Gracias por visitar nature.com.Está utilizando una versión de navegador con soporte limitado para CSS.Para obtener la mejor experiencia, le recomendamos que utilice un navegador más actualizado (o desactive el modo de compatibilidad en Internet Explorer).Mientras tanto, para garantizar un soporte continuo, mostramos el sitio sin estilos ni JavaScript.Scientific Reports volumen 12, Número de artículo: 6036 (2022) Citar este artículoLa manipulación robótica de un cable industrial pesado es un desafío para modelar y controlar debido a la gran cantidad de grados de libertad y la dinámica de acoplamiento rígido-flexible.En este artículo, informamos sobre el desarrollo del modelado del efecto del cable y la metodología de control para la manipulación robótica de cables.Nuestro modelo de efecto de cable se basa en la red neuronal convolucional 2D, que es un método basado en el aprendizaje profundo que utiliza el método de representación de cable efectivo para lograr una estimación precisa, generalizable y eficiente de las fuerzas y pares de acoplamiento del cable.Los problemas prácticos como los límites de medición y la eficiencia del tiempo se consideran en nuestro método para aplicaciones reales.Con estos enfoques, somos los primeros en resolver el problema del efecto de carga útil dinámica causado por cables industriales pesados en casos experimentales.La metodología de control utilizada combina el marco de control de rechazo activo de perturbaciones con el método de control de modo deslizante, que puede adquirir un rendimiento de seguimiento prometedor.Integramos nuestro modelo de efecto de cable en el esquema de control y demostramos que satisface la manipulación robótica de alta calidad de cables pesados.El rendimiento del método propuesto se evalúa tanto con un sistema simulado como con un sistema de robot real.Los resultados muestran que nuestro método puede estimar el efecto de acoplamiento del cable con más del 85 % de precisión y lograr la manipulación con un error de posicionamiento inferior a 0,01 mm.Esto revela que nuestro método es prometedor para la manipulación robótica de cables industriales pesados y puede lograr la desafiante tarea de inserción de cables.La manipulación de objetos de cable pesados con robots tiene una amplia gama de aplicaciones industriales y genera enormes beneficios.En el ensamblaje actual de una aeronave, los trabajadores deben colocar y montar manualmente más de 200 km de cables aeronáuticos1, lo que no solo limita la eficiencia de la producción, sino que también genera una gran presión sobre los trabajadores.Con el desarrollo de la aviación y la tecnología de fabricación, la misión del ensamblaje de cables industriales se enfrentará cada vez más a una serie de tareas de manipulación complejas y diversas.A diferencia de la manipulación de objetos rígidos, la dinámica compleja y la alta dimensionalidad de los objetos deformables hace que las tareas de manipulación sean mucho más desafiantes en robótica.Por esta razón, los estudios relativos se centran principalmente en resolver el problema de planificación de movimiento para manipular objetos deformables ligeros y blandos2,3,4.En estos trabajos, se asumió que los objetos deformables no tenían influencia en el sistema del robot y se consideró que el robot que los usaba tenía la capacidad perfecta para manipular la carga útil deformable según lo planificado previamente.Sin embargo, cuando se manipulan objetos pesados y rígidos, como cables aeronáuticos e industriales, el efecto de la carga útil es bastante obvio y no es apropiado ignorarlo.Como se muestra en la Fig. 1, para realizar la tarea de manipulación de inserción de cable industrial robótico, debemos garantizar una alta precisión de posicionamiento y desacoplar el efecto del cable para controlar el proceso de contacto e inserción.La tarea de manipulación robótica de inserción de cables aeronáuticos.Los objetos de cable se pueden clasificar como objetos lineales deformables (DLO), modelar la dinámica de DLO en el espacio 3D es un desafío debido a sus altas dimensiones y dinámica compleja.En general, las técnicas de modelado analítico se pueden dividir en métodos basados en malla y métodos sin malla5.Los modelos basados en malla se usan más comúnmente en comparación con los métodos sin malla y se pueden clasificar en modelos continuos y modelos discretos según la consistencia de la malla.Los modelos discretos se representan principalmente como modelos Mass-Spring-Damper (MSD), que representan cuerpos DLO utilizando un conjunto de partículas de masa conectadas por resortes en una estructura de celosía.Los métodos de elementos finitos (FEM) son uno de los métodos continuos más populares7, donde el DLO se discretiza usando un conjunto de partes geométricas discretas llamadas elementos finitos, y las ecuaciones diferenciales parciales (PDE) proporcionadas por la mecánica continua necesitan ser resueltas.Estos métodos se utilizan para calcular la deformación de los DLO, las fuerzas y los pares aplicados son la entrada de los modelos y la eficiencia del tiempo es menos importante.Por lo tanto, estos métodos de modelado convencionales no son adecuados para modelar el efecto del cable en tiempo real que nos preocupa en la manipulación robótica de cables.Recientemente, los modelos basados en datos se han utilizado ampliamente debido a su capacidad para aprender directamente de las observaciones y tienen el potencial de ser lo suficientemente precisos y computacionalmente ligeros para su uso en el control y la planificación de robots8.Y varios trabajos se han enfocado al modelado de cuerpos deformables, fluidos y DLOs9,10,11,12.Sin embargo, al igual que los modelos analíticos basados en la física, estos métodos basados en datos también están destinados a la planificación de cables en la simulación.No se tienen en cuenta problemas como la capacidad de medición y la eficiencia informática, lo que hace que estos métodos no sean adecuados en aplicaciones reales de control de robots.Varios trabajos se han centrado en el problema específico de la manipulación de DLO13,14,15,16,17,18,19.La tarea de atar un nudo usando el robot se analiza en20, el método se basa en robots que manipulan a alta velocidad y la suposición de que el comportamiento dinámico del DLO se puede obtener a partir de cálculos algebraicos del movimiento del robot.Wang et al.21 abordaron las tareas de inserción de tolerancia estricta para cuerdas y cuerdas utilizando el jacobiano aproximado junto con un campo magnético virtual que emana del orificio y un método de agarre para reducir el error de aproximación.Liu17 investigó el problema de las cuerdas que se desenredan para los robots que utilizan un sensor RGB-D para percibir la estructura del nudo.En estos estudios, los DLO manipulados son ligeros y blandos con poca elasticidad, lo que hace que el objeto manipulado pueda aproximarse a un modelo geométrico.Además, estas tareas se representan como una prueba de concepto y no es necesario considerar mucho la precisión de la manipulación del robot.En consecuencia, manipular un DLO para darle la forma deseada es una acción común en la industria automotriz.Se desarrolló un sistema de manejo de cables robotizado para ensamblar los cables envueltos en un automóvil22.Los cables envueltos no pueden ser tratados simplemente como los objetos geométricos, lo que hace que la velocidad media de montaje tenga que ser lenta para reducir el efecto de acoplamiento que provocan los cables.Basado en la programación por demostración, Rambow et al.23 presentaron un método utilizando el marco de control de admitancia para superar las incertidumbres de la manipulación robótica de objetos deformables.Cabe señalar que los estudios actuales mencionados anteriormente se centraron principalmente en la planificación de un camino para los robots que manipulan los DLO bajo el supuesto de que los DLO manipulados no causan ninguna influencia en el robot.Sin embargo, no es apropiado ignorar la dinámica del cable cuando se manipulan cables rígidos y pesados, como los cables aeronáuticos e industriales, especialmente cuando la tarea requiere una manipulación de alta precisión, como la tarea de inserción de cables que se muestra en la Fig. 1. Un método para la manipulación de cables pesados fue propuesto en 24;sin embargo, este método es bastante primario y no práctico para aplicaciones reales.Este artículo aborda las tareas de manipulación robótica que requieren precisión para cables pesados y rígidos.Presentamos un método práctico y efectivo para modelar el efecto de acoplamiento de cables y controlar un robot para lograr la manipulación de cables pesados con alta precisión.Nuestra idea principal es diseñar y utilizar la representación de cable basada en características representativas para proporcionar una estimación del efecto de la carga útil e integrar este modelo aprendido en un controlador de modo deslizante (SMC) basado en el control activo de rechazo de perturbaciones (ADRC)25.Se utiliza una red neuronal convolucional (CNN) para modelar el efecto de cable complejo, el método propuesto se considera y diseña desde un punto de vista práctico, teniendo en cuenta los antecedentes de ingeniería.Demostramos la efectividad de nuestro método para la tarea de posicionamiento de la manipulación de cables y demostramos cuantitativamente que el método propuesto es significativamente más efectivo para lograr la manipulación robótica de cables pesados en comparación con el método existente.En resumen, las principales contribuciones de este documento son las siguientes:En lo que respecta a los autores, este es el primer intento de considerar y resolver el problema del efecto de carga útil dinámico causado por la manipulación de DLO pesados en casos experimentales.Proponemos un método de representación de cable eficiente sin costos de medición elevados, que reduce las dimensiones de las características originales en un 69%.Proponemos un método de modelado de efecto de acoplamiento de cable basado en el aprendizaje utilizando una red neuronal de aprendizaje residual, que muestra una generalización mejorada en comparación con el método de modelado publicado.Demostramos nuestro método en entornos simulados y reales.Las comparaciones cuantitativas muestran que nuestro método puede estimar las fuerzas y los pares de acoplamiento con más del 85 % de precisión, reduce los errores de predicción en un promedio del 67 % y reduce el error de posicionamiento a menos de 0,01 mm en comparación con la línea de base, respectivamente.El resto de este estudio está organizado de la siguiente manera.La sección “Preliminares” introduce la definición del problema y los límites utilizando los enfoques existentes;la sección "Métodos" proporciona una descripción de nuestro método para modelar el efecto del cable en la manipulación;los resultados experimentales y de simulación se demuestran y discuten en la sección "Resultados y discusiones";en la sección “Conclusiones” se extraen conclusiones y se discute el trabajo futuro.En esta sección, describimos brevemente el efecto de acoplamiento causado por el cable en la manipulación robótica, también mostramos las técnicas comunes para el modelado de cables y nuestro estudio previo, que aborda la motivación de nuestro trabajo en este artículo.Al igual que la carga útil rígida, el objeto de cable aporta fuerzas y pares de acoplamiento al robot en tareas de manipulación como se muestra en la Fig. 1. Definimos estas fuerzas y pares de acoplamiento (como \({\mathbf{F}}_{c}\ ) en la Fig. 1) como el efecto del cable en este artículo.Sin embargo, debido a la característica deformable, el método de identificación de la carga útil comúnmente utilizado para la carga útil rígida26 que estima los parámetros de inercia utilizando los estados de articulación del robot no se puede aplicar a las cajas de cables.La figura 2 muestra el efecto del cable y el error de posicionamiento de diferentes cables manipulados por un robot UR 5e en el entorno simulado (detallado en la sección "Resultados y discusiones").Debemos tener en cuenta que la Fig. 2 muestra un fenómeno general, los robots con diferente carga útil nominal tienen un rendimiento similar cuando el peso del cable tiene el mismo porcentaje de carga útil nominal.Como podemos ver en la Fig. 2, un cable con mayor peso y rigidez provoca un efecto de cable más significativo.También observamos que si un cable se considera pesado o no en las aplicaciones depende del robot aplicado y del requisito de la tarea de manipulación.Y según nuestra experiencia, cuando el cable puede causar efectos en comparación con más del 10 % de la carga útil nominal del robot, el efecto de acoplamiento del cable debe tenerse en cuenta en el diseño del sistema.La ilustración del efecto del cable y la influencia correspondiente al robot con diferentes propiedades del cable.Los métodos de modelado de cables convencionales se utilizan para calcular la deformación del cable en función de sus estados actuales y una fuerza de entrada, que no son adecuados para modelar el efecto del cable aquí.Para obtener el efecto de cable que nos preocupa en la manipulación robótica de cables, podemos utilizar estos métodos de modelado basados en mallas para formular la dinámica del cable.Si podemos tener todos los estados de los elementos de la malla, podemos lograr el efecto del cable resolviendo las ecuaciones.Esta es la idea básica de nuestro trabajo.En nuestro trabajo anterior24, usamos el método MSD basado en características para simular el efecto del cable, donde aplicamos el algoritmo de regresión de mínimos cuadrados parciales (PLSR) para realizar la selección de puntos característicos.Sin embargo, este método tiene dos limitaciones principales: Primero, el modelo lineal MSD es menos preciso y realista, lo que hace que el modelo obtenido se convierta en un modelo local y la precisión de la estimación difícilmente se puede mejorar.En segundo lugar, el número de características del modelo construido final es demasiado (por lo general, se deben medir 32 puntos característicos para un cable de 1 m para preservar una precisión satisfactoria), lo que hace que el método sea bastante poco práctico para las aplicaciones.El modelo de efecto de cable se puede usar directamente en las siguientes tres aplicaciones: (1) Desacoplamiento de las fuerzas y pares medidos, lo que hace posible obtener y analizar las fuerzas y pares de manipulación (como se muestra en la Fig. 1) sin usar sensores adicionales. o equipo.(2) El modelo de efecto de cable se puede utilizar en el diseño del controlador, lo que puede mejorar el rendimiento del sistema y la calidad de manipulación.(3) El modelo de efecto de cable puede proporcionar un modelo dinámico conveniente y realista en el entorno simulado, lo que puede reducir la brecha entre la simulación y la realidad y hacer que los resultados simulados sean más razonables.Para lograr estas aplicaciones, es necesario abordar e investigar la precisión de la estimación, el método de representación del cable y la eficiencia temporal del modelo de efecto del cable.El material que aquí se presenta es una versión mejorada y ampliada del estudio preliminar presentado en 24, tanto en lo que se refiere a la metodología como a la calidad de los resultados.En este artículo, nos enfocamos principalmente en tres aspectos del modelado del efecto del cable: la precisión de la estimación, la representación efectiva del cable manipulado y la eficiencia del tiempo de la computación, que son cruciales para realizar una tarea de manipulación robótica de cables en aplicaciones reales.Formulamos el problema del modelado del efecto del cable como la predicción de las fuerzas de acoplamiento y los pares causados por la manipulación utilizando los estados del cable medidos.Para adquirir un modelo lo suficientemente preciso y conciso para el control y la manipulación de robots, primero extraemos y construimos características para describir los estados del cable (sección “Representación de un cable”).Con base en estas características, usamos una CNN para aprender el modelo de efecto de cable, y la estructura de esta red se describe en la sección "Modelado de efecto de cable basado en aprendizaje".Los detalles sobre las aplicaciones del método propuesto se describen en la sección "Detalles de la aplicación".Los desarrollos de los métodos descritos en este documento se basan en los siguientes supuestos:El robot consta de cuerpos rígidos, y el nudo y la tensión del cable no ocurren durante la tarea.Los estados de movimiento de todos los puntos característicos del cable son bien conocidos.Nuestra representación de cable se basa en un modelo MSD no lineal6.Para un cable manipulado dado desde un punto de manipulación como se muestra en la Fig. 3a, el efecto de acoplamiento \(F_{t}\) se puede aproximar usando las fuerzas internas \(\{ F_{i} \}\) con puntos característicos \ (\{ s_{i} \}\) , como se ve en la Fig. 3b.Notamos que los vectores de gravedad se omiten para una mejor ilustración en estas figuras.Para un cable industrial pesado y rígido, la rigidez axial es mucho mayor y, por lo general, se debe evitar la torsión durante la manipulación.Además, la forma del cable es la observación más directa de las imágenes.Por lo tanto, usamos las posiciones y velocidades de los puntos característicos como la representación original del cable.Debemos tener en cuenta que nuestro método no puede modelar el efecto de acoplamiento causado por la torsión del cable, que se refleja principalmente en los pares de acoplamiento y es menos importante en nuestra tarea.Teóricamente, podemos tener un modelo más preciso si podemos usar la información de torsión en el modelado.La representación del modelo de características del efecto de acoplamiento del cable manipulado al robot.El uso de más puntos característicos hará que el modelo de efecto obtenido tenga una mayor precisión.Sin embargo, para aplicaciones reales, la cantidad de puntos de función debe limitarse debido a los requisitos de hardware en tiempo real.Ahora presentamos un esquema general para adquirir los puntos de características robustas.Nuestro proceso de optimización utiliza el modelo de efecto local propuesto en24.Primero, ejecutamos la manipulación robótica de cables y recopilamos las medidas, luego segmentamos los datos del proceso y realizamos la selección de puntos característicos utilizando el algoritmo de regresión de mínimos cuadrados parciales (PLSR) para cada segmento.A continuación, el cable se divide en dos segmentos según el punto medio del cable y se realizan las estadísticas, calculamos los porcentajes promedio de los puntos característicos seleccionados en estos dos segmentos.Finalmente, podemos extraer y configurar los puntos característicos cuando se nos proporcione el número deseado de puntos característicos.El algoritmo 1 resume todo el algoritmo de configuración de puntos característicos en pseudocódigo.Después de elegir los puntos característicos, podemos definir la representación del cable original (OF) comodonde \({\mathbf{p}}_{i} \in {\mathbb{R}}^{3 \times 1}\) y \({\mathbf{v}}_{i} \in {\ mathbb{R}}^{3 \times 1}\) son la posición y la velocidad de los puntos característicos en el marco mundial, respectivamente, y \(m\) es el número de puntos característicos configurados.La representación del cable original no se considera para el modelado ya que \({\mathbf{F}}_{OF}\) depende del establecimiento del sistema de coordenadas, que tiene poca capacidad de generalización.Además, la representación relativa del cable (RF) se puede definir comoEl método CNN se usa ampliamente para resolver problemas de extracción de características en el aprendizaje automático y, por lo general, tiene un mejor rendimiento que una red simple completamente conectada, como el perceptrón multicapa (MLP).Dado que un cable tiene la propiedad de rigidez decreciente27, podemos recodificar la representación relativa del cable para realizar la centralización.Definimos esta representación como el mapa de características del cable (FM), el FM se construye utilizando un método helicoidal.El proceso de construcción del FM con 10 puntos característicos se muestra en la Fig. 4a.Cabe señalar que la representación FM es adecuada para \(m > 5\), y el relleno de ceros se procesa desde el frente de las características cuando \(m\) no se puede factorizar correctamente.Para una mejor extracción de características, podemos adoptar la extensión FM para fortalecer la relación de los puntos característicos.Llamamos a esta representación de cable el mapa de características extendidas (EFM), que se muestra en la Fig. 4b.Tenga en cuenta que las funciones de extensión pueden ser los mismos datos o los datos secuenciales del FM y, por lo general, el uso de datos secuenciales puede tener un mejor rendimiento en un estado dinámico.La representación FM (a) y EFM (b) de un cable.Para explotar esta estructura, usamos una CNN con un marco de aprendizaje residual28 para estimar el efecto del cable, como se visualiza en la Fig. 5, llamamos a esta red red de efecto de cable residual (RCEN).La entrada de esta red es la representación EFM del cable, la salida de la red es el vector de fuerzas y pares de efecto de escala \(6 \times 1\) como \(\hat{y} = [\vec{F},a\vec {T}]\), donde \(a\) depende del material del cable y se puede elegir en función de los datos de medición como \(\sum {\left\| {\vec{F}} \right\|_{ 2} } /\sum {\left\| {\vec{T}} \right\|_{2} }\) .Las capas convolucionales en su mayoría tienen filtros \(3 \times 3\).La red termina con una capa totalmente conectada de 256 densidades y una capa de salida totalmente conectada de 6 densidades.La función de activación utilizada es la unidad lineal exponencial (ELU)29, excepto para la capa de salida.Adoptamos la normalización por lotes y no usamos dropout30, siguiendo la práctica en31.La normalización de lotes, el aumento de datos y la detención anticipada son las principales tecnologías utilizadas en este documento para reducir el sobreajuste.Agregamos Normalización por lotes a cada capa oculta de la red que se considera más adecuada para entrenar las capas convolucionales y generamos un 10% adicional de puntos de datos usando el mismo nivel de ruido de medición para el entrenamiento.Construimos una función de pérdida para combinar el error cuadrático medio y la similitud del coseno para obtener una predicción cuya dirección sea relativamente cercana a la medida, para analizar mejor la propiedad del efecto de acoplamiento en futuras investigaciones.La arquitectura de red para RCEN con 11 capas de parámetros.El enfoque anterior se desarrolla en base al hecho de que los estados de movimiento de todos los puntos característicos de un cable pueden ser completamente medibles.Sin embargo, un sistema real difícilmente puede satisfacer este requisito debido a la capacidad de la cámara y la oclusión del entorno, lo que da como resultado algunos estados de funciones que pueden faltar en la manipulación.Para resolver este problema, se pueden utilizar algunos métodos de estimación de estado32,33,34 para DLO.Estos métodos de estimación suelen ser complejos y están basados en el aprendizaje.Específico de nuestro sistema, la mayoría de los estados de los puntos característicos se pueden observar en una medición.Aquí, presentamos un método de interpolación rápida para aproximar los estados de características que faltan en la medición.donde \({\mathbf{p}}_{i} (t),{\mathbf{v}}_{i} (t)\) es el estado faltante del punto característico \(s_{i}\) , \(B\) es la función cuadrática de Bézier, \({\mathbf{p}}_{o} (t)\) es el punto característico más cercano que se puede medir antes de \(s_{i}\) , \ ({\mathbf{p}}_{n} (t)\) es el punto característico más cercano que se puede medir después de \(s_{i}\) , \(\mu \in [0,1][0, 1]\) es el factor ponderado que se puede elegir como una función exponencial decreciente de \(t - t_{o}\) , y \({\mathbf{p}}_{i} (t_{o} )\ ) es el último estado de medición del punto característico \(s_{i}\) .Aquí, el vector tangente del cable se usa para construir la función de Bézier.Ahora, podemos usar el modelo propuesto para predecir el efecto de acoplamiento para una determinada manipulación de cable con una longitud de manipulación fija.A continuación, normalizamos nuestro método para aplicar diferentes longitudes de manipulación.Sean \({\mathbf{x}}\) las posiciones nodales.Las ecuaciones dinámicas gobernantes de un cable se pueden dar usando el FEM.Y para cada elemento finito, tenemosdonde \(\rho\) es la densidad del material y el operador de divergencia vuelve a convertir el tensor de tensión en un vector que representa la fuerza interna resultante de un volumen infinitesimal deformado.Si consideramos un cable con longitud de manipulación \(L_{0}\) como \(\zeta_{0}\) , podemos construir el modelo de efecto usando el enfoque anterior como \(H_{0}\) .Cuando la longitud de manipulación del cable se cambia a \(L_{1}\) , tenga en cuenta que \(L_{1} = \lambda L_{0}\) y el cable como \(\zeta_{1}\) , tenemos puede tener una representación proporcional correspondiente con \(\zeta_{0}\) .Sean \({\mathbf{p}}_{\zeta 0} = {\text{L}}_{0} (t)\) y \({\mathbf{p}}_{\zeta 1} = {\text{L}}_{1} (t)\) para las ecuaciones paramétricas de \(\zeta_{0}\) y \(\zeta_{1}\) , donde \(t \in [0, 1]\).Entonces, para \(\forall t \in [0,1]\) , la ecuación \({\mathbf{p}}_{\zeta 1} = \lambda {\mathbf{p}}_{\zeta 0 }\) Está satisfecho.A continuación, discretizamos \(\zeta_{0}\) y \(\zeta_{1}\) con el mismo número de nodos, lo que significa que el elemento finito discretizado depende del parámetro \(t\) .Como \({\mathbf{p}}_{\zeta 1} = \lambda {\mathbf{p}}_{\zeta 0}\) , tenemos \({\mathbf{f}}_{\zeta 1} = \lambda {\mathbf{f}}_{\zeta 0}\) en (5).Este resultado implica que podemos usar el modelo \(H_{0}\) para calcular el efecto de acoplamiento de \(\zeta_{1}\) configurando puntos característicos con el mismo patrón y usando las características proporcionales \(\lambda {\mathbf{p}}_{i}\) y \(\lambda {\mathbf{v}}_{i}\) .Los autores declaran que dan su consentimiento para la publicación de este artículo.Evaluamos cada uno de los componentes descritos en la sección anterior y los demostramos tanto en simulaciones como en robots reales.Modelamos un sistema de robot y cable en el entorno de simulación MATLAB/Simulink.El modelo de robot es UR 5e, que es el mismo que usamos en los experimentos reales.El modelo de cable dinámico se configura utilizando la caja de herramientas de SimMechanics;un lado del cable está montado en el suelo y el otro lado está montado en el extremo del robot (es decir, sostenido por el robot).Generamos datos de diferentes trayectorias de manipulación robótica en simulación.Para obtener estados de deformación de cable aleatorios con discrepancias relativamente aparentes, usamos una secuencia caótica35 para generar trayectorias de robot con una región de ajuste.En la simulación, un cable está modelado por 50 segmentos, donde cada dos segmentos vecinos están conectados por un elemento amortiguador de resorte 6D especial.Los parámetros del cable longitud \(L\) , radio \(R\) y masa \(m\) se establecen en 1,1 m, 7,54 mm y 1,5 kg, respectivamente.Generamos alrededor de 1 200 000 datos con diferentes niveles de ruido (más detallados) para una mayor verificación, y medimos los puntos característicos del cable a 20 Hz en nuestro método.Primero demostramos la efectividad de nuestro método de representación de cable descrito en la sección “Representación de un cable”.Los datos se dividen en conjuntos de entrenamiento y validación con una división de 80 a 20.Demostramos la pérdida de entrenamiento y evaluación para cada método de representación de cable en la Tabla 1. La función de pérdida es como se describe en (3), que se aproxima al error cuadrático medio para \(\vec{F}\) y \(10\vec {T}\) después del entrenamiento.Por ejemplo, para la representación de cable con OF para todas las funciones, el rendimiento del modelo presentado en la Tabla 1 representa que el error de predicción de fuerza promedio es de aproximadamente 3,48 N y el error de predicción de par promedio es de aproximadamente 0,348 Nm en el conjunto de entrenamiento.Aquí, el número total de puntos de función es 51 y el número de funciones configuradas es 10. El modelo de entrenamiento es la misma CNN con los mismos parámetros de entrenamiento.A partir de estos resultados entre diferentes métodos en la Tabla 1, podemos saber que la representación de RF es mejor para aprender el modelo de efecto de cable y nuestro método de configuración de características puede disminuir en gran medida los puntos de características necesarios para el aprendizaje, lo que reduce el costo computacional y el requisito de medición de el sistema, haciendo el sistema físico mucho más práctico y sencillo.Además, también podemos ver que la representación propuesta de FM y EFM puede tener un mejor rendimiento para entrenar el modelo de efecto de cable que usar directamente la representación de RF.A continuación, evaluamos el rendimiento de estimación y la capacidad de generalización para diferentes métodos de modelado: el modelo de regresión de mínimos cuadrados parciales (PLSR) en 24, una red MLP con 6 capas, una CNN con 6 capas de conv, una red LSTM bidireccional con una estructura similar to32 y el RCEN descrito en el apartado “Modelado del efecto del cable basado en el aprendizaje”.Todos estos métodos utilizan el mejor método de representación de cable para entrenamiento, es decir, la representación de RF para MLP y bi-LSTM, y la representación de EFM para CNN y RCEN.Entrenamos estos modelos con datos de medición limpios y datos de medición con ruido, respectivamente.Informamos la pérdida de entrenamiento y evaluación para cada método en la Fig. 6. Los modelos de redes neuronales se entrenan y prueban en una GPU Nvidia RTX 3080 de 10 GB.Todos los modelos se entrenan 5 veces, y elegimos el mejor modelo en todo el proceso de entrenamiento de cada método.Estimación del rendimiento de los diferentes métodos de modelización del efecto cable.Aquí, observamos que PLSR0 representa el modelo en 24 con 32 puntos característicos seleccionados, y PLSR1 representa el modelo PLSR con 10 puntos característicos configurados.Además, todos los demás métodos utilizan los 10 puntos de función configurados.El tiempo de cálculo promedio de los métodos PLSR0 y PLSR es inferior a 200 \(\mathrm{\mu s}\) , el tiempo de cálculo promedio de los métodos MLP, CNN, bi-LSTM y RCEN es de aproximadamente 1 ms, 5 ms, 18 ms y 34 ms, respectivamente.Como se puede observar, el método PLSR tiene el peor desempeño, ya que el modelo PLSR es un modelo local y no puede explicar la dinámica no lineal del efecto cable.Por tanto, todos los métodos basados en el aprendizaje muestran una mejora significativa del rendimiento en comparación con el modelo PLSR.La red MLP es menos precisa pero tiene el tiempo de entrenamiento y computación más corto.La CNN funciona relativamente mejor que MLP.La red bi-LSTM tiene un rendimiento prometedor con datos de medición limpios y, mientras tanto, tiene la mayor caída de rendimiento con datos ruidosos.Nuestro RCEN logra el mejor rendimiento tanto en el conjunto de entrenamiento como en el conjunto de prueba, independientemente de si se aplica ruido.Esto indica que el método propuesto puede tener una sólida capacidad de generalización para modelar el efecto del cable en diferentes condiciones de medición.Para evaluar mejor el rendimiento de nuestro método, demostramos el rendimiento del RCEN entrenado bajo diferentes ruidos de medición en la Tabla 2. El ruido aplicado a las posiciones medidas de los puntos característicos es ruido gaussiano blanco, y las velocidades de los puntos característicos se calculan usando estos posiciones ruidosas.También calculamos la relación señal-ruido (SNR) correspondiente de los datos de entrenamiento para reflejar y evaluar la calidad de la medición.Como se muestra en la Tabla 2, nuestro método puede tener una precisión de modelado satisfactoria bajo diferentes medidas de ruido.Para la señal de medición con una SNR superior a 50 dB, nuestro método tiene una capacidad de estimación prometedora y estable.Aunque la desviación estándar del ruido de medición en posiciones es de 10,0 mm, nuestro método puede brindar una estimación relativamente precisa del efecto del cable (que aún es mejor que el modelo PLSR entrenado con datos limpios).También hemos realizado estudios de ablación para estudiar la capacidad del modelo con diferentes parámetros de red.Probamos la red RCEN con diferentes capas (números y filtros).Los resultados muestran que la mejora del rendimiento no es sensible a la selección de capas cuando existe el marco de aprendizaje residual.El sistema experimental es como se muestra en la Fig. 7. Para generar datos de entrenamiento diversificados, usamos dos robots para realizar la manipulación del cable.Un robot agarra el cable y ejecuta las trayectorias de manipulación;llamamos a este robot el robot manipulador (un robot UR5e aquí).El otro robot fija un lado del cable para obtener diferentes estados de deformación;llamamos a este robot el robot de posicionamiento (un robot UR10 aquí).La ilustración de nuestro sistema experimental.Realizamos el experimento con el siguiente proceso con una secuencia cíclica de acciones para mostrar la repetibilidad y confiabilidad de los experimentos.Paso 1: antes de realizar cada trayectoria de manipulación, generamos aleatoriamente una posición inicializada del robot de posicionamiento.Paso 2: después de que el robot de posicionamiento alcanza la posición inicializada, deja de funcionar durante la manipulación posterior.Paso 3: Luego, el robot manipulador ejecuta la trayectoria de manipulación dada y registramos los datos para verificar nuestro método.El cable utilizado en el experimento es un haz de 4 cables industriales de aproximadamente 1,1 m de largo y su masa total es de 1,5 kg.Se utiliza una cámara industrial Basler para capturar las imágenes a 30 Hz, y se utilizan marcadores Aruco36 para detectar y estimar los estados de los puntos característicos.Usamos el mismo método de configuración de puntos característicos que en la simulación.El centro del cubo es el punto característico correspondiente.La pinza es una pinza Robotiq Hand-E y el sensor de fuerza/par es un sensor de fuerza de seis ejes SRI.Generamos y ejecutamos aleatoriamente 1000 manipulaciones experimentales, con alrededor de 300k datos recopilados.Los datos también se dividen en entrenamiento y validación con una división de 80 a 20.Usamos el método descrito en la sección "Detalles de la aplicación" para obtener los datos de medición que faltan.La fuerza y el par absoluto promedio en los experimentos es de 20 N y 1,6 Nm, respectivamente.Probamos los mismos métodos comparados en las simulaciones, y la Tabla 3 resume la pérdida de entrenamiento y evaluación para cada método.En t.j adv.FabricaciónTecnologíaEn t.Res.Trans. IEEE.Robar.Robar.computarFabricacióncomputarGrafico.Cog.Proceso.Adv.En t.Res.Internacional IEEEConf.mecánicoautomáticoTrans. IEEE.Ind. Electrón.computarcienciaproc.Mach.Aprender.Res.automáticoLetón.Trans. IEEE.Evol.computarReconocimiento de patrones.Intel.serv.Robot.Los autores declaran no tener conflictos de intereses.Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material.Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor.Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt