[發明專利]一種基于神經網絡的6軸機器人動力學參數辨識方法

有效

• 申請號: 201910143907.6
• 申請日: 2019-02-26
• 公開（公告）號: CN109773794B
• 公開（公告）日: 2022-01-25
• 發明（設計）人: 泮求亮;林旭軍;王進;陸國棟
• 申請（專利權）人: 浙江大學
• 主分類號: B25J9/16
• 分類號: B25J9/16;B25J17/00
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 吳秉中

1.一種基于神經網絡的6軸機器人動力學參數辨識方法，其特征在于包括以下步驟：

第一步 動力學建模，建立6軸機器人的D-H連桿坐標系，構建其動力學方程，因為后三軸主要影響機器人末端姿態，對關節力矩的影響小，故不予考慮，主要進行前三關節動力學參數的辨識；根據拉格朗日動力學方程，推導出機器人顯性線性表達式，根據最小慣性原理將表達式簡化成線性形式，給出需要辨識的動力學參數，觀測矩陣；

第二步 激勵軌跡優化，進行關節角度的傅里葉級數展開，為了得到邊界連續，關節角速度，角加速度在周期起始等于0的傅里葉級數，需要對它進行優化，以五次多項式來代替常數項，得到改進的傅里葉級數，相關公式如下：

其中i為第i關節,w_f為傅里葉級數的基頻，a_ik，b_ik為傅里葉級數，為常數項系數，M為傅里葉級數的階數；

以免疫克隆算法來優化得到傅里葉級數的系數，得到優化的激勵軌跡；

第三步 實驗采樣，讓機器人跟隨激勵軌跡運動，多個周期，不同時刻用光電編碼器采集多組機器人的關節角度，得到多組關節力矩作為實驗樣本，同時得到電機反饋電流，根據轉矩系數，求出電機輸出力矩即為關節力矩；

第四步 數據處理，通過三標準差以及中位值平均濾波法對實驗采集的數據進行數據預處理，來降低數據噪聲對實驗的影響；

第五步 動力學參數估計，根據實驗得到的多組觀測矩陣以及關節力矩，通過神經網絡來辨識出動力學參數；

第六步 參數驗證，給出一條不同于激勵軌跡的可執行軌跡，機器人跟隨軌跡運動，多個周期，不同時刻采集多組機器人的關節角度，電機反饋電流，根據所求的動力學參數得到理論的關節力矩與實驗得到關節力矩做對比，用力矩殘差根來評價動力學參數的可靠性；

所述的免疫克隆算法優化傅里葉級數具體為改進后的激勵軌跡每個關節有10個自由度，3個關節共計30個自由度系數，同時，機器人的關節位置，速度和加速度受到約束，采用免疫克隆選擇算法，來獲得優化結果，優化指標為觀測矩陣的條件數最小，免疫克隆選擇算法尋優步驟如下：

(1)首先對抗原進行識別，即對需要優化的問題進行分析，選出優化特征，針對需要優化的特征進行可行性分析，然后構造出它的親和度函數，作為問題的評價指標，同時構造出問題的約束條件，本發明中的優化問題為30個自由度系數，最小條件數作為其親和度函數，機器人的關節運動范圍，最大速度與最大加速度作為其約束條件；

(2)然后對抗體進行初始化，初始解采用實數編碼的方式，通過編碼將問題的可行解轉換成免疫克隆選擇算法中的抗體，產生一組滿足約束條件的隨機初始解；

(3)對種群中的每一個抗體個體計算親和度，通過計算個體的親和度，以此來評價抗體的性能；

(4)對種群中的抗體根據親和度大小進行排序，選擇前50％的優良個體作為優良個體；

(5)對選中的優良個體進行克隆、變異和克隆抑制操作，刪選得到同樣數量的子代個體；

(6)隨機生成與原種群數量相等的新生種群，計算其親和度，并刪選出前50％的優良子代；

(7)將(5)(6)生成的免疫種群與新生種群合并，取代原來的種群；

(8)判斷得到的新種群是否滿足算法的終止條件，終止條件為迭代次數超過200次，如果滿足終止條件，則終止尋優過程，否則繼續進行迭代尋優。

2.根據權利要求1所述的一種基于神經網絡的6軸機器人動力學參數辨識方法，其特征在于：所述的第四步具體為對采樣得到的多組觀測矩陣數據，先進行三標準差準則，除去粗大誤差；之后再用中位值平均濾波法對實驗數據進行處理，來降低數據噪聲帶來的影響。

3.根據權利要求1所述的一種基于神經網絡的6軸機器人動力學參數辨識方法，其特征在于：所述的第五步具體為將實驗得到觀測矩陣作為神經網絡的輸入，初始的權重設置為0-1的隨機值，實驗得到的關節力矩作為神經網絡輸出的標簽，理論的關節力矩作為神經網絡的輸出，采用批量梯度下降優化算法來估計動力學參數，訓練完的神經網絡的權重即為待估計的動力學參數。