[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

本發明公開了一種基于神經網絡的6軸機器人動力學參數辨識方法。步驟如下：第一步：機器人動力學建模以及線性化；第二步：激勵軌跡優化，采用人工免疫算法來優化激勵軌跡；第三步：實驗采樣，讓機器人跟隨激勵軌跡運動，獲取多組觀測矩陣與關節力矩作為實驗數據。第四步：數據處理，采用三標準差準則以及中位值平均濾波法對實驗采集的數據進行預處理，降低數據噪聲帶來的影響。第五步：動力學參數估計，采用神經網絡對動力學參數進行估計。第六步：參數驗證，再讓機器人跟隨一條與激勵軌跡不同的可執行軌跡，再次采樣實驗數據，根據辨識所得的動力學參數來預測理論關節力矩，用力矩殘差根來評價辨識的動力學參數的可靠性。

技術領域

本發明涉及了一種機器人動力學參數辨識的方法，尤其是涉及了一種基于神經網絡的6軸機器人動力學參數辨識方法，涉及工業生產、物流運輸等領域中廣泛使用的串聯工業機器人，準確的動力學參數是機器人高精度控制的基礎。

背景技術

機器人動力學是探討機器人控制的基礎，所以動力學參數辨識是機器人控制中非常關鍵的一項技術，工業機器人實現高精度控制，平滑運動軌跡都需要高精度的動力學參數。目前機器人動力學傳參數辨識大多采用遺傳算法來優化激勵軌跡，用最小二乘法來進行動力學參數的迭代估計，動力學參數估計精度不高，導致工業機器人難以準確控制。

發明內容

針對現有技術的不足，本發明公開了一種基于神經網絡的6軸機器人動力學參數辨識方法，提高了動力學參數的估計精度，具有較高的容錯性。

一種基于神經網絡的6軸機器人動力學參數辨識的方法，包括以下幾個步驟：

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(改進)，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。

進一步的，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：