CN109986555B - 一种空间机器人系统基于动量的参数辨识方法 - Google Patents
一种空间机器人系统基于动量的参数辨识方法 Download PDFInfo
- Publication number
- CN109986555B CN109986555B CN201910081363.5A CN201910081363A CN109986555B CN 109986555 B CN109986555 B CN 109986555B CN 201910081363 A CN201910081363 A CN 201910081363A CN 109986555 B CN109986555 B CN 109986555B
- Authority
- CN
- China
- Prior art keywords
- momentum
- parameter identification
- space robot
- robot system
- parameters
- 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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- 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
- B25J9/1633—Programme controls characterised by the control loop compliant, force, torque control, e.g. combined with position control
-
- 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
- B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种空间机器人系统基于动量的参数辨识方法,包括:步骤1:建立空间机器人系统基于动量的参数辨识模型;步骤2:使用并行学习方法进行参数辨识,在参数辨识结果更新的每一步,同时使用当前时刻以及过去时刻的空间机器人系统运动信息进行参数辨识结果更新,完成参数辨识结果更新。实现了系统的激励运动不需要满足持续激励条件也能够保证参数辨识值能够全局范围内以指数速率收敛到真值,降低了参数辨识方法对系统运动的要求,从而有利于节省燃料消耗以及使系统运动满足其他任务要求。
Description
技术领域
本发明属于空间机器人技术领域,涉及一种空间机器人系统基于动量的参数辨识方法。
背景技术
空间机器人可以用于故障卫星维护、空间碎片清理等任务。当空间机器人捕获动力学参数事先未知的目标后,形成的组合体含有未知的动力学参数。为了得到系统精确的动力学方程以及为系统设计依赖动力学模型的精确的控制律,需要辨识系统未知的动力学参数。现有的空间机器人参数辨识方法大致分为三类:基于视觉、基于力以及基于动量的参数辨识方法。基于力和基于视觉的参数辨识方法需要空间机器人安装特定的传感器并且容易受到传感器测量噪声的影响。基于动量的参数辨识方法在空间机器人捕获目标后的阶段工作,其中,辨识模型依据系统动量守恒性质推导得到,系统需要通过运动产生激励轨迹来完成参数辨识。
目前学者,推导了基于动量守恒方程的参数辨识模型,需要假定捕获后系统的初始线/角动量为零,因为在捕获前目标往往具有翻滚运动,常见的情形是捕获后系统的角动量未知且不为零。使用基于动量的参数辨识模型的导数和增量形式,因为系统的总动量为常值,从而被消除而不会出现在新的参数辨识模型中。基于得到的参数辨识模型,提出了一种基于李雅普诺夫函数的参数自适应律和递归最小二乘算法进行参数辨识。近期基于动量的空间机器人参数辨识方法研究了如何设计系统的激励轨迹,提出使用有限傅里叶级数表示系统的激励轨迹,并通过求解最小化辨识模型中回归矩阵条件数的优化问题来确定傅里叶级数的参数。还有的将参数辨识描述为一个优化问题,并使用粒子群优化算法求解优化问题来确定系统的未知参数。通过将捕获后的空间机器人系统设置为一个单体系统(锁定所有的关节)或者二体系统(依次只解锁一个关节)来进行参数辨识,也使得系统满足条件的激励轨迹更容易被设计得到。
但是,现有的空间机器人基于动量的参数辨识方法要求系统的激励运动满足持续激励条件,才能保证参数辨识结果能够收敛到真值。然而,持续激励条件对系统每一时刻(包括未来)的运动都有要求,因而很难在线判定。此外,持续激励条件对系统运动的要求可能使得系统运动为满足持续激励条件造成额外的燃料消耗,并影响系统的其他运动要求,比如在空间机器人系统中,为保证基座卫星对地通信等要求,需要机械臂的运动不能对基座姿态造成干扰。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种空间机器人系统基于动量的参数辨识方法。
为达到上述目的,本发明采用以下技术方案予以实现:
一种空间机器人系统基于动量的参数辨识方法,包括以下步骤:
步骤1:建立空间机器人系统基于动量的参数辨识模型;
步骤2:使用并行学习方法进行参数辨识,在参数辨识结果更新的每一步,同时使用当前时刻以及过去时刻的空间机器人系统运动信息进行参数辨识结果更新,完成参数辨识结果更新。
本发明进一步的改进在于:
步骤1的具体方法为:
建立空间机器人捕获目标后系统的线动量和角动量方程:
系统的初始线动量为零,将式(1)表示为关于末端执行器动力学参数的线性方程组:
其中,w=[1/mn,nanx,nany,nanz,nIn,xx,nIn,xy,nIn,xz,nIn,yy,nIn,yz,nIn,zz]T是末端执行器的动力学参数向量,左上标“n”表示在连杆n本体坐标系下的表示,xb表示基座姿态和基座质心位置,表示基座角速度和基座质心线速度,和分别表示关节角度和关节角速度向量;
对式(2)求导数,得到空间机器人系统基于动量的参数辨识模型:
其中,Ψ和z分别为Φ和y关于时间的导数。
步骤1还包括对待辨识参数取值进行量级统一。
对待辨识参数取值进行量级统一的具体方法为:
通过式(3)得到:
步骤2的具体方法为:
在参数辨识结果更新的每一步,同时使用当前时刻以及过去时刻的空间机器人系统运动信息进行参数辨识结果更新:
其中:p表示使用的系统过去时刻数据的数目,k∈{1,2,…,p}为选取的系统过去时刻的运动信息,Ψk为使用的系统过去时刻运动信息的回归矩阵,ek通过方程(7)计算:
ek=Ψkw(t)-νk (7)
其中,νk为选定的过去的输出向量;
空间机器人系统未知动力学参数的更新律通过式(9)计算得到:
过去时刻的空间机器人系统运动信息的选取方法为:
通过式(10)进行选取:
其中,||·||2表示矩阵的l2-范数,ξ1为常数。
与现有技术相比,本发明具有以下有益效果:
通过建立系统基于动量的参数辨识模型,采用不依赖持续激励条件的参数并行学习方法,系统的激励运动不需要满足持续激励条件也能够保证参数辨识值能够全局范围内以指数速率收敛到真值,降低了参数辨识方法对系统运动的要求,从而有利于节省燃料消耗以及使系统运动满足其他任务要求。
进一步的,对待辨识参数取值进行量级统一,实现了对待辨识参数取值量级的缩放,使得所有待辨识的参数能够在同样的时间内收敛到真值。
附图说明
图1为本发明的空间机器人捕获目标后系统示意图;
图2为本发明的空间机器人系统未知动力学参数辨识结果图;
图3为本发明的空间机器人系统具有相同取值量级中间参数辨识结果图。
其中:1-系统质心;2-捕获后连杆n。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
本发明空间机器人系统基于动量的参数辨识方法,包括建立系统基于动量的参数辨识模型;提出一种空间机器人系统不依赖持续激励条件的参数并行学习方法;给出一种参数值量级不同时的参数值缩放方法。
本发明的实施主要包括以下步骤:
建立参数辨识模型。
空间机器人捕获目标后系统的线动量和角动量表示为:
假设捕获后目标与末端执行器(即臂的最后一个连杆)之间再没有相对运动,可以将二者视为一个刚体,并且系统中只有该刚体的动力学参数未知。不失一般性认为系统的初始线动量为零,则方程⑴可以表示为关于最后一个连杆动力学参数的线性方程组:
其中,w=[1/mn,nanx,nany,nanz,nIn,xx,nIn,xy,nIn,xz,nIn,yy,nIn,yz,nIn,zz]T是最后一个连杆的动力学参数向量,左上标“n”表示在连杆n本体坐标系下的表示。xb表示基座姿态和基座质心位置,表示基座角速度和基座质心线速度,和分别表示关节角度和关节角速度向量。
方程(2)中含有系统的角动量L,对于捕获非合作目标的空间机器人系统,系统角动量L未知但为常值,因而,对方程⑵求导数可以得到系统除未知动力学参数外不含其他未知量的辨识模型:
其中,Ψ和z分别为Φ和y关于时间的导数。
对待辨识参数取值进行量级统一。
在辨识模型方程(3)中,待辨识参数取值的量级可能差别很大,造成无法使得所有参数辨识结果同时收敛到真值。本发明提出将辨识模型方程(3)转化为如下新的辨识模型:
将新的辨识模型方程(4)改写为:
使用并行学习方法辨识参数。
现有的空间机器人基于动量的参数辨识方法在参数更新的每一步都只使用系统当前时刻的运动信息进行参数辨识。本专利提出如下空间机器人未知参数的并行学习方法,在参数更新的每一步,同时使用该时刻以及过去时刻的系统运动信息:
其中,p表示使用的过去数据的数目,k∈{1,2,…,p}为选取的过去的系统运动信息,Ψk为使用系统过去运动信息的回归矩阵,ek通过下式计算:
ek=Ψkw(t)-νk (7)
其中,νk为选定的过去的输出向量。
本发明提出如下方法选取系统被使用的过去的运动数据:
其中,||·||2表示矩阵的l2-范数,ξ1为较小的常数。
当选取足够多的过去的数据使得矩阵Θ满足正定条件后,就可以将当前时刻系统的运动数据和选定的系统过去的运动数据一起代入式(6)完成参数辨识结果的更新。
实施例
参见图1,空间机器人捕获非合作目标后系统的示意图。假定最后一个连杆各动力学参数的真值分别为mn=30kg,nan=[-0.27,0,0.43]m,nIn,xx=13.98kg·m2,nIn,yy=16.78kg·m2,nIn,zz=14.05kg·m2,nIn,xy=-0.69kg·m2,nIn,xz=0.13kg·m2,nIn,yz=0.51kg·m2。使系统的运动满足其他任务要求,包括臂的运动不对基座姿态造成干扰以及各关节角不超过限定的范围,但不要求系统的运动满足持续激励条件。设系统待辨识参数的初始估计值为真值的80%,使用本发明提出的参数辨识方法,得到系统未知动力学参数的估计值曲线,参见图2;中间参数的估计值曲线,参见图3;可以看出,各参数的估计值在100s后都收敛到了真值,以及各中间参数的取值都处于0到1之间,表明各中间参数的取值具有相同的量级。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (5)
1.一种空间机器人系统基于动量的参数辨识方法,其特征在于,包括以下步骤:
步骤1:建立空间机器人系统基于动量的参数辨识模型;
步骤2:使用并行学习方法进行参数辨识,在参数辨识结果更新的每一步,同时使用当前时刻以及过去时刻的空间机器人系统运动信息进行参数辨识结果更新,完成参数辨识结果更新;
所述步骤1的具体方法为:
建立空间机器人捕获目标后系统的线动量和角动量方程:
其中,表示系统在惯性系下的线动量,表示系统在惯性系下的角动量.表示连杆i的质量,表示连杆i的惯量矩阵,表示连杆i在惯性系下的角速度,和分别表示连杆i质心在惯性系下的位置和速度向量,为臂连杆和关节数目;
系统的初始线动量为零,将式(1)表示为关于末端执行器动力学参数的线性方程组:
其中,w=[1/mn,nanx,nany,nanz,nIn,xx,nIn,xy,nIn,xz,nIn,yy,nIn,yz,nIn,zz]T是末端执行器的动力学参数向量,左上标“n”表示在连杆n本体坐标系下的表示,xb表示基座姿态和基座质心位置,表示基座角速度和基座质心线速度,和分别表示关节角度和关节角速度向量;
对式(2)求导数,得到空间机器人系统基于动量的参数辨识模型:
其中,ψ和z分别为Φ和y关于时间的导数。
2.根据权利要求1所述的空间机器人系统基于动量的参数辨识方法,其特征在于,所述步骤1还包括对待辨识参数取值进行量级统一。
4.根据权利要求3所述的空间机器人系统基于动量的参数辨识方法,其特征在于,所述步骤2的具体方法为:
在参数辨识结果更新的每一步,同时使用当前时刻以及过去时刻的空间机器人系统运动信息进行参数辨识结果更新:
其中:Γ表示正定的参数学习速率矩阵;p表示使用的系统过去时刻数据的数目,k∈{1,2,…,p}为选取的系统过去时刻的运动信息,Ψk为使用的系统过去时刻运动信息的回归矩阵,ek通过方程(7)计算:
ek=Ψkw(t)-νk (7)
其中,νk为选定的过去的输出向量;
空间机器人系统未知动力学参数的更新律通过式(9)计算得到:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081363.5A CN109986555B (zh) | 2019-01-28 | 2019-01-28 | 一种空间机器人系统基于动量的参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081363.5A CN109986555B (zh) | 2019-01-28 | 2019-01-28 | 一种空间机器人系统基于动量的参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109986555A CN109986555A (zh) | 2019-07-09 |
CN109986555B true CN109986555B (zh) | 2022-06-17 |
Family
ID=67129405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910081363.5A Active CN109986555B (zh) | 2019-01-28 | 2019-01-28 | 一种空间机器人系统基于动量的参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109986555B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05277976A (ja) * | 1992-03-31 | 1993-10-26 | Nippon Telegr & Teleph Corp <Ntt> | 動力学モデルパラメータ同定装置 |
CN106064377B (zh) * | 2016-06-02 | 2018-06-29 | 西北工业大学 | 一种空间机器人动力学参数辨识的激励轨迹优化方法 |
CN109249397B (zh) * | 2018-11-26 | 2021-07-23 | 北京无线电测量研究所 | 一种六自由度机器人动力学参数辨识方法和系统 |
-
2019
- 2019-01-28 CN CN201910081363.5A patent/CN109986555B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109986555A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Force sensorless admittance control for teleoperation of uncertain robot manipulator using neural networks | |
He et al. | Model identification and control design for a humanoid robot | |
Lee et al. | Constraint-based cooperative control of multiple aerial manipulators for handling an unknown payload | |
CN111319036B (zh) | 基于自适应算法的移动机械臂位置/力自抗扰控制方法 | |
CN107703753B (zh) | 一种空间机械臂的容错控制方法 | |
Wang | On adaptive inverse dynamics for free-floating space manipulators | |
CN108445768B (zh) | 空间机器人操作空间轨迹跟踪的增广自适应模糊控制方法 | |
Goodarzi et al. | Global formulation of an extended Kalman filter on SE (3) for geometric control of a quadrotor UAV | |
Du et al. | A cognitive joint angle compensation system based on self-feedback fuzzy neural network with incremental learning | |
Cao et al. | Eso-based robust and high-precision tracking control for aerial manipulation | |
Zhang et al. | Adaptive learning-based distributed control of cooperative robot arm manipulation for unknown objects | |
Hitzler et al. | Learning and adaptation of inverse dynamics models: A comparison | |
CN112809666A (zh) | 一种基于神经网络的5-dof机械臂力位跟踪算法 | |
Joukhadar et al. | Advanced UAVs nonlinear control systems and applications | |
Tang et al. | Trajectory tracking of robotic manipulators with constraints based on model predictive control | |
Reyes-Báez et al. | Virtual differential passivity based control for tracking of flexible-joints robots | |
Zhou et al. | Robot Manipulator Visual Servoing via Kalman Filter-Optimized Extreme Learning Machine and Fuzzy Logic. | |
Wu et al. | Distributed formation control for manipulator end-effectors | |
Xia et al. | Hybrid force/position control of industrial robotic manipulator based on Kalman filter | |
CN109986555B (zh) | 一种空间机器人系统基于动量的参数辨识方法 | |
Dierks et al. | Asymptotic adaptive neural network tracking control of nonholonomic mobile robot formations | |
Shareef et al. | Generalizing a learned inverse dynamic model of KUKA LWR IV+ for load variations using regression in the model space | |
Zhang et al. | Adaptive control of discrete-time nonlinear systems using ITF-ORVFL | |
Luo et al. | End-Effector Pose Estimation in Complex Environments Using Complementary Enhancement and Adaptive Fusion of Multisensor | |
Chen et al. | Iterative learning control with sensor fusion for robots with mismatched dynamics and mismatched sensing |
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 |