预测运动学控制机械臂的冲击诱导关节速度跳变
Predicting Impact-Induced Joint Velocity Jumps on Kinematic-Controlled Manipulator
AI总结：
针对机器人冲击任务中常用方法预测关节速度跳变误差大的问题，提出避免对病态矩阵求逆并计算复合刚体等效惯性特性的方法，在 Panda 基准上将平均预测误差降低 81.98%。
摘要：
为实现有目的的机器人冲击任务，预测关节速度跳变对于保证控制器可行性和硬件完整性至关重要。我们观察到，与使用 Panda 机械臂的 250 次基准实验相比，机器人学中常用方法存在相当大的预测误差。我们按如下方式将平均预测误差降低了 81.98%：首先，我们关注任务空间方程，而不对病态的关节空间惯性矩阵求逆。其次，在冲击事件发生前，考虑到高增益（刚性）运动学控制的机械臂表现得像一个复合刚体，我们计算了末端执行器尖端的等效惯性特性。
英文摘要：
In order to enable on-purpose robotic impact tasks, predicting joint-velocity jumps is essential to enforce controller feasibility and hardware integrity. We observe a considerable prediction error of a commonly-used approach in robotics compared against 250 benchmark experiments with the Panda manipulator. We reduce the average prediction error by 81.98% as follows: First, we focus on task-space equations without inverting the ill-conditioned joint-space inertia matrix. Second, before the impact event, we compute the equivalent inertial properties of the end-effector tip considering that a high-gains (stiff) kinematic-controlled manipulator behaves like a composite-rigid body.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
