面向软体机器人的可观测性信息最优传感器布置
Observability-Informed Optimal Sensor Placement for Soft Robots
浏览论文内容
中文总结 AI 辅助
本文提出一种基于可观测性格拉姆矩阵的凸优化方法，用于软体机器人的最优传感器布置，实验表明该方法在软体连续臂上优于基线，误差降低至毫米级，并具有可解释性和泛化潜力。
中文摘要 AI 辅助
本文介绍了一种在软体机器人中系统性地进行最优传感器布置的方法，并对其进行了实验评估。现有方法要么缺乏对不同软体机器人形态的泛化能力，要么未考虑系统动力学。所采用的方法利用凸优化来寻找最大化基于可观测性格拉姆矩阵的指标的最优传感器配置。该框架在软体连续臂上使用位置和应变测量进行了实验评估。在所有正弦输入试验中，使用最优传感器布置的卡尔曼滤波器状态估计比基线方法产生更低的重建误差，改进幅度在毫米量级。该案例研究表明，线性控制理论工具可以指导软体机器人的最优传感器布置，提出了一种可解释的传感器布置方法，并可能扩展到其他形态。
英文摘要
This paper presents the application and experimental evaluation of a systematic method for optimal sensor placement in soft robots. Existing methods either lack generalizability across different soft robot morphologies or do not account for system dynamics. The applied method uses convex optimization to find the optimal sensor configuration that maximizes an observability Gramian-based metric. The framework is experimentally evaluated using position and strain measurements on a soft continuum arm. Kalman filter state estimates using optimal sensor placements yield lower reconstruction error than a baseline across all sinusoidal input trials, with improvements on the order of millimeters. This case study shows that linear control theory tools can guide optimal sensor placement in soft robots, suggesting an interpretable approach to sensor placement that may extend to other morphologies.
发表机构
- McGill University（麦吉尔大学）
- Mila – Québec AI Institute（米拉-魁北克人工智能研究所）
机构由 AI 辅助整理，请以论文原文为准。
