近日，智能装备院收到国际期刊IEEE Transactions on Robotics（简称IEEE T-RO）发来的贺信，祝贺其研究成果“An Analytical Approach for Dealing with Explicit Physical Constraints in Excitation Optimization Problems of Dynamic Identification”被正式录用。该研究由智能装备院关键技术实验室创新团队牵头，实验室主任黄石峰博士为第一完成人，香港科技大学机械及航空航天工程学系段默龙教授为通讯作者，智能装备院常务副院长周星、英国埃克塞特大学计算机科学学院计算智能领域青年专家李帆博士为共同完成人。
图1 论文封面
IEEE T-RO与Science Robotics（Science子刊）、International Journal of Robotics Research为机器人领域公认的三大顶级期刊，在国际上享有极高盛誉。IEEE T-RO刊发的研究成果代表着机器人学领域的基础研究重大进步，最先进研究的重磅突破，要求理论和工程实践上同时推动机器人学的重要发展。研究成果介绍智能装备院本次在IEEE T-RO录用的学术长文（regular paper）彻底突破了长期困扰机器人领域在动力学参数辨识方面生成最优性激励轨迹所面临的两大共识性难题：低成功率和高耗时。合适的激励轨迹是机器人动力学参数辨识准确性的先决条件。激励轨迹的优化问题在机器人领域被处理成一种带约束优化的标准范式，需借助启发式智能优化或基于梯度的数值求解器以迭代的方式对最优解进行搜索，而多关节机器人的物理约束条件使得可行解（即物理可执行的激励轨迹）的搜索变得异常困难。换言之，在有限迭代步内发现可行解成了一个极具不确定的概率性问题。统计意义下，可行解计算成功率难达90%，耗时往往长达数小时。因此，业内对激励轨迹的优化仅局限于离线任务中，如机器人本体动力学模型的参数辨识。所述缺陷是机器人领域学术界和工业界从业者们的共识，也直接造成在对于时间有严格限制的负载辨识任务中无法在线生成最优激励轨迹，最终导致负载模型的辨识精度不高。调研发现，包括国际一线品牌机器人都面临此类挑战。智能装备院提出了一种处理激励优化问题中物理约束的解析方法，将可行解的求解从不确定的迭代搜索范式转变为了确定性计算范式，从而使得优化过程中所有候选解都是物理可执行的，首次实现了100%的成功率，同时可以在较短时间内生成满足最优性准则的持续性激励轨迹。对于离线类本体辨识任务，激励优化耗时仅需数百秒；对于负载辨识任务，激励优化在数秒内完成。因此，无论是在成功率还是在优化耗时方面，相较于现阶段激励优化技术都具有压倒性优势。
