[發明專利]一種基于數據驅動的機器人近零跟隨誤差控制方法

有效

• 申請號: 202011089607.3
• 申請日: 2020-10-13
• 公開（公告）號: CN112327938B
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 葉伯生;譚帥;張文彬;張翔;侯昊楠
• 申請（專利權）人: 華中科技大學
• 主分類號: G05D1/12
• 分類號: G05D1/12;G06N3/00;G06N3/08
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智

1.一種基于數據驅動的機器人近零跟隨誤差控制方法，其特征在于，包括：

從在線過程數據中提取所述機器人的目標屬性并輸入在線深度神經網絡模型，在每個控制周期，得到機器人末端參考軌跡上每個離散點對應的位置補償值，并映射為所述機器人各關節的角度補償量；利用所述角度補償量對變參數自適應控制器的輸入進行補償，得到目標控制量，并將所述目標控制量發送至所述機器人，以使所述機器人沿所述參考軌跡運動，完成當前控制周期的控制；

在所述機器人的整個軌跡跟隨過程中，按照預設的結構更新規則對所述在線深度神經網絡模型的參數進行動態調整；

其中，所述目標屬性為控制機器人軌跡跟隨的過程數據中，最能表征影響跟隨誤差的屬性；所述在線深度神經網絡模型為多輸入多輸出深度神經網絡，用于根據所述機器人的屬性預測所述參考軌跡上每個離散點對應的位置補償值；按照所述結構更新規則，所述在線深度神經網絡模型的參數隨著工況和跟隨過程所積累的數據量的變化發生動態變化；

在將所述目標控制量發送至所述機器人之前，還包括：構建所述機器人末端的位置與速度間的解耦模型，并利用所述解耦模型確定所述目標控制量對應的超前量；

并且，將所述目標控制量發送至所述機器人的時間由所述超前量決定。

2.如權利要求1所述的基于數據驅動的機器人近零跟隨誤差控制方法，其特征在于，對所述在線深度神經網絡模型的參數進行動態調整，通過雞群優化算法完成。

3.如權利要求1所述的基于數據驅動的機器人近零跟隨誤差控制方法，其特征在于，通過雞群優化算法對所述在線深度神經網絡模型的參數進行動態調整的過程，滿足李雅普諾夫能量函數的約束；

所述李雅普諾夫能量函數定義如下：

其中，x_e、y_e、z_e為機器人末端位置偏差，是V關于時間的導數；當且僅當x_e＝y_e＝z_e＝0時，

4.如權利要求1所述的基于數據驅動的機器人近零跟隨誤差控制方法，其特征在于，所述結構更新規則的獲取方式包括：

測試不同機器人對多種不同軌跡的軌跡跟隨效果，獲得用于處理各軌跡下軌跡跟隨動態數據流的在線深度神經網絡模型結構優化方法，將其中能夠獲取最佳控制補償值的優化方法確定為所述結構更新規則。

5.如權利要求1-4任一項所述的基于數據驅動的機器人近零跟隨誤差控制方法，其特征在于，所述解耦模型滿足如下關系：

δ_F＝g(f(s),q_E,J,δ_G)；

其中，δ_F表示所述超前量，f(s)為所述參考軌跡，q_E為所述機器人的末端位姿，J為用于描述所述機器人末端速度和關節速度之間的變換關系的雅可比矩陣，δ_G為所述在線深度神經網絡輸出的補償值，g為超前量約束關系。

6.如權利要求5所述的基于數據驅動的機器人近零跟隨誤差控制方法，其特征在于，所述超前量約束關系g的輸入和輸出間滿足如下線性組合關系：

δ_F＝Adf(s)+Bdq_E+CdJ+Dδ_G；

其中，d代表當前控制周期與上一控制周期的差值，A、B、C和D是線性組合關系中的4個系數。

7.如權利要求1-4任一項所述的基于數據驅動的機器人近零跟隨誤差控制方法，其特征在于，利用變參數自適應控制獲取控制量的過程，滿足李雅普諾夫能量函數的約束；

所述李雅普諾夫能量函數定義如下：

其中，x_e、y_e、z_e為機器人末端位置偏差，是V關于時間的導數；當且僅當x_e＝y_e＝z_e＝0時，