本技术公开了一种基于PINN方法与多任务学习的多维力传感器解耦方法,该方法依赖于一种多任务学习解耦模型实现。本发明可以在神经网络解耦方法优势的基础上,提高模型的泛化能力;通过在多个任务上共同训练模型,可以减少过拟合的风险,使模型更具有鲁棒性,并且综合性的提高各种载荷类型下的解耦精度。在所述多任务学习解耦模型的训练过程中,利用最小二乘法与PINN方法得到理论解耦矩阵与最优解偶矩阵,并将所得最优解耦矩阵作为多任务学习神经网络的初始参数,极大提高训练速度的同时,补偿加载系统误差,提升解耦精度。本发明通过在多个任务上共同训练模型,可以使同一传感器在不同工况下进行标定,实现单一传感器对多工况场景的适用。
背景技术
目前多维力传感器广泛应用于基于力触觉的类人机器人、汽车、航空航天、等领域。应用于不同领域拥有不同结构类型的多维力传感器的研究从未间断,从传感器弹性体结构优化到法兰和壳体的封装工艺以及敏感元件选型和粘贴工艺,再到解耦算法和标定装置的个性化设计都是研发难点。相对于单轴传感器,多维力传感器由于耦合效应的存在使其精度存在明显的缺陷。而面对如今工业界,航空航天航海领域对多维力传感器的使用场景提出的新的需求,微型化/重型化,集成智能化,仿生化,包括传感器的动态响应都是多维力传感器面临的挑战和机遇。
此外对于传感器本身也存在以下几类问题:比如耦合问题:多维力传感器中的力和力矩往往存在耦合关系,即不同维度之间相互影响。施加力矩可能会影响到力的测量结果,而测量到的力也可能受到力矩的干扰。因此,如何准确地解耦力和力矩成为一个重要的挑战;在实际应用中,多维力传感器还经常面临复杂的环境条件,例如背景噪声、非线性系统以及物体的形变和刚度变化等。这些因素可能会导致传感器数据的不准确性和不稳定性,增加了解耦算法的复杂性和挑战性;得到数据后,多维力传感器产生的原始数据往往包含噪声和干扰;在标定和测量过程中加载系统又存在难以避免的偏载现象。在解耦算法中,需要进行有效的数据预处理,包括滤波、去噪和数据校准等。如何选择适当的数据预处理方法,并在预处理过程中保持力和力矩的准确度也是一个需要解决的问题;并且这一系列问题在解耦过程中彼此间均会相互产生进一步的影响。
总而言之,多维力传感器的高适用性解耦一直是困扰工程界的一大难题,而物理模型解耦和数学模型解耦均存在极大的限制,近年来基于机器学习的解耦方法也通常将其当作黑盒子进行粗暴的解耦尝试。而随着工业的发展制造业技术的不断提高,对高精度、高稳定性、高适用性的多维力传感器解耦方法的需求也在迫切增加。
综上,目前仍然缺乏一种综合性解决方案,能够同时应对各个领域的挑战,从而实现对多维力传感器解耦各方面问题的全面解决。
实现思路