融合BO-CNN-BiLSTM的压电式六维力/力矩传感器非线性解耦

针对压电式六维力/力矩传感器存在由维间耦合导致的传感器测力性能下降的问题，提出一种融合贝叶斯优化（Bayesian Optimization，BO）、卷积神经网络（Convolutional Neural Network， CNN）与双向长短期记忆网络（Bi-directional Long and Short-term Memory Network， BiLSTM）的集成解耦算法（BO-CNN-BiLSTM）。该算法首先通过CNN增强对六维力信号的空间耦合特征提取能力，再利用BiLSTM双向时序的建模能力，动态捕获载荷的跨维度时域依赖关系，并引入BO实现超参数自适应全局寻优，有效克服传统解耦方法在实时性、泛化性及物理一致性方面的缺陷。与此同时，BO-CNN-BiLSTM算法消除了传统解耦方法中的人工调整参数经验依赖，实现了传感器非线性特性的自适应建模。实验结果表明，该架构使六维力/力矩传感器输出结果的最大Ⅰ类耦合误差、最大Ⅱ类耦合误差分别为0.87%和0.52%。BO-CNN-BiLSTM解耦算法能有效减少六维力传感器的维间耦合，提高传感器的测量精度，为人形机器人的拟人化运动控制和环境交互提供了高可靠性力感知保障。