六维力传感器重力补偿的参数获取

一、传感器的物理结构与测量盲区

一个六维力传感器，不是一整块铁。它内部有一个通过精密加工形成的弹性体，弹性体上贴着应变片。我们可以把它想象成一个小型的“测力弹簧”。

物理结构上，它明确分为两部分：

[上安装面] <-- 弹性体上端 || (传感器内部是悬空的弹性梁，贴有应变片)[下安装面] <-- 弹性体下端

上安装面：固定在机械臂手腕上。

下安装面：固定在你的工具上（清洁模组）。

传感器只能测量施加在下安装面上的力， 原理是：外部负载会拉扯下安装面，导致内部弹性梁发生形变，应变片测量这个形变。上安装面以上的部件（机械臂手腕、机械臂本体）的重力，直接作用在弹性梁的“上端”，被整个机械臂的金属结构刚性支撑住了，并不会让弹性梁产生新的、可被感知的形变。

因此，连接手腕和传感器的法兰，处于传感器的测量盲区。

二、准确的物理分界线

正确的分界线，就是六维力传感器自身的下安装面。这个面是传感器的测量基准点，也是工具侧负载的“开始”。

• 不包含在 m 内的部分：
  • 机械臂手腕法兰
  • 连接手腕和传感器上安装面的那块法兰
  • 传感器的上半部分外壳、上安装面
  • 整个机械臂本体
• 必须包含在 m 内的部分：
  • 传感器的下半部分（下安装面及以下随动的壳体、内部弹性体的一部分）
  • 连接传感器下安装面和清洁模组的转接板
  • 整个清洁模组（电机、刷头、外壳、线缆、管路等）
  • 所有螺丝、垫片等紧固件

三、如何精准确定“有效”的 m？

不可能把传感器拆开，只称它下半部分的重量。因此，几何测绘和CAD计算都不够精确，最好的方法是进行整体负载辨识标定。

这个方法会自动找出对传感器“有效”的负载参数，无需关心物理分界线到底在哪。

步骤如下：

1. 整机装配完毕：把腕部法兰、传感器、工具转接板、清洁模组全部装好，所有线缆、管路固定到最终状态。
2. 执行负载辨识：操作机器人，让整个工具端在多个不同姿态静止。传感器会记录下它在这些姿态下感受到的“总静态负载”（即：传感器下安装面以下所有东西的重力）。
3. 算法自动求解：辨识算法会根据这些数据，反向解算出这个“有效负载”的总质量 m 和质心坐标 r_com。

这个辨识出来的 m，就是进行重力补偿时应该使用的准确数值，代表了对传感器弹性体产生拉/压力的“真实有效负载”的总质量，是“六维力传感器安装面以外、所有承载的部件”的总质量。

想象机械臂是一串由关节连接的连杆，最终的“手腕”法兰盘上装着六维力传感器，传感器再连着清洁模组。传感器测量的是安装面之外所有东西对它的作用力（包括重力、惯性力、接触力）。

传感器“后面”的负载 m 包括：

1. 传感器自身的安装法兰/转接板
2. 清洁模组全部：外壳、电机、刷头、泡沫/水管路、微型相机、照明灯等
3. 连接两者的所有螺丝、支架
4. 管路中残留的水/清洁液重量（动态变化，最好结构上固定，使力臂不变）
5. 线缆的一部分（好的走线工艺应让线缆的重力不通过传感器传导，而是直接固定在机械臂外壳上，否则也要计入）

结论：m 就是“工具侧”总质量，这是可以通过高精度电子秤直接称重得到的。例如，将整个清洁模组（含传感器）拆下，放在秤上，得到 m=1.35kg。这个直接测量值，可以作为后续标定的重要参考，甚至可以将其作为已知固定参数，去标定更复杂的质心。

四、负载标识

除了质量m还需要计算质心，质心 r_com=[xc,yc,zc]T 是在传感器坐标系原点下，整个工具组合质量的加权中心，不只是一个几何形状中心，而是一个物理属性。绝对不要尝试用尺子去量，因为：

• 清洁模组内部密度不均匀（电机重、塑料壳轻）。
• 实际安装存在微小角度和位移偏差。
• 软管、线缆的等效质心根本无法用几何方法测量。

标准做法是：通过算法进行“负载辨识”标定， 这是力控应用前的标准工序。核心原理是：在不同姿态下，重力在传感器坐标系中的分量不同，通过多组测量，反向解出质量和质心。

标定具体步骤

0. 准备工作

• 机器人已完整安装好，所有线缆、管路固定就绪，处于最终工作状态。
• 传感器已上电，读取原始数据流 Fraw,Mraw （六维）。
• 确保周围空旷，工具绝不接触任何物体。
• 传感器校零：让工具自然下垂静止，记录当前读数作为零点偏移 bF,bM。此后读数减去此偏移。

1. 数据采集 操作机器人，让工具末端摆出至少 3 个以上（推荐 6~8 个）不同姿态。姿态选择原则：

• 尽量分散：比如让工具分别指向上、下、左、右，以及倾斜 45° 等。
• 覆盖工作空间：姿态要能体现末端在清洁时的朝向变化。
• 静止记录：每个姿态下，让机器人完全静止 2~3 秒，取这段时间内传感器读数（已减零漂）的均值。同时，通过正运动学精确记录当前传感器坐标系相对于基座的旋转矩阵 Ri。
• 注意：对于 SCARA 结构，由于它本身不能做大幅度的 3D 翻转，让末端工具呈现尽量多的不同倾斜角度。

2. 列出方程 工具重力在基座标系下始终为 G_base=[0,0,−mg]T。在某个姿态 i 下，重力在传感器坐标系下的分量 F_g,i为：

由于重力不过传感器原点，会产生力矩 M_g,i：

实际采集到的读数就是重力的贡献（无接触力）：

目标是找到 m 和 rcom=[x_c,y_c,z_c]T，使得这 4 个未知数，在所有采集姿态下的方程残差最小。

3. 求解方法（最小二乘） 可以先将力矩方程展开为线性形式：

把质量 m 和质心 rcom 写成一个向量 p=m[1,x_c,y_c,z_c]T（一阶矩），则可以直接构造出形如 Ax=b 的线性方程组，将所有姿态的方程堆叠，用最小二乘法求解 p，再解出 m 和 rcom。

更工程化的方法： 很多机器人厂商（如 KUKA、UR、Franka）都提供了内置的负载辨识功能。只需运行一个例程，它会自动规划一系列动作，读取传感器，然后在后台完成上述计算，直接返回 m 和 rcom。如果系统是开放的，可以用 MATLAB 或 Python 的 scipy.optimize.least_squares 完成。