimate the interaction force. In contrast to other estimation methods relying on accurate robot dynamic parameters, state information or image features, a notable innovation of our work is the utilization of the limited set of features. The elaborate feature set only includes the joint angle, velocity, and driven torque, with the omission of joint acceleration—a basic robot state typically employed in other research. This configuration expands the feasibility of the presented approach to low-cost robots which are solely equipped with encoders in each joint, and to scenarios where the collection of clear and unobstructed visual features are challenging. Another distinctive feature of our work is that both soft and stiff objects during interaction are considered. Results from the experiment demonstrate that, in comparison to previous image-based methods, our framework achieves an equivalent or even superior level of accuracy across a broader spectrum of environments. Additionally, due to the elimination of joint acceleration from the feature set, the proposed framework sacrifices a small degree of accuracy compared with some non-image-based methods to broaden its applicability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».