Recent use scenarios involving human–robot collaboration have revealed that the robots require elastic joints to safely interact with humans. It is also critical to know applied force/torque (f/t) during the interaction for control and motion planning purposes. In this article, we estimate the external f/t values without using any sensors other than low-cost encoders by exploiting the inherent elastic properties of the joint. For estimation, the following two different approaches are used: model based and model free. In the model-based approach, an extended Kalman filter (EKF) and an external force observer (EFOB) are used considering the dynamical behavior of the system to estimate the interaction force. In the model-free approach, the artificial neural network (ANN) utilizes the data gathered from mechanical systems. In comparative analysis, we have, therefore, considered three different estimation methods, two of which are model based and the remaining one is model free (i.e., data driven). Implementing these estimation algorithms experimentally on a variable stiffness joint, we performed an extensive evaluation of their performances. All methods show similar level of performance in terms of the root-mean-square (RMS) error with 0.0847, 0.0841, and 0.1082 N for the EKF, EFOB, and ANN, respectively. Model-based methods do not require continuous data stream through the experimental set up. On the other hand, the ANN does not need an explicit model of the system; therefore, it may become preferable when the detailed model derivation is not possible.

中文翻译：

---

仅使用位置传感器对对抗 VSA 进行外力/扭矩估计

最近涉及人机协作的使用场景表明，机器人需要弹性关节才能安全地与人类互动。出于控制和运动规划的目的，了解在交互过程中施加的力/扭矩 (f/t) 也很重要。在本文中，我们通过利用关节的固有弹性特性，在不使用低成本编码器以外的任何传感器的情况下估计外部 f/t 值。对于估计，使用以下两种不同的方法：基于模型和无模型。在基于模型的方法中，考虑系统的动态行为，使用扩展卡尔曼滤波器 (EKF) 和外力观测器 (EFOB) 来估计相互作用力。在无模型方法中，人工神经网络 (ANN) 利用从机械系统收集的数据。在对比分析中，因此，我们考虑了三种不同的估计方法，其中两种是基于模型的，另一种是无模型的（即数据驱动）。在可变刚度接头上通过实验实施这些估计算法，我们对其性能进行了广泛的评估。所有方法在均方根 (RMS) 误差方面表现出相似的性能水平，EKF、EFOB 和 ANN 分别为 0.0847、0.0841 和 0.1082 N。基于模型的方法不需要通过实验设置的连续数据流。另一方面，人工神经网络不需要系统的显式模型；因此，当无法进行详细的模型推导时，它可能会变得更可取。数据驱动）。在可变刚度接头上通过实验实施这些估计算法，我们对其性能进行了广泛的评估。所有方法在均方根 (RMS) 误差方面表现出相似的性能水平，EKF、EFOB 和 ANN 分别为 0.0847、0.0841 和 0.1082 N。基于模型的方法不需要通过实验设置的连续数据流。另一方面，人工神经网络不需要系统的显式模型；因此，当无法进行详细的模型推导时，它可能会变得更可取。数据驱动）。在可变刚度接头上通过实验实施这些估计算法，我们对其性能进行了广泛的评估。所有方法在均方根 (RMS) 误差方面表现出相似的性能水平，EKF、EFOB 和 ANN 分别为 0.0847、0.0841 和 0.1082 N。基于模型的方法不需要通过实验设置的连续数据流。另一方面，人工神经网络不需要系统的显式模型；因此，当无法进行详细的模型推导时，它可能会变得更可取。EKF、EFOB 和 ANN 分别为 1082 N。基于模型的方法不需要通过实验设置的连续数据流。另一方面，人工神经网络不需要系统的显式模型；因此，当无法进行详细的模型推导时，它可能会变得更可取。EKF、EFOB 和 ANN 分别为 1082 N。基于模型的方法不需要通过实验设置的连续数据流。另一方面，人工神经网络不需要系统的显式模型；因此，当无法进行详细的模型推导时，它可能会变得更可取。