CN107650126B - 六轴工业机器人动力学参数自动适应方法 - Google Patents
六轴工业机器人动力学参数自动适应方法 Download PDFInfo
- Publication number
- CN107650126B CN107650126B CN201711085751.8A CN201711085751A CN107650126B CN 107650126 B CN107650126 B CN 107650126B CN 201711085751 A CN201711085751 A CN 201711085751A CN 107650126 B CN107650126 B CN 107650126B
- Authority
- CN
- China
- Prior art keywords
- parameter
- actual
- model
- robot
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种六轴工业机器人动力学参数自动适应方法,包括以下步骤:一、根据搭建好的动力学模型其中M为机器人6×6惯性矩阵,为离心和Coriolis项的6×1矢量,为重力项的6×1矢量,将三部分力分解表达到各个关节上;根据实际机器本体具体情况得到参数输入范围,将不同参数范围归一化并初始化;二、采集实际出力值,带入模型,构成各轴以参数为未知量的方程组,并求解预定范围内的参数值;三、搭建自适应方式双倍混合遗传优化模型用以求解此模型下的局部变量最优值;四、搭建参数学习模型,用于将得到的参数值应用到实际机器人模型当中。本发明能够根据实际控制效果和参考效果的差异,得到参数最优组合。并能全面覆盖机械所有工作范围,实现精准的动力学控制。
Description
技术领域
本发明涉及工业机器人控制技术领域,具体涉及一种六轴工业机器人动力学参数自动适应方法。
背景技术
目前使用动力学算法的控制器,都是根据机器人本体实际结构参数作为动力学模型输入参数使用。由于本体各个关节包括连杆,减速器,电机,其中材料和质量分布都很复杂,加之润滑油等产生的摩擦力也和环境条件耦合紧密,容易影响参数获得的真实性,从而使得动力学参数值和实际控制模型产生偏差。控制的效果大打折扣。首先获得动力学模型参数方法非常复杂,且本体一旦组装完成就不容易验证并重新获取。其次排除环境干扰也能困难,最终控制效果也无法找到参数缺陷的问题,几乎没有任何渠道可以验证参数的真实性。
发明内容
本发明克服了现有技术的不足,提供一种六轴工业机器人动力学参数自动适应方法。使得本体在不拆卸的状态轻松获得动力学参数例如各个关节的质量,重心位置,转动惯量,摩擦系数等,并有渠道验证可靠性,准确性。
为解决上述的技术问题,本发明采用以下技术方案:
一种六轴工业机器人动力学参数自动适应方法,所述的方法包括以下步骤:步骤一、根据搭建好的机器人动力学模型其中M(Θ)为实际机器人本体6×6惯性矩阵,为离心和Coriolis项的6×1矢量,G(Θ)为重力项的6×1矢量,将三部分力分解表达到各轴上;根据实际机器人本体具体情况得到参数输入范围,将不同参数范围归一化并初始化;
步骤二、采集实际出力值Fr,带入机器人动力学模型,构成各轴以参数为未知量的方程组,并求解预定范围内的参数值;
步骤三、搭建自适应方式双倍混合遗传优化模型用以求解机器人动力学模型下的局部变量最优值;
步骤四、搭建参数学习模型,用于将得到的参数值应用到机器人动力学模型得到实际机器人模型。
更进一步的技术方案是所述的步骤一中将三部分力分解表达到各轴上,包括以下步骤:
当i:0→5,则:
连杆质心加速度为:
当i:6→1,则:
连杆间逆向驱动力矩为:
其中,m为各个轴质量,Z为转动方向矢量,θ为关节旋转角度,R为空间齐次变化矩阵,P为连杆长度,PC为连杆质心位置,I为转动惯量矩阵,其中m,P,PC,I为需要得到的参数;根据实际机器人本体具体情况得到参数输入范围,归一化为在0-1范围内的数字表示。
更进一步的技术方案是所述的步骤二包括:在位置模式运动实际机器人本体,通过组态软件,监视各轴电机驱动反馈的转矩信号,得到实际出力值Fr,带入机器人动力学模型,构成各轴以参数为未知量的方程组,并求解预定范围内的参数值。
更进一步的技术方案是所述的步骤三包括:
步骤1),令初始n=0,随机产生K个取值范围为0-1的含有两条染色体的个体构成初始种群;
步骤2),带入机器人动力学模型,计算目标出力值Ft;
步骤3),目标出力值Ft与实际出力值Fr进行比较,若满足∑(Fr-Ft)<ξ,则输出结果;若不满足,则进入步骤4);
步骤4),按以完全显性规则生成新的个体的适应度进行选择;
步骤5),将所选择的个体对应的原个体以自适应度交叉概率和变异概率进行交叉变异,令n=n+1,循环进行步骤3)。
更进一步的技术方案是所述的步骤四包括:
步骤a,编码
采用正态分布随机数生成方法,对K个变量随机产生0-1内的初始数据;
步骤b,适应度计算
步骤c,选择操作
从旧数据中以一定概率选择个体到新数据中,重组染色体的内容;
步骤d,交叉操作
采用部分映射杂交,选取适应度值大的前两组参数值,随机一段数据交换数据位,产生新的数据;
步骤e,变异操作
再次随机生成两位数据,将该两位数据对换,产生一组新的数据;
步骤f,再次计算适应度值,判断是否达到结束循环要求fitness>ξ,其中表示满足结束循环要求fitness>ξ或者循环次数达到程序设定值即退出学习;将最终得到的参数值应用到机器人动力学模型得到实际机器人模型。
更进一步的技术方案是所述的步骤1)包括:编码时,染色体按完全显性规则进行组合。
更进一步的技术方案是所述的步骤2)包括:若n>0,则采用最后保存策略,用最优解替换掉每代的最差解。
与现有技术相比,本发明实施例的有益效果之一是:本发明通过动力学参数自动适应算法能够根据实际控制效果和参考效果的差异,得到参数最优组合。并能全面覆盖机械所有工作范围。不需要任何测量设备,简单高效的完成参数辨识动态调整。实现精准的动力学控制。
附图说明
图1为本发明一个实施例中建自适应方式双倍混合遗传优化模型方法流程图。
图2为本发明一个实施例中搭建参数学习模型方法流程图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
下面结合附图及实施例对本发明的具体实施方式进行详细描述。
在下面的详细描述中,出于解释的目的描述了许多具体描述以便能够彻底理解所公开的实施方案,然而,很明显一个或多个实施方式可以在不使用这些具体描述的情况下实施,在其他实例中,示意性地显示已知结构和装置,以便简化附图。
根据本发明的一个实施例,本实施公开的六轴工业机器人动力学参数自动适应方法,使得本体在不拆卸的状态轻松获得动力学参数例如各轴的质量,重心位置,转动惯量,摩擦系数等,并有渠道验证可靠性,准确性。具体的,本实施例六轴工业机器人动力学参数自动适应方法通过以下步骤实现:
Step1,在搭建好的机器人动力学模型其中M(Θ)为实际机器人本体6×6惯性矩阵,为离心和Coriolis项的6×1矢量,G(Θ)为重力项的6×1矢量。将三部分力分解表达到各轴上,具体的,通过以下步骤实现:
当i:0→5,则:
连杆质心加速度为:
当i:6→1,则:
连杆间逆向驱动力矩为:
末端Z分量上的扭矩为:其中,m为各个轴质量,Z为转动方向矢量,θ为关节旋转角度,R为空间齐次变化矩阵,P为连杆长度,PC为连杆质心位置,I为转动惯量矩阵,其中m,P,PC,I为需要得到的参数;根据实际机器人本体具体情况得到参数输入范围,归一化为在0-1范围内的数字表示,例如m∈(0.5,5)单位KG,那么m∈(0,1)就对应0.5-5KG的具体值。其他参数以此转换。得到每个输入参数的范围。将不同参数范围归一化并初始化。假设变量个数为K。
Step2,采集实际出力值Fr。
此数据为寻优模型的参考值,需要在特定姿态运动实际机器人本体进行采集。特定姿态与实际机器人本体结构密切相关,不同结构的实际机器人本体特定姿态需要特别设计,以得到动力学目标值在本体运动范围内的全面覆盖,最终使得参数适应范围最广。
具体的,在位置模式运动实际机器人本体,通过组态软件,监视各轴电机驱动反馈的转矩信号,得到实际出力值Fr。此值与上述模型中F匹配,带入机器人动力学模型,构成各轴以参数为未知量的方程组,并求解预定范围内的参数值。
Step3,由于方程组并非传统形式,且未知数个数非常繁多。方程表达结构和上述模型一样均为嵌套结构,故很难使用传统代数法或者几何法得到局部最值。结合模型的特殊性,维度的多样性,故搭建自适应方式双倍混合遗传优化模型用以求解机器人动力学模型下的局部变量最优值。具体的,包括以下步骤:
步骤1),令初始n=0,随机产生K个取值范围为(0-1)的含有两条染色体的个体构成初始种群。优选的,编码时,染色体按完全显性规则进行组合。
步骤2),带入机器人动力学模型,计算目标出力值Ft。优选的,若n>0,则采用最后保存策略,用最优解替换掉每代的最差解。
步骤3),目标出力值Ft与实际出力值Fr进行比较,若满足∑(Fr-Ft)<ξ,则输出结果;若不满足,则进入步骤4)。
步骤4),按以完全显性规则生成新的个体的适应度进行选择。
步骤5),将所选择的个体对应的原个体以自适应度交叉概率和变异概率进行交叉变异,令n=n+1,循环进行步骤3)。
依据遗传群体的环境参量动态调整变量进化策略和控制局部搜索强度的自适应进化策略,依靠双倍体所固有的适应环境的能力,采用新的编码技术,更有效的达到搜索寻优的目的。机器人动力学参数非线性程度高,参数之间耦合性强,很难用通用搜索寻优算法得到全局最优解。故采用以下参数学习模型,突破局部最优解。
Step4,搭建参数学习模型
以上求解模型中,核心问题存在于目标出力值与实际出力值比较失败后,如何高效准确的搜索到最优参数值。优选的,本实施例通过以下步骤实现:
步骤a,编码
步骤b,适应度计算
步骤c,选择操作
即从旧数据中以一定概率选择个体到新数据中,个体被选中的概率跟适应度值有关,个体适应度值越大,被选中的概率越大。重组染色体的内容。具体例子结合交叉操作一起实现。
步骤d,交叉操作
采用部分映射杂交,选取适应度值大的前两组参数值,随机一段数据交换数据位,产生新的数据。例如随机数r1=5,r2=8;适应度大的前两组数据为
选择交叉后得到
步骤e,变异操作
再次随机生成两位数据如:r1=3,r2=7,将该两位数据对换,产生一组新的数据。以上面为例:
变异后数据得:
由于串联结构机器人动力学模型复杂,一次遗传优化可能无法得到最理想的自适应参数,需要多次采样,多次学习,从而在全面运动的过程中得到无限接近真实效果的匹配值。
本实施例通过动力学参数自动适应算法能够根据实际控制效果和参考效果的差异,得到参数最优组合。并能全面覆盖机械所有工作范围。不需要任何测量设备,简单高效的完成参数辨识动态调整。实现精准的动力学控制。
在本说明书中所谈到的“一个实施例”、“另一个实施例”、“实施例”等,指的是结合该实施例描述的具体特征、结构或者特点包括在本申请概括性描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说,结合任一个实施例描述一个具体特征、结构或者特点时,所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明的范围内。
尽管这里参照发明的多个解释性实施例对本发明进行了描述,但是,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说,在本申请公开权利要求的范围内,可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变型和改进外,对于本领域技术人员来说,其他的用途也将是明显的。
Claims (5)
1.一种六轴工业机器人动力学参数自动适应方法,其特征在于:所述的方法包括以下步骤:
步骤一、根据搭建好的机器人动力学模型其中M(Θ)为实际机器人本体6×6惯性矩阵,为离心和Coriolis项的6×1矢量,G(Θ)为重力项的6×1矢量,将三部分力分解表达到各轴上;根据实际机器人本体具体情况得到参数输入范围,将不同参数范围归一化并初始化;
步骤二、采集实际出力值Fr,带入机器人动力学模型,构成各轴以参数为未知量的方程组,并求解预定范围内的参数值;
步骤三、搭建自适应方式双倍混合遗传优化模型用以求解机器人动力学模型下的局部变量最优值,具体包括:
步骤1),令初始n=0,随机产生K个取值范围为0-1的含有两条染色体的个体构成初始种群;
步骤2),带入机器人动力学模型,计算目标出力值Ft;
步骤3),目标出力值Ft与实际出力值Fr进行比较,若满足∑(Fr-Ft)<ξ,则输出结果;若不满足,则进入步骤4);
步骤4),按以完全显性规则生成新的个体的适应度进行选择;
步骤5),将所选择的个体对应的原个体以自适应度交叉概率和变异概率进行交叉变异,令n=n+1,循环进行步骤3);
步骤四、搭建参数学习模型,用于将得到的参数值应用到机器人动力学模型得到实际机器人模型,具体包括:
步骤a,编码
采用正态分布随机数生成方法,对K个变量随机产生0-1内的初始数据;
步骤b,适应度计算
步骤c,选择操作
从旧数据中以一定概率选择个体到新数据中,重组染色体的内容;
步骤d,交叉操作
采用部分映射杂交,选取适应度值大的前两组参数值,随机一段数据交换数据位,产生新的数据;
步骤e,变异操作
再次随机生成两位数据,将该两位数据对换,产生一组新的数据;
2.根据权利要求1所述的六轴工业机器人动力学参数自动适应方法,其特征在于所述的步骤一中将三部分力分解表达到各个关节上,包括以下步骤:
当i:0→5,则:
连杆质心加速度为:
当i:6→1,则:
连杆间逆向驱动力矩为:
其中,m为各个轴质量,Z为转动方向矢量,θ为关节旋转角度,R为空间齐次变化矩阵,P为连杆长度,PC为连杆质心位置,I为转动惯量矩阵,其中m,P,PC,I为需要得到的参数;根据实际机器人本体具体情况得到参数输入范围,归一化为在0-1范围内的数字表示。
3.根据权利要求1所述的六轴工业机器人动力学参数自动适应方法,其特征在于所述的步骤二包括:在位置模式运动实际机器人本体,通过组态软件,监视各轴电机驱动反馈的转矩信号,得到实际出力值Fr,带入机器人动力学模型,构成各轴以参数为未知量的方程组,并求解预定范围内的参数值。
4.根据权利要求1所述的六轴工业机器人动力学参数自动适应方法,其特征在于所述的步骤1)包括:编码时,染色体按完全显性规则进行组合。
5.根据权利要求1或4所述的六轴工业机器人动力学参数自动适应方法,其特征在于所述的步骤2)包括:若n>0,则采用最后保存策略,用最优解替换掉每代的最差解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711085751.8A CN107650126B (zh) | 2017-11-07 | 2017-11-07 | 六轴工业机器人动力学参数自动适应方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711085751.8A CN107650126B (zh) | 2017-11-07 | 2017-11-07 | 六轴工业机器人动力学参数自动适应方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107650126A CN107650126A (zh) | 2018-02-02 |
CN107650126B true CN107650126B (zh) | 2020-11-20 |
Family
ID=61120538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711085751.8A Active CN107650126B (zh) | 2017-11-07 | 2017-11-07 | 六轴工业机器人动力学参数自动适应方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107650126B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019001177B4 (de) * | 2018-02-19 | 2024-01-18 | Fanuc Corporation | Steuergerät, maschinelle Lernvorrichtung und System |
CN111438692A (zh) * | 2020-04-17 | 2020-07-24 | 达闼机器人有限公司 | 机器人控制方法、装置、介质、设备以及机器人 |
CN111872942B (zh) * | 2020-08-07 | 2023-06-20 | 四川福莫斯工业技术有限公司 | 一种多轴机器人的扭矩前馈方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102320043A (zh) * | 2011-06-07 | 2012-01-18 | 北京邮电大学 | 一种机器人动力学参数的动静态辨识方法 |
CN102540894B (zh) * | 2012-02-17 | 2014-04-09 | 南京电力设备质量性能检验中心 | 一种基于遗传算法的带有未知负载的机械手参数辨识方法 |
CN103927451B (zh) * | 2014-04-21 | 2017-03-22 | 西北工业大学 | 一种空间机器人系统参数在轨辨识方法 |
CN106346513B (zh) * | 2016-10-17 | 2019-04-09 | 华南理工大学 | 一种六自由度机器人末端负载动力学参数辨识装置及方法 |
-
2017
- 2017-11-07 CN CN201711085751.8A patent/CN107650126B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107650126A (zh) | 2018-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107650126B (zh) | 六轴工业机器人动力学参数自动适应方法 | |
CN112904728B (zh) | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 | |
CN110450156B (zh) | 多自由度机械臂系统自适应模糊控制器的优化设计方法 | |
Wen et al. | Elman fuzzy adaptive control for obstacle avoidance of mobile robots using hybrid force/position incorporation | |
CN110989626B (zh) | 一种基于控制参数化的无人机路径规划方法 | |
CN110196590A (zh) | 一种用于机器人路径跟踪的时间最优轨迹规划系统及方法 | |
CN112338912A (zh) | 一种柔性单链机械臂的有限时间稳定控制方法及系统 | |
CN106329399B (zh) | 一种输电线路螺栓紧固机器人的控制方法及控制器 | |
CN114102600B (zh) | 一种多空间融合的人机技能迁移与参数补偿方法及系统 | |
Nakazono et al. | Vibration control of load for rotary crane system using neural network with GA-based training | |
CN111230882A (zh) | 一种水果分拣并联机器人夹持机构的自适应变阻抗控制方法 | |
de Jesús Rubio et al. | Dynamic model with sensor and actuator for an articulated robotic arm | |
CN104715133B (zh) | 一种待辨识对象的运动学参数在轨辨识方法和装置 | |
CN115648209A (zh) | 一种工业机器人多目标自适应协同轨迹优化方法及应用 | |
Væhrens et al. | Learning Task-independent Joint Control for Robotic Manipulators with Reinforcement Learning and Curriculum Learning | |
CN114030222B (zh) | 可视化冲压线多机协调轨迹优化方法及系统 | |
Nawrocka et al. | Neural network control for robot manipulator | |
CN112264995B (zh) | 一种基于层级强化学习的机器人双轴孔装配方法 | |
CN113568312A (zh) | 受干扰情况下的单链机械臂轨迹跟踪方法 | |
Gu et al. | Geometry-Based Adaptive Tracking Control for an Underactuated Small-Size Unmanned Helicopter | |
Filipovic et al. | Contribution to the modeling of cable-suspended parallel robot hanged on the four points | |
Kharabian et al. | Adaptive tuning of sliding mode-PID control in free floating space manipulator by sliding cloud theory | |
CN113400299B (zh) | 网络化机器人协同控制方法、装置、设备及存储介质 | |
CN108466267A (zh) | 一种2r欠驱动平面机械臂的控制方法 | |
Peralta-Caprachin et al. | Design and Position Control of a Robot with 5 Degrees of Freedom |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 610000 No. 42, Huatai Road, Chenghua District, Chengdu, Sichuan Patentee after: Chengdu kanop Robot Technology Co.,Ltd. Address before: No.9, Chengjia Road, Longtan Industrial Park, Chenghua District, Chengdu, Sichuan 610000 Patentee before: CHENGDU CRP AUTOMATION CONTROL TECHNOLOGY Co.,Ltd. |