Para abordar o problema da deterioração do desempenho de medição do sensor causada pelo acoplamento entre dimensões em sensores piezoelétricos de força/momento de seis dimensões, foi proposto um algoritmo integrado de desacoplamento (BO-CNN-BiLSTM) que combina Otimização Bayesiana (Bayesian Optimization, BO), Rede Neural Convolucional (Convolutional Neural Network, CNN) e Rede de Memória de Longo e Curto Prazo Bidirecional (Bi-directional Long and Short-term Memory Network, BiLSTM). O algoritmo primeiro reforça a capacidade de extração de características de acoplamento espacial do sinal de força de seis dimensões por meio do CNN, em seguida usa a capacidade de modelagem temporal bidirecional do BiLSTM para capturar dinamicamente as dependências temporais interdimensionais da carga, e incorpora o BO para realizar a otimização global autoadaptativa dos hiperparâmetros, superando efetivamente as deficiências dos métodos tradicionais de desacoplamento em termos de tempo real, generalização e consistência física. Ao mesmo tempo, o algoritmo BO-CNN-BiLSTM elimina a dependência da experiência de ajuste manual de parâmetros nos métodos tradicionais, realizando a modelagem adaptativa das características não lineares do sensor. Os resultados experimentais indicam que essa arquitetura reduz o erro máximo de acoplamento do tipo I e tipo II da saída do sensor de força/momento de seis dimensões para 0,87% e 0,52%, respectivamente. O algoritmo de desacoplamento BO-CNN-BiLSTM pode reduzir eficazmente o acoplamento entre dimensões no sensor de força de seis dimensões, melhorar a precisão da medição do sensor e fornecer percepção de força de alta confiabilidade para o controle de movimento humanóide e interação ambiental.

sensor de força de seis dimensões;desacoplamento estático;otimização bayesiana;rede convolucional bidirecional de memória de longo e curto prazo