On Estimating Forces and Torques in Manipulators

Abstract

Denne avhandlingen skal studere ulike moderne estimeringsmetoder for å estimere kraft og dreiemoment i robotmanipulatorer, samt å diskutere hvilke plattformer som er tilgjengelig for bruk og videre eksperiment ved Institutt for teknisk kybernetikk. Industrielle roboter brukt i produksjon har tidligere bestått av store, tunge maskiner. Utviklingen av lettere roboter designet for å samarbeide med, og jobbe i nærheten av, mennesker har ført til strengere sikkerhetskrav, noe som gjør at de er nødt til å kunne oppfatte sine omgivelser. Ettersom sensorer for å måle kraft fortsatt er kostlige, vil det her bli sett på ulike metoder for å estimere kraft og dreiemoment som ikke baserer seg på eksterne kraftsensorer.

Fire estimeringsmetoder ble diskutert: observerbasert, minste kvadraters metode, invers dynamikk og læringbasert. Videre ble tre ulike middelvarer for robotikk og deres anvendbarhet for kraftestimering evaluert: ROS, ROS 2 og Orocos. De ulike robotmanipulatorene vurdert for bruk var UR5, UR3, KUKA sine KR16-2 og LBR iiwa, samt Franka Emika Panda.

Det viste seg at flere av estimeringsmetodene er avhengige av å ha korrekte modeller av dynamikken til robotene, hvilket kan være vanskelig å finne, samt at de kan være sårbare for avvik og endringer.

Det ble funnet at ved å bruke læringsbaserte metoder er det mulig å estimere kraft og dreiemoment uten å ha en korrekt analytisk modell, og at det er mulig å bruke disse metodene for å adaptivt stille inn parametrene til dynamikken til modellen. ROS viste seg å være middelvaren best egnet for denne applikasjonen, mens alle de fire lettvektrobotene, UR5, UR3, KUKA LBR iiwa og Franka Emika Panda, kan anvendes.

The aim of this project was to study the different state-of-the-art estimation techniques for estimating force-torque in robotic manipulators and to discuss platforms available at the department of Engineering Cybernetics for further experimentation. Historically, industrial manipulators used in manufacturing have been large, heavy machinery. The development of lightweight collaborative robots led to higher safety demands, because of their interaction with, and close proximity to humans. Because of this, the robots need to be able to sense their surroundings. Force sensors, though gradually becoming cheaper, are still expensive tools. Therefore, this project has looked at different sensorless force/torque estimation methods.

Four methods of estimating forces and torques in robots without using external force sensors were discussed: observer-based, least-squares, inverse dynamics and learning-based. Three robot programming middlewares and their applicability to the force estimation situation were considered: ROS, ROS 2 and Orocos. The various robot manipulators considered for use in experiments were UR5, UR3, KUKA's KR16-2 and LBR iiwa, and Franka Emika Panda.

The result of this study shows that several of the estimation methods rely on the availability of an accurate model of the dynamics of the robots. These models can be hard to figure out, and they might be sensitive to deviations and changes.

It was found that by using learning-based estimation techniques it is possible to estimate forces and torques without having to rely on having a correct analytical model, and that it is possible to use such methods to adaptively tune the parameters of the model dynamics. ROS was found to be the robot middleware most suited for this application. All four lightweight robots, that is UR5, UR3, KUKA LBR iiwa and Franka Emika Panda, are applicable.