面向協作機器人的零力控制與碰撞檢測方法研究

趙 彬，吳成東，孫若懷，姜 楊，吳興茂

(1.東北大學信息科學與工程學院，遼寧沈陽 110819；2.新松機器人自動化股份有限公司，遼寧沈陽 110168；3.東北大學機器人科學與工程學院，遼寧沈陽 110169)

在3C（計算機、通信和消費電子）行業中，由于工作環境特殊，對協作機器人的運動性能、零力控制和碰撞檢測等方面有嚴格要求[1–3]。本文對協作機器人的零力控制與碰撞檢測問題進行研究，以解決機器人柔順交互控制過程中，由于其模型無法精確求解導致其控制效果無法預測的問題。在關節空間不受限的情況下，冗余協作機器人與傳統機器人不同之處在于冗余自由度極大地提高了規避奇異點的能力和操作的靈活性，有效地發揮了機器人的優勢和特點。近年來，機器人柔順交互控制技術取得了重要進展，Ugurlu等[4]為了通過柔順運動來減少機器人上半身的壓力，利用主動順應性控制減少外骨骼支撐行走的上肢力量；控制器通過在每個關節的導納控制器來控制力與位置的關系；機器人在與環境交互時表現出順應性的行走特性，充分減少了所需的上半身使用的力。Giordano等[5]研究了一種臂式航天器的順應反饋控制器，該控制器適用于機器人操作的前接觸、接觸和后接觸階段，消除了系統在穩態接觸過程中的不穩定性；該控制器采用內外轉置雅可比矩陣控制實現末端執行器的柔順調節，同時通過調節機器人整個身體的質心和角動量實現接觸后的穩定，并通過力反饋實現穩定的接觸相位。Guo等[6]設計了一種新型的雙臂移動操作機器人，并提出了一種面向安全的遙操作策略；與模仿人類的傳統雙臂裝置不同，該裝置采用了長臂和短臂的功能互補設計；從基于虛擬墻工作空間保護、基于最小距離計算自碰撞保護和基于開放運動規劃庫配置開關保護3個方面來保證操作安全。以上方法可實現對機器人的柔順控制[7]，但是所涉及的柔順控制均采用明確的模型，沒有考慮到實際情況中實際模型與建立模型之間的差異，導致控制效果無法最優。冗余機器人零力控制和碰撞保護的難點在于：隨著機器人構型空間維數的增加，在不受限空間對于操作目標有更多的操作位姿，導致常規解法無法對協作機器人進行運動學求解；機器人完全動力學的摩擦力模型為理想模型，模型的參數大多難以測量，不能用到實際機器人柔順控制中[8–11]。

本文構建了一種New ton-MP通用迭代求逆運動學方法，優化求解了機器人從初始位姿到目標位姿的關節值。在柔順交互控制中，零力控制與碰撞檢測方法其難點在于協作機器人運動控制過程中摩擦力的干擾是無法避免的，而且摩擦力一般都較大無法忽略不計。如何對摩擦模型進行精確的建模和參數求解是一項技術難點。提出了一種基于加速度的3次摩擦力模型的完全動力學方程，對摩擦力模型進行多參數辨識求解。將動力學和摩擦力計算的力矩值給定到驅動器實現了協作機器人零力控制功能。將基于外力矩觀測器模型和本文提出的One-c lass卷積神經網絡兩種碰撞檢測方法進行對比。外力矩觀測器建模通過檢測外力矩觀測器模型和閾值函數關系實現碰撞保護功能，但是，力矩觀測器模型本質上還是需要一個確定的模型，其效果依賴模型的準確度。本文提出的One-class卷積神經網絡碰撞檢測方法成功地彌補了模型不確定的動態影響，可以實現未知摩擦模型的碰撞預測，有效地提高了碰撞保護的魯棒性和準確性。

1 冗余關節運動學求解

運動學求解是協作機器人零力控制和碰撞檢測的前提，研究的冗余協作機器人因其結構特性導致運動學上存在無窮多組解，利用傳統幾何關系和解析法無法求解。提出了一種求解冗余協作機器人運動學通用的逆運動學算法，將逆運動學求解問題轉化為通用的New ton-MP迭代方法求解。

協作機器人不同以往傳統工業機器人的最大優勢在于人機柔順交互控制。研究的冗余協作機器人機械構型和關節坐標系如圖1所示，其關節構型為R-P-R-P-R-P-R?，F有協作機器人主流負載都在20 kg以下，把功率和扭矩值限制在一定范圍內，減少了機器人運動時的能耗，實現了隨著機器人冗余度的增加提高避障、奇點規避和靈活性等性能。將冗余協作機器人運動學問題分為位置和姿態分別進行求解。

圖1 冗余協作機器人關節坐標系Fig.1 Joint coordinate system of redundant cooperative robot

1）正運動學求解

圖1展示了機器人初始位置和各關節坐標系的定義，D1～D6為機器人連桿長度。將冗余協作機器人的正運動學分為大臂4個關節（ θ1、 θ2、 θ3、 θ4）和末端手腕3個關節（ θ5、 θ6、 θ7）兩部分進行分析。先計算，再右乘，獲得末端總體解為。其中，為腕部坐標系相對于基坐標系的位置和姿態矩陣，{ el}為腕部坐標系，{ tcp}為末端坐標系。因為協作機器人正運動學求解容易，所以這里僅給出計算方法。

2）逆運動學New ton-MP法優化求解

將前4軸逆運動學問題轉化為非線性New ton-MP優化迭代求解問題。機器人位置由關節的角度 θ1、θ2、 θ3、 θ4決定，采用New ton-MP算法進行求解，其算法步驟可分如下5個部分：

第1步：采集協作機器人當前各個關節值，通過正運動學計算出在世界坐標系下的初始位置向量P。建立逆運動學的逆運動學非線性方程F(Θ(k))。其中，Θ(k)=(,,···,)T為非線性逆運動學方程組第k次迭代值，k為New ton-MP算法執行的迭代次數，n為機器人軸的數；計算第k+1次迭代值的牛頓下山法迭代公式為：

式中， ω為迭代因子，J為 3×4階的雅克比矩陣，即：

2 多參數辨識的零力控制

2.1 完整動力學建模

零力控制策略難點與多種因素相關，主要影響因素是如何能夠建立完整動力學方程中的摩擦力項。本文引入遺傳算法對摩擦力模型進行多參數辨識求解，構建完整動力學方程來提高零力控制準確性和快速性。完整動力學方程包含理論動力學和摩擦力，本文將摩擦力模型函數考慮進去，可以得到一個完整動力學模型：

式中：M為關節空間慣性力項（對稱、正定），M∈Rn×n；C為向心力和（哥氏力）科里奧利力耦合力項，C∈Rn×n；G為重力項，G∈Rn×1；Tf為基于速度的摩擦力矩，Tf∈Rn×1； θ 為關節轉動向量，θ ∈Rn×1；為轉動加速度，為轉動角速度。

對冗余協作機器人摩擦力矩進行分析，依靠實際工程經驗，對摩擦力矩Tf進行建模，本文提出的摩擦力模型Tf為基于速度的3次函數：

式中，Tf為摩擦模型的力矩，A3、B2、C1和D0分別為本文定義的基于速度的3次摩擦力模型的參數系數。本文將基于速度3次摩擦力模型與真實摩擦力進行擬合，即可得到完整的摩擦力模型參數。第2.2節對摩擦力的參數系數進行遺傳算法求解。

2.2 基于遺傳算法的摩擦力多參數辨識

選用遺傳算法解決多參數辨識問題，其原因是遺傳算法的策略不依賴梯度信息，其解是全局最優的。提出的遺傳算法利用最小二乘法快速篩選一批適合的初始參數，來提升傳統遺傳算法的收斂速度，以滿足實時機器人控制系統對算法效率的要求；利用交叉運算和變異運算來實現個體之間的信息交換和局部搜索；利用遺傳算法迭代辨識出一批最佳摩擦力參數，最終使得目標函數最優。因此，遺傳算法可以更快速的找到全局最優解。更為準確的摩擦模型參數，可以使零力控制獲得更好的控制效果。因為初值采用最小二乘法求解可以使得遺傳算法收斂更快，所以可以將該算法移植到機器人的實時控制系統中。

遺傳算法流程圖如圖2所示，包含以下6步：

1）遺傳算法實質是利用最小二乘法快速選定一批局部最優的初始擦力模型參數值，作為遺傳算法優化的初始父代個體，最小二乘具體形式如下：

圖2 遺傳算法多參數擬合流程圖Fig.2 Flow chart of genetic algorithm multi-parameter fitting

2）初始化摩擦力模型種群參數。根據摩擦力模型的辨識參數和評估該群體中每個個體的誤差精度條件參數，設定算法的相關參數，如將摩擦力估計模型中遺傳算法的個體 γ 設為x?，種群大小根據實際情況進行設定，變異概率一般設為75%左右，最大遺傳繁衍迭代次數L為3000。這些算法相關參數影響著遺傳算法的精度和收斂效果。

3）根據待求解問題的特征，設定遺傳算法的適應度目標函數H設定為：

式中，N為迭代次數，yi為力矩實際值，Tf為力矩理論值。隨機產生種群個體并計算其相關的適應度，構建初始種群產生父母代個體，然后準備對摩擦力模型參數A3、B2、C1和D0進行多參數辨識。設當前迭代次數N為0，遺傳迭代辨識開始。

4）判斷是否滿足終止條件。

條件1：計算摩擦力模型種群中每個個體的適應度，同時評估該群體中每個個體的適應度是否滿足精度條件，適應性分數反映優勢個體被選擇的可能性。若適應度滿足精度條件，則跳轉步驟6），同時，輸出最佳優勢個體及其代表的最優多參數辨識解，否則進行下一步。

條件2：當前迭代次數N加1，若N大于L，則跳轉出程序，并告知無法收斂。否則進行下一步遺傳過程。

5）對摩擦力模型參數辨識問題進行編碼，選擇算子通過輪盤賭選擇適合的父母個體。通過交叉運算和變異運算操作繁殖產生新的個體，用新個體替換最不適合的種群。在獲得最佳適應度個體后,將個體的變量序列還原為摩擦力模型多參數，則摩擦力多參數辨識過程結束。

6）最終生成適應度高的個體，即滿足摩擦模型參數辨識最優。

將真實摩擦力曲線利用改進遺傳算法進行參數辨識，獲取摩擦力曲線的參數值。將摩擦力和動力學加入到控制器中，利用驅動器的兩種控制模式周期同步位置模式（CSP）和周期同步轉矩模式（CST），完成零力控制和碰撞檢測功能。

3 碰撞檢測方法

碰撞檢測的策略目標是區分協作機器人的正常運動行為和異常運動行為[10–15]。本文介紹了2階外力矩觀測器，通過引入比例微分（PD）控制和測速反饋控制解決碰撞保護方法。同時，也分析了2階外力矩觀測器缺點，由于傳統觀測器無法精確的給出模型，其最終碰撞檢測效果難以預測。鑒于此，本文提出了One-class卷積神經網絡碰撞檢測方法，該碰撞檢測方法成功地解決了傳統觀測器建模不準確的問題。

3.1 外力觀測器建模

協作機器人的動力學平衡方程為：

式中， τe為外力矩， τm為理論力矩，M(θ)為對稱正定矩陣，且滿足A=-為反對稱矩陣，由反對稱矩陣的性質AT=-A，及實對稱矩陣的性質AT=A，可得=+[16–18]。由式（10）求解外力矩 τe需要求解加速度，對位置反饋信息2次求導將會帶來計算誤差，引入噪音干擾其動量往往會出現突變?；趶V義動量設計觀測器模型可以不用再計算角加速度 θ¨，顯然引入動量方程對碰撞檢測的性能提高是十分有利的。機器人廣義動量方程為：

式中，p為廣義動量，等式兩邊對時間t求導，可得：

式中，s為s域，K1、K2為觀測器增益矩陣，R(s)為s域下的傳遞函數。由傳遞函數可知，R將隨著 τe的變化而變化，通過改變K1和K2的大小，可認為 τe約等于r(t)。r(t)為時域t下的傳遞函數，對于2階系統而言，PD控制的微分信號具有超前性，能夠在超調發生前對系統進行調節，起到提高系統實時性的作用，但關節速度、電機力矩等信息是從機器人的控制系統中采集得到的，難以避免地存在采樣噪聲，影響檢測效果。PD控制相當于高通濾波器，可能會放大這種噪聲的影響，這對系統是十分不利的，因此，引入測速反饋環節，加強系統的抗噪音干擾能力，減小PD環節對噪音的放大效果。引入PD控制和測速反饋控制后，觀測器的傳遞函數為：

式中，K3為PD控制系數矩陣，Kd為測速反饋控制系數矩陣，K3、Kd均屬于觀測器增益矩陣。對式（14）進行拉氏反變換r(t)=L-1(R(s))，可得優化后的觀測器模型：

式中，r1(t)、r2(t)為中間結果。

因此，采用式（13）的觀測器模型，通過調整觀測器增益K1、K2、K3、K t，可以較好地保證觀測器系統的實時性和準確性，實現協作機器人對外部碰撞的觀測。在真實系統中往往存在諧波減速器引起的關節摩擦力矩，關節摩擦力矩難以直接測量，但它往往在較小的可確定范圍內波動。因此，若不進行關節摩擦力矩辨識，可設定碰撞閾值rth大于0，通過閾值函數來判斷機器人是否發生了碰撞。碰撞閾值大小的設定很大程度上依靠經驗，所以該方案在模型不確定的情況下，碰撞效果難以得到有效的保證。鑒于此，作者利用深度學習進行網絡碰撞檢測的方法可以準確地檢測機器人的異常碰撞情況。

3.2 One-class卷積神經網絡碰撞檢測方法

對于碰撞檢測問題，使用較為完善的摩擦力模型和外力動量觀測器模型也很難得到準確的檢測效果。碰撞檢測實際上相當于一種單分類任務。對于單分類問題，由于缺乏負樣本數據，以端到端方式訓練此類網絡變得困難?；谏疃染矸e神經網絡（CNN）的方法在異常檢測和目標識別問題上表現出令人印象深刻的性能[19–23]。該網絡使用交叉熵損失來學習特定類別與另一個類別的不同特征[24–29]。單類分類檢測的主要概念是從由正常觀察組成的給定數據集中學習正常模型，以便可以通過與訓練模型的偏差來檢測異常。單分類不需要將未知對象樣本考慮進去，僅僅考慮正常樣本即可，除正樣本其他均為非負樣本。

圖3為本文的One-class卷積神經網絡結構。整個網絡由一個特征提取網絡和一個分類器組成。特征提取網絡本質上是將輸入的目標類正常力矩曲線嵌入到特征空間中。然后，將提取的特征附加偽負類數據，這些數據是從特征空間中的高斯函數生成的。接下來，將附加的特征輸入到一個分類器中。神經網絡使用二元交叉熵損失對整個網絡進行端到端訓練。分類網絡為每個特征表示分配一個置信度分數。分類網絡的輸出為1或0。這里1對應于屬于正目標類（正常運動行為）的數據樣本，0對應于屬于非正類的數據樣本（異常運動行為）。

圖3 One-class卷積神經網絡Fig.3 Schemat icdiagram of One-c lass CNN

3.2.1 One-class卷積神經網絡步驟

使用One-class卷積神經網絡的步驟為：

1）構建正常運動行為的正目標類數據樣本，對正常力矩曲線數據預處理，轉換為One-class卷積神經網絡可識別的數據格式。

2）對可識別的正常力矩曲線數據進行數據標準化的處理，以防止因樣本中不同特征數值大小相差較大影響One-class卷積神經網絡的分類器性能。

3）采用VGG、A lexnet和ResNet網絡提取數據特征，得到一個向量編碼。利用均值為0，標準差為0.1的高斯噪聲分布，生成同等維度的編碼向量，充當非正樣本編碼后的向量。

4）訓練整個One-class卷積神經網絡，利用softmax分類器網絡對提取的特征進行分類檢測；Oneclass卷積神經網絡檢測只關注與正常力矩曲線數據相似或者匹配程度，對于未知的力矩曲線數據不妄下結論。

5）對訓練后的模型進行測試驗證。

3.2.2特征提取與損失函數

在本文中，特征提取采用了VGG16作為骨干預訓練模型。在訓練時，凍結卷積層，只訓練全連接層。假設提取的特征是D維的，附加特征為高斯噪聲函數，其中， σ 和是高斯函數的參數，I是一個D×D單位矩陣。訓練時加入一些偽負樣本，在訓練方式都設置好之后，發現測試效果有所提升，達到了不錯的測試準確率。

由于將偽負數據附加到原始特征中，使用簡單的全連接層后跟一個softmax回歸層作為分類器網絡。全連接層的維度與特征維度保持一致。softmax層的輸出數量設置為2。設定學習率為 10-4，數據集進行歸一化處理。利用二元交叉熵損失函數Lc訓練整個網絡：

式中：2K為樣本數量；y為樣本的標簽值（y∈{0,3}，y為0 表未發生碰撞，y為1 表發生碰撞）；p1為網絡的預測值，即y為1的sof tmax概率。

4 實驗結論

下面對運動學，動力學，摩擦力模型辨識參數和One-class卷積神經網絡進行驗證[30]。因為真實的力矩曲線無法進行模擬和仿真，所以實驗通過驅動器軟件直接采集機器人的驅動器數據進行分析實驗。

4.1 運動學實驗

下面將圓錐面等距螺旋線方程輸入到離線編程軟件來驗證運動學正反解，其圓錐面等距螺旋線方程為：

式中，t為時間，px、py、p z為機器人末端在笛卡爾坐標系的坐標值，H為圓錐面等距螺旋線的高， ω1為繞中心軸旋轉角速度，R為圓錐面等距螺旋線平面的半徑，v為上升線速度。圖4為機器人求解軌跡的運動學驗證結果。其中：紅色曲線是利用螺旋線方程示教出來的機器人真實軌跡；綠色是將示教軌跡用逆運動學求解出關節值，然后將關節值作為正運動學的輸入參數，求解出目標軌跡參數?？梢钥闯?，作機器人末端示教軌跡（紅色）與運動學求解軌跡（綠色）圖一致，可見逆運動學建模的正確性。

圖4 運動學驗證Fig.4 Kinematics solution verification

對機器人末端位置進行絕對誤差分析。圖5為運動學絕對誤差示意圖，表示了機器人的理論位置值與運動學真實位置值的絕對誤差。由圖5可知，誤差滿足工程實際需求，絕對誤差在0.0001 3mm左右。為了計算的快速性，當誤差閾值為0.0015 mm時，New ton-MP法的平均迭代的次數不到20次（每次16m s）。冗余協作機器人可以在保證穩定性的基礎上滿足實時系統的要求。

圖5 運動學絕對誤差Fig.5 Kinematic absolute error

4.2 零力控制實驗

為證明摩擦力項在零力控制中的重要性，進行零力控制實驗。圖6為從驅動器軟件采集的真實關節力矩和牛頓歐拉法動力學理論力矩的差異示意圖。其中，紅色曲線為牛頓–歐拉法動力學理論力矩曲線，藍色曲線為驅動器采集的真實力矩曲線，理論力矩與真實力矩有較大的偏差是因為沒有考慮到摩擦力項。其差異可以證明，如果摩擦力忽略不計，對零力控制會有很大的影響。理論摩擦力模型是一種理想化模型，在實際工程中不能滿足實際使用。機器人動力學技術的許多工作都致力于獲得準確摩擦力的模型和辨識摩擦力模型的參數。摩擦力建模的準確性直接影響零力控制的實際效果。

圖6 動力學理論力矩與真實關節力矩Fig.6 Theoretical torque and actual joint torque

下面進行傳統摩擦力模型和本文提出的摩擦力模型進行對比。傳統摩擦力模型包括黏性摩擦和庫倫摩擦，其摩擦力模型為：

式中：v為黏性摩擦系數，它的符號取決于關節速度；c為庫倫摩擦常數。

圖7為傳統簡單摩擦力模型計算擬合摩擦力矩與真實觀測力矩曲線對比曲線，藍色曲線為冗余協作機器人真實摩擦力曲線，紅色曲線為傳統摩擦力的模型的力矩變化曲線。對于傳統摩擦力模型，當θ˙不等于0時，模型相當于一個線性理想方程，無法直接擬合真實摩擦力。

圖7 傳統模型擬合摩擦力矩與觀察真實力矩曲線Fig.7 Fitting friction torque from traditional model and observing actual torque curve

對本文提出的基于速度3次摩擦力模型進行驗證，利用遺傳算法進行摩擦力矩曲線擬合。圖8為計算擬合摩擦力矩與真實觀測力矩曲線對比曲線，藍色曲線為冗余協作機器人真實摩擦力曲線，紅色曲線為本文所提出的摩擦力模型的力矩變化曲線。本實驗驗證了遺傳算法求解摩擦力模型參數的正確性。雖然曲線近似相等，但是可以看到也有一些噪聲毛刺是無法擬合的，所以該方法僅適用于零力控制。如果應用碰撞保護策略很難保證碰撞算法的準確性。

圖8 擬合摩擦力矩與真實力矩曲線Fig.8 Fitting friction torque from the proposed model curve and observing actual torque

圖9為遺傳代數收斂情況，最終可以得到遺傳算法的個體參數 γ為：

圖9中，藍色、紅色、黃色和紫色曲線分別為A3、B2、C1和D0系數解，歷經30代遺傳，系數解的變化趨于平穩。由圖9可以看出，采用最小二乘法快速選定一批參數初值，摩擦力參數值震蕩較小，可以保證遺傳算法在保證穩定性的基礎上滿足實時系統對算法效率的要求。

圖9 遺傳代數收斂情況Fig.9 Convergence of genetic algebra

圖10為協作機器人零力控制實驗截圖，實驗利用完全動力學方程實現重力補償技術。經過實際交互操作測試，人手對機器人進行拖動示教，可以對復雜的操作工藝進行手把手示教，替代傳統的示教模式。

圖10 協作機器人零力控制實驗截圖Fig.10 Screenshots of collaborative robot zero-force control

4.3 碰撞檢測實驗

在本文中，One-class卷積神經網絡特征提取采用了VGG16作為骨干預訓練模型。如表1所示，經過驗證后模型準確率為0.917。

表1 One-class卷積神經網絡測試結果Tab.1 Test results of One-class CNN

表2為所提出One-class卷積神經網絡碰撞檢測算法與外力矩觀測器的性能比較。從表2可以看出，Oneclass卷積神經網絡碰撞檢測算法具有更高的準確率。外力矩觀測器碰撞檢測算法的執行效率具有更高的優勢。

表2 One-class卷積神經網絡和外力矩觀測器碰撞檢測對比Tab.2 Comparison of collision detection between Oneclass convolutional neural network and external moment observer

圖11為One-class卷積神經網絡碰撞檢測實驗截圖，示教協作機器人在開放的環境下自由動作（圖11（a））；用手指在無外部干擾時進行碰撞實驗（圖11（b）），來驗證碰撞檢測效果和靈敏度；手指與協作機器人發生碰撞以后，One-c lass卷積神經網絡檢測到碰撞后使得機器人停止運動（圖11（c））。圖12為直接利用驅動器軟件對機器人的第3個關節進行基于碰撞保護的電機轉矩曲線，其他關節類似，這里不作過多的分析。

圖11 協作機器人碰撞檢測實驗截圖Fig.11 Screenshots of collaborative robot collision detection

圖12 基于碰撞保護的電機轉矩曲線Fig.12 Motor torque curve diagram based on collision protection

由圖12可知，冗余協作機器人在受到外圍環境碰撞后，電流突然急劇變化（如曲線中的紅色部分），觸發控制器中的碰撞保護模塊，電流發生碰撞后降低至0（如曲線中的藍色部分）；然后，手動恢復機器人允許狀態繼續執行碰撞任務，將機器人對人的傷害降低到最低；冗余協作機器人碰撞保護功能確保了人機協作的安全性；提出One-class卷積神經網絡碰撞的方法優于外扭矩觀測器的碰撞檢測算法，在不依靠準確模型的基礎上能夠對異常碰撞進行很好的檢測。

5 結 論

主要研究了協作機器人柔順交互控制中零力控制和碰撞檢測方法。建立了一種分析冗余協作機器人New ton-MP通用的逆運動學算法，該方法絕對誤差達到0.000 13mm。對于零力控制問題，通過考慮摩擦力考慮進去形成完整動力學方程。同時，建立以關節速度為變量的3次摩擦模型，利用遺傳算法對3次摩擦模型進行參數求解實現了零力控制。由于協作機器人發生碰撞情況特別復雜，很難進行對碰撞數據建立完整的數據集，導致無法形成有效的負樣本。鑒于此，作者利用One-class分類檢測方法來解決碰撞檢測的端到端可訓練的分類問題。One-class卷積神經網絡在特征空間中引入了偽負高斯數據，并使用二元交叉熵損失對網絡進行了訓練。One-class卷積神經網絡碰撞檢測方法成功地補償了模型不確定的動態影響，適用于檢測各種碰撞。當檢測到外部碰撞時，需要采取適當的碰撞響應策略來保護工作人員的安全。未來可以嘗試用正樣本和少量非正樣本兩個數據集來訓練，同時也用兩個數據集來測試。通過改變正樣本和非正樣本的比例，尋求進一步提升碰撞檢測效果的可能。