CN110561438A - 基于动力学参数辨识的工业机器人力/位柔顺控制方法 - Google Patents

基于动力学参数辨识的工业机器人力/位柔顺控制方法 Download PDF

Info

Publication number
CN110561438A
CN110561438A CN201910887041.XA CN201910887041A CN110561438A CN 110561438 A CN110561438 A CN 110561438A CN 201910887041 A CN201910887041 A CN 201910887041A CN 110561438 A CN110561438 A CN 110561438A
Authority
CN
China
Prior art keywords
load
moment
joint
representing
robot
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.)
Granted
Application number
CN201910887041.XA
Other languages
English (en)
Other versions
CN110561438B (zh
Inventor
宋宝
唐小琦
周向东
徐意
陈天航
饶阿龙
肖千红
田勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910887041.XA priority Critical patent/CN110561438B/zh
Publication of CN110561438A publication Critical patent/CN110561438A/zh
Application granted granted Critical
Publication of CN110561438B publication Critical patent/CN110561438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于动力学参数辨识的工业机器人力/位柔顺控制方法，包括以下步骤：利用牛顿‑欧拉法构建带摩擦力模型的动力学方程；将动力学参数划分为连杆动力学参数和负载动力学参数；基于辨识后的完整动力学模型，提出阻抗控制算法实现力/位柔顺控制；通过机器人实验平台辨识连杆动力学参数和负载动力学参数，并对阻抗控制算法进行验证。本发明实现了工业机器人末端力/位柔顺控制，通过六连杆机器人实验平台辨识了连杆动力学参数和负载动力学参数，并对阻抗控制算法进行验证，在机器人通过有障碍轨迹时产生了最大为0.05mm的位置误差，证实了基于动力学模型的阻抗控制器的实用性和可靠性。

Description

基于动力学参数辨识的工业机器人力/位柔顺控制方法
技术领域
本发明属于控制技术领域，涉及到工业机器人，具体涉及一种基于动力学参数辨识的工业机器人力/位柔顺控制方法。
背景技术
工业机器人常用于打磨、装配、抛光等需要与环境交互的复杂任务，如果只单纯的控制位置误差可能会引起末端力矩超限或工件损伤，所以在与环境接触时除了常规的位置控制外还需要调节接触力的大小，实现运行过程中末端力和位置的柔顺性。
在力/位柔顺控制中机器人需要获取精确的外力以平衡末端力和位置的关系，根据外力的获取方式不同可以将力/位柔顺控制分为：通过力或力矩传感器直接获得外力及通过动力学模型获得理论关节力矩计算外力两种方法。力或力矩传感器方法要求在末端或者关节装配力矩传感器，增大机器人结构复杂度的同时增加了成本；动力学模型的方法要求构建精准的动力学方程，预估机器人按给定轨迹运动时各关节的力和力矩，能够防止运动过程中力矩超限，在保证运行安全的基础上使加速过程需要时间更短。
为实现精准的力/位柔顺控制必须建立精确的动力学模型，实现模型参数的辨识。目前，国外很多工业机器人(如FANUC，ABB)控制器中已经加入了动力学建模模块，实现了基于模型的机器人控制及高精度碰撞检测、负载辨识功能，动力学模块逐渐成为高精度工业机器人控制中不可缺少的模块。常见的动力学建模算法有：牛顿-欧拉法，拉格朗日法，凯恩法，不同建模算法建立的动力学模型是相同的，但是建模效率却存在很大差异。
上述建模方法中，拉格朗日法具有清晰的物理含义，但是大量偏微分的计算限制了其在实时性要求较高的机器人系统中的应用；凯恩法计算复杂度较低，不过提出的偏角速度的概念模糊，难以用于实际工程中；牛顿-欧拉法易于理解，计算简单，但在实际工业机器人建模时还需要考虑摩擦力、关节柔性等因素进行改进。
动力学方程中参数的获取能够简单的分为测量法和理论辨识法。测量法需要特定的实验平台对机器人进行测试，无法实现动力学参数的在线辨识。测量法又包括解体测量和非解体测量，其中解体测量法操作繁琐，没有考虑机器人的关节特征，而非解体测量法获取的动力学参数可能是物理不可行的组合值。理论辨识法通过分析机器人模型获取动力学参数，但分析过程较为复杂。
工业机器人在进行搬运、装配和切削等需要和外界接触的工作时，传统的基于位置的控制方式可能导致末端与环境的接触力过大，造成搬运材料受损、装配失败或者切削精度低等问题，更严重的甚至会造成机器人构件损伤。特别的，对某些复杂多变的工作环境或者高精度要求的装配工作，位置控制难以达到加工装配精度的要求，此时尽管花费高昂的成本也难以提高位置控制的精度。所以必须采用力/位柔顺控制实现末端力和位置的平衡控制，保证机器人在复杂、高精度的工作中顺应环境约束运动，从而使机器人具有一定位置误差容忍度，降低加工装配过程中的工件表面损伤。目前，机器人系统常用的柔顺控制方法包括：阻抗控制及力/位混合控制。
现有技术中，力/位柔顺控制算法多是通过理论分析或仿真证明控制器的性能，只对理想的情况进行了验证而缺乏实际实验，因此难以证实在工业机器人实际运行过程中所设计的控制器能够调节外力和位置误差，实现主动柔顺控制。
发明内容
针对现有技术中存在的上述问题，本发明提供了一种基于动力学参数辨识的工业机器人力/位柔顺控制方法，实现了工业机器人末端力/位柔顺控制，通过六连杆机器人实验平台辨识了连杆动力学参数和负载动力学参数，并对阻抗控制算法进行验证，在机器人通过有障碍轨迹时产生了最大为0.05mm的位置误差，证实了基于动力学模型的阻抗控制器的实用性和可靠性。
为此，本发明采用了以下技术方案：
利用牛顿-欧拉法构建了带摩擦力模型的动力学方程。将动力学参数划分为连杆动力学参数和负载动力学参数。在连杆动力学参数辨识中，计算了线性摩擦力，通过空载动力学模型构建了待辨识的连杆动力学参数集，并提出了改进遗传算法进行识别，实现更为高效的收敛速度；在负载动力学参数辨识中，推导了带负载动力学参数的理论负载力矩的表示方法，并分别通过最小二乘法和改进粒子群算法识别负载动力学参数，同时进行对比分析，验证了改进粒子群算法具有更高的辨识精度。
在动力学模型的基础上研究了力/位柔顺控制算法，分别设计了基于位置和基于力矩的阻抗控制器，并利用基于力矩的阻抗控制器完成了机末端力和位姿的协调控制，通过仿真验证了所设计的阻抗控制器在外力矩作用下的力/位柔顺控制特性。
通过六连杆机器人实验平台辨识了连杆动力学参数和负载动力学参数，并对阻抗控制算法进行验证，在机器人通过有障碍轨迹时产生了最大为0.05mm的位置误差，证实了基于动力学模型的阻抗控制器的实用性和可靠性。
与现有技术相比，本发明的有益效果是：
(1)提出了力/位柔顺控制的总体方案；研究了机器人运动坐标系的构建方法，利用牛顿-欧拉算法推导了包含摩擦力模型的机器人动力学方程，阐述了模型参数辨识的必要性。
(2)将动力学模型的参数分为连杆动力学参数和负载动力学参数两个部分分别辨识。设计了周期性的运动轨迹用于激励机器人的动态特性；提出一种改进遗传算法辨识连杆动力学参数，没有陷入局部最优而得到较好的辨识结果；同时推导了带负载动力学参数的理论负载力矩的表示方法，提出改进的具有交叉变异功能的粒子群算法获取了负载动力学参数，实现了辨识参数的物理可行性。
(3)分别设计了基于位置和基于力矩的阻抗控制器，通过基于力矩的阻抗控制器实现了末端受力和位置的柔顺控制，使机器人在装配等加工过程具有一定的误差容忍度；证实了基于力矩阻抗控制器的有效性和主动柔顺性。
(4)在理论研究的基础上采用实验验证了机器人动力学参数辨识算法和所设计基于力矩的阻抗控制器的有效性。
(5)通过实验辨识了连杆动力学参数及负载动力学参数，构建了完整的动力学模型，并证实了所提出的参数辨识算法没有收敛于局部解而具有较低的辨识误差；验证了所设计的阻抗控制器对机器人末端力和位置的柔顺作用。
附图说明
图1是本发明所提供的一种基于动力学参数辨识的工业机器人力/位柔顺控制方法的总体框图。
图2是连杆动力学参数辨识方法的流程图。
图3是改进遗传算法辨识步骤的流程图。
图4改进粒子算法辨识步骤的流程图。
图5是本发明实施例所提供的连杆工业机器人实验平台的结构组成示意图。
图6是本发明实施例所提供的连杆动力学参数辨识关节角度的曲线图。
图7是本发明实施例所提供的基于连杆动力学参数辨识的关节力矩结果。
图8是本发明实施例所提供的基于连杆动力学参数的关节力矩辨识误差结果。
图9是本发明实施例所提供的负载动力学参数辨识关节角度的曲线图。
图10是本发明实施例所提供的基于负载动力学参数辨识的关节力矩结果。
图11是本发明实施例所提供的基于负载动力学参数辨识的关节力矩拟合误差结果。
具体实施方式
下面结合附图以及具体实施例来详细说明本发明，其中的具体实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
如图1所示，本发明公开了一种基于动力学参数辨识的工业机器人力/位柔顺控制方法，通过建立动力学模型分析工业机器人的运动状态和受力的关系，实现高精度的力/位柔顺控制，包括以下步骤：
步骤一，利用牛顿-欧拉法构建带摩擦力模型的动力学方程；
步骤二，将动力学参数划分为连杆动力学参数和负载动力学参数，分别对连杆动力学参数和负载动力学参数进行辨识；
步骤三，基于辨识后的完整动力学模型，提出阻抗控制算法实现力/位柔顺控制，分别设计基于位置和基于力矩的阻抗控制器，并利用基于力矩的阻抗控制器完成工业机器人末端力和位姿的协调控制；
步骤四，通过机器人实验平台辨识连杆动力学参数和负载动力学参数，并对阻抗控制算法进行验证。
具体地，步骤一中，所述摩擦力模型采用库伦-粘滞摩擦模型，构建关节i的摩擦力模型：
式中，di表示关节i的粘滞系数矩阵，μi表示关节i的库仑系数矩阵；表示关节i的角速度，τf,i表示关节i的摩擦力；
考虑关节摩擦力的动力学方程为：
式中，M(q)表示惯性矩阵，表示离心力矩与哥氏力矩，G(q)表示重力力矩，d和μ为斜对角矩阵，q,分别表示关节的角度、角速度和角加速度，τ表示关节力矩。
具体地，步骤二中，在连杆动力学参数辨识中，计算了线性摩擦力，通过空载动力学模型构建待辨识的连杆动力学参数集，并提出了改进遗传算法进行识别，实现更为高效的收敛速度。
具体地，如图2所示，考虑摩擦系数，连杆i的待辨识动力学参数包括：
λi＝[mi,si,x,si,y,si,z,Ii,xx,Ii,yy,Ii,zz,Ii,xy,Ii,xz,Ii,yz,di,μi]T
式中，mi代表连杆i的质量，si,x代表连杆i的质心位置在xi上的坐标，si,y代表连杆i的质心位置在yi上的坐标，si,z代表连杆i的质心位置在zi上的坐标，Ii,xx＝∫∫∫V(yi 2+zi 2)ρdυ、Ii,yy＝∫∫∫V(xi 2+zi 2)ρdυ、Ii,zz＝∫∫∫V(xi 2+yi 2)ρdυ分别表示连杆i绕xi,yi,zi参考坐标轴的质量惯性矩，Ii,xy＝∫∫∫Vxiyiρdυ、Ii,xz＝∫∫∫Vzixiρdυ、Ii,yz＝∫∫∫Vyiziρdυ分别表示连杆i绕xiyi,xizi,yizi平面的惯性积，其中ρ表示连杆密度，v表示连杆体积，di代表关节i的粘滞系数，μi代表关节i的库仑系数；
n自由度机器人待识别的连杆动力学参数集表示为：
λfull＝[λ1 λ2 ... λn]T
空载时，动力学方程和关节运动状态及连杆动力学参数有关，表示为：
式中，τlink代表空载关节力矩。
具体地，如图3所示，所述改进遗传算法辨识连杆动力学参数的过程如下，其中，设置辨识过程中迭代代数为K，种群个数为Np：
(1)根据适应度选择Np组连杆动力学参数集组成新的种群，使具有较优适应度的连杆动力学参数集参与迭代过程，这里采用最佳保留选择的方法，个体参与繁殖的概率等于该个体适应度除以群体适应度的总和；若连杆动力学参数集j的适应度是f(j)，则j被选中参与迭代过程的概率为：
(2)在选择过程生成的种群中随机选择两组连杆动力学参数集进行参数交叉：随机生成范围在[0,1]的随机数χ1和χ2，当A！＝B且 时，挑出连杆动力学参数集xA,xB参与交叉；
随机生成交叉判断因子cprocess，当判断因子cprocess大于交叉概率process时，两组连杆动力学参数集进行参数交叉产生两组新的参数集，否则直接将两组连杆动力学参数集放入后代种群，直到后代连杆动力参数集数目达到Np；
定义交叉概率：
process＝|(f(xA)-f(xB))/(fmax-fmin)|；
式中，fmin代表选出的连杆动力学参数集适应度的最小取值，即最优适应度，fmax代表选出的连杆动力学参数集适应度的最大取值，即最差适应度；
若cprocess≤process，直接将xA,xB加入后代种群中；若cprocess＞process，改进的参数交叉方法如下所示：
x'A＝αxA+(1-α)xB
x'B＝sign(f(xA)-f(xB))·(αxA-(1-α)xB)
式中，x'A和x'B是由xA,xB交叉产生的连杆动力学参数集，线性化系数α∈(0,1)，z＝1,2,…从1开始取值，当新连杆动力学参数集不满足时，代表不是可行解，则取z＝2继续计算，随着z的取值不断增大，x'A,x'B与适应度较优的连杆动力学参数集的相似程度也在增加；
(3)在参数变异过程中，每组连杆动力学参数集以不同的概率变异，刚开始时参数需要向各个方向搜索最优值，选择较高的变异概率；在寻优后期，参数基本已经收敛在最优值附近，减小变异概率；定义连杆动力学参数集的变异率：
式中，η是变异参数，范围在(0,1)；
对每组连杆动力学参数集生成一个随机数，若随机数小于γj，那么该组连杆动力学参数集j发生非均匀变异，每个参数以概率β变异，β∈(0,1)，改进的变异公式如下所示：
式中，q＝1,2,…,12n表示连杆动力学参数集中第q个参数，λfull,q,argv代表连杆动力学参数集的第q个参数的平均值，λfull,q,min代表连杆动力学参数集中第q个参数的极小值，λfull,q,max代表连杆动力学参数集中第q个参数的极大值，ω∈(0,1)表示随机扰动系数；若λ'full,q,j＜λfull,q,min，则λ'full,q,j＝λfull,q,min，相反如果存在λ'full,q,j＞λfull,q,max，则λ'full,q,j＝λfull,q,max；
(4)判断改进交叉、变异过程得到的新连杆动力学参数集是否满足结束条件，若存在：迭代次数等于设定值，或者最优连杆动力学参数集的适应度与上一代最优连杆动力学参数集的适应度之差小于给定值dlimit，并且最优子个体的适应度和平均适应度的差值不大于dlimit·logNp，则找到最优连杆动力学参数集，结束迭代过程。
具体地，步骤二中，在负载动力学参数辨识中，推导了带负载动力学参数的动力学模型，并分别通过最小二乘法和改进粒子群算法识别负载动力学参数，同时进行对比分析。
优选地，待辨识的负载动力学参数表示为：
Pload＝[ml,sl,x,sl,y,sl,z,Il,xx,Il,yy,Il,zz,Il,xy,Il,xz,Il,yz]T
式中，ml代表负载质量，sl,x,sl,y,sl,z分别代表负载质心在负载坐标轴xl,yl,zl方向的位置，Il,xx＝∫∫∫V(yl 2+zl 2)ρldυl、Il,yy＝∫∫∫V(xl 2+zl 2)ρldυl、Il,zz＝∫∫∫V(xl 2+yl 2)ρldυl分别代表负载绕xl,yl,zl坐标轴的质量惯性矩，Il,xy＝∫∫∫Vxyρldυl、Il,xz＝∫∫∫Vxzρldυl、Il,yz＝∫∫∫Vyzρldυl分别代表负载绕xlyl,ylzl,zlxl平面的惯性积，其中ρl表示负载密度，υl表示负载体积；
当机器带负载运行时，各关节力矩τtotal包括机器人连杆力矩τlink和末端负载力矩τload，这两种力矩相互独立；此外，机器人负载力矩与式的负载动力学参数之间存在非线性关系，归纳如下：
τtotal＝τlink+τload
式中，σ表示负载力矩的未知函数，与关节运动状态和负载动力学参数有关；
负载会对机器人末端会产生一个力向量Fload∈R3×1和一个力矩向量Mload∈R3×1；根据动力学分析，对应负载产生的末端力和力矩的表达式为：
式中，ω＝[ωx ωy ωz]T代表机器人末端的角速度，代表末端的角加速度，代表末端的加速度，rm＝[sl,x sl,y sl,z]T代表负载质心参数，代表负载惯性张量；
将机器人末端力和力矩分为两部分，一部分与负载动力学参数无关，另一部分为负载动力学参数集合；因此机器人末端力和力矩可以表示为：
式中，Fq,NU,NM,NT表示机器人负载力和力矩的组成部分中与负载动力学参数无关的分量，U,M,T表示机器人负载力和力矩的组成部分中与负载动力学参数相关的分量；
根据上式推导，可以得到：
工业机器人带负载运动时，末端负载力和力矩与关节负载力矩可以通过力矩雅克比矩阵JT(q)相互转换；负载产生的关节理论力矩τload方程为：
式中，表示机器人末端负载力和力矩矩阵，表示最小负载动力学参数集到关节负载力矩的转换矩阵，λload＝[U T M]T表示最小负载动力学参数集；
在负载动力学参数辨识中，首先激励机器人沿特定激励轨迹运行k个周期；在该过程中采集并记录各关节角度、角速度和角加速度参数，根据上述推导的机器人关节总力矩模型计算第k周期关节理论力矩τtotal,k；同时保存第k周期机器人各关节伺服电机电流信息icur,k，并采用平均化的方法处理记录的电流信息，从而降低噪声影响，提高数据的可信度；得到处理后的电流数据i'cur,k：
根据伺服电机电流能够获得机器人关节实际力矩τ'total,k：
τ'total,k＝κ·i'cur,k
式中，κ表示电机电流比例系数。
具体地，通过负载动力学模型得到各周期的机器人关节理论负载力矩：
其中，
根据各周期机器人实际关节总力矩和理论关节连杆力矩得到机器人实际关节负载力矩：
根据最小二乘法，理论辨识误差表示为关节理论负载力矩和实际负载力矩之差的平方和：
辨识误差用矩阵表示：
公式对负载动力学参数λload求导，存在：
若偏导数的结果为零，代表函数取到极值点，此时误差函数最小；因此，得到λload表达式为：
当是非奇异矩阵时，表示求逆运算；当是奇异矩阵时，矩阵不存在逆，因此，表示求矩阵的伪逆。
具体地，如图4所示，所述改进粒子群算法的过程如下：
首先激励机器人沿给定轨迹运动，并记录K个周期的关节运动数据和力矩数据，根据动力学模型获取第k周期关节i的理论负载力矩τload,k,i和理论连杆力矩τlink,k,i；同时，获取滤波后机器人关节i对应的实际关节电机力矩τ’total,k,i，从而得到实际负载力矩τ’load,k,i；考虑负载动力学参数对机器人各关节力矩影响程度不同，定义负载参数辨识的适应度函数f(p)：
式中，hi表示对应关节i负载力矩误差的比例系数，存在
初始化粒子数目T和迭代次数H，每个粒子维度为10，分别表示Pload中各负载动力学参数；每个粒子在空间的位置都对应一组负载动力学参数的取值，满足限制条件其中t＝1,2,3,…,T，代表第t个粒子，h＝1,2,3,…,H代表目前的迭代数；粒子的运动速度代表负载动力学参数的增量变化能力，速度满足约束条件随机生成初代T个粒子的速度与位置
根据第t个粒子经过h次迭代后的速度与位置以及该粒子本身搜索的历史最优值和全部粒子搜索的历史最优值计算该粒子在h+1次迭代后的速度与位置
式中，是惯性系数，代表粒子保持原有速度的倾向，c1代表粒子跟随本身历史最优值的倾向，c2代表粒子跟随种群最优值的倾向，ξ,η∈[0,1]代表随机数，r代表约束因子；
考虑到多参数同时寻优，不同负载动力学参数的组合值有概率达到更优辨识，改进的交叉过程以γ1的比例交叉相邻粒子和的负载质心参数sx,sy,sz；此外为降低辨识结果落入局部最优的可能性，改进变异过程以γ2的比例随机改变粒子在空间中位置
通过第h+1次更新的粒子位置计算适应度，若辨识误差小于该粒子最优位置的辨识误差，则将位置保存为粒子t的最优位置否则粒子t的最优位置根据全部粒子的搜索最优位置更新群体最优位置
当误差评定函数f(P)达到收敛要求或者迭代次数t≥T达到最高时算法结束，得到全部粒子搜索的历史最优值即为负载动力学参数Pload。
具体地，基于力矩的阻抗控制包括预测力矩前馈、位置和速度控制及接触力矩反馈三个部分；预测力矩前馈部分利用动力学模型计算关节力矩，可以增加机器人的调整速度，减少跟踪误差；位置和速度控制部分首先利用末端在笛卡尔空间的位置误差和速度误差计算末端广义作用力，再将作用力转换为关节空间的作用力矩控制机器人运动，使得末端位置和速度误差减小；接触力矩反馈部分利用实际关节力矩和理论关节力矩计算末端在笛卡尔空间的外力，当外力过大时使机器人向外力减小的方向运动。
实施例
本发明通过实验验证所提出的动力学参数辨识算法及力/位柔顺控制算法的实用性，介绍了六连杆工业机器人实验平台并分别设计了实验方案，利用实验验证了所提出的改进遗传算法和改进粒子群算法辨识的实用性和可靠性，从而构建了精确完整的动力学模型，在此基础上证实了基于动力学模型的阻抗控制器对末端力和位置的柔顺作用。
实验平台如图5所示，包括一个六连杆工业机器人，一个机器人运动控制器，6个机器人驱动器及手持示教器。上述实验装置均为自主研发，能够通过开放式编程获取各类需要的实验数据，同时，在搭建平台的基础上可以实现机器人控制器的二次开发。
上述六连杆工业机器人是华中数控6008串联机器人，有六个旋转关节，可以用于搬运、码垛、焊接等制造加工场所，实现高精度、高自动化生产。运动控制器采用JTR运动控制器，具有32位高性能嵌入式处理器和大规模可编程逻辑器件FPGA。可以实现样条插补、超前预读、同步轴控制、工艺卡编程等功能，具有性能高、响应快、适应性强的特点。此外，机器人示教盒操作简单，可以实现手动和增量控制的统一操作，能够方便的控制移动距离和移动速度。
实验设计及结果分别如下：
(一)连杆动力学参数辨识。
实验中，首先，控制机器人按照规划的激励轨迹运行，获取运动数据；然后，通过Solidworks三维仿真软件读取初始的连杆动力学参数，并利用改进遗传算法得到一组辨识的连杆动力学参数；之后，分别利用两组连杆动力学参数构建空载动力学模型，并规划验证轨迹；最后，通过两组动力学模型计算力矩对关节力矩拟合情况的对比，分析改进遗传算法的辨识性能。
根据激励轨迹的分析选择周期性傅里叶级数生成运动轨迹，为了在保证计算精度的同时提高计算速度，设置谐波项数E＝5。考虑机器人工作空间、关节运动参数和额定力矩的约束，设置傅里叶级数激励轨迹的参数如表1所示。
表1连杆动力学参数辨识轨迹
在控制器中按照激励轨迹编写关节运动函数，使机器人各关节按照周期性傅里叶级数运动并记录关节运动数据。本文中控制器的插补周期为0.001秒，记录机器人关节角度曲线如图6所示，周期性傅里叶级数能够保证机器人运动状态的变化连续，有效减少冲击。
本实验中机器人关节电机电流表示的是实际力矩与额定力矩的千分比，所以可以根据关节i的电机电流和额定力矩得到电机实际力矩τ'i。
τ'i＝icur,i·τe,i/1000
式中，icur,i代表关节i电机的电流，τe,i代表关节i电机的额定力矩。
此外，在驱动机器人运行时关节不是直接和伺服电机相连接，中间还有传动机构，因此在计算机器人关节实际力矩时还需要根据关节齿轮比对关节力矩进行转换。在6自由度机器人的连杆动力学参数辨识中，需要辨识的参数量达到72个，如果随机对其初始化，结果容易陷入局部最优而难以收敛。本发明利用Solidworks三维仿真软件读取华中数控6008机器人的连杆动力学参数，作为参数辨识的初始值。表2为利用三维软件读取的连杆动力学参数，随机初始化库仑系数和粘滞系数。
表2连杆动力学参数初始值
获取初始值后，基于提出的改进遗传算法对连杆动力学参数进行辨识。首先，利用机器人运动过程中记录的数据，推导带连杆动力学参数的理论关节力矩；然后与机器人的实际关节力矩共同计算适应度，迭代寻找最优的连杆动力学参数。多次执行辨识过程，连杆动力学参数的辨识结果都能收敛在同一较小值附近，辨识结果如表3所示，可以得出结论：基于改进遗传算法辨识连杆动力学参数可以得到稳定的辨识结果而没有陷入局部最优。
表3连杆动力学参数辨识值
辨识参数 连杆1 连杆2 连杆3 连杆4 连杆5 连杆6
m<sub>i</sub>/(kg) 78.35725 16.54433 27.12964 8.39450 0.5 0.04
S<sub>i,x</sub>/(m) 0.14172 0.34662 0.06831 -0.00756 -0.13956 0.01148
S<sub>i,y</sub>/(m) -0.02186 0.09275 -0.03236 0.01411 -0.06288 -0.03862
S<sub>i,z</sub>/(m) -0.14119 -0.06588 0.01943 0.16739 -0.02075 -0.02241
I<sub>i,xx</sub>/(kg·m<sup>2</sup>) 0.07269 0.09648 0.09896 0.09487 0.01388 0.04710
I<sub>i,yy</sub>/(kg·m<sup>2</sup>) 0.07912 0.08358 0.08723 0.03609 -0.00044 0.03737
I<sub>i,zz</sub>/(kg·m<sup>2</sup>) 0.00150 0.08833 0.09200 0.09075 0.02929 0.05577
I<sub>i,xy</sub>/(kg·m<sup>2</sup>) 0.00102 0.00167 0.01376 -0.00244 -0.01204 -0.02023
I<sub>i,xz</sub>/(kg·m<sup>2</sup>) -0.00054 0.03064 0.005945 -0.01395 0.02104 0.00031
I<sub>i,yz</sub>/(kg·m<sup>2</sup>) 0.00460 0.02130 -0.00214 -0.01616 0.00521 -0.00577
d<sub>i</sub> 0.014 0.024 0.005 0.020 0.002 0.015
μ<sub>i</sub> 0.33 0.18 0.19 0.30 0.04 0.9
为验证连杆动力学参数辨识算法的实用性，分别利用三维软件读取的连杆动力学参数和改进遗传算法辨识得到的连杆动力学参数构建空载动力学模型。设计验证轨迹控制机器人运动，其中10秒的运动数据如图7所示，包括运动过程中actual力矩，start力矩和IGA力矩。其中，actual力矩表示实际关节力矩；start力矩表示初始连杆动力学参数构建动力学模型计算的理论关节力矩，IGA力矩表示遗传算法辨识得到连杆动力学参数构建动力学模型计算的理论关节力矩。
连杆动力学参数的识别误差可以用关节实际力矩(actual力矩)与关节理论力矩(start力矩和IGA力矩)的差值表示，沿验证轨迹运行时的辨识误差如图8所示。
errstart＝τ'link-τlink,start
errIGA＝τ'link-τlink,IGA
式中，τ’link表示actual力矩，τlink,start表示start力矩，τlink,IGA表示IGA力矩，errstart和errIGA分别代表三维模型和改进遗传算法的辨识误差。
分析图7和图8，得到三维模型读取的连杆动力学参数与改进遗传算法辨识得到的连杆动力学参数建模精度的对比：
(1)start力矩和actual力矩的变化趋势相似，但是在非换向过程中各关节最大拟合误差分别达到0.387N·m，0.336N·m，0.235N·m，0.349N·m，0.036N·m，0.104N·m，在换向过程中最大拟合误差更高，分别达到0.444N·m，0.411N·m，0.253N·m，0.289N·m，0.053N·m，0.108N·m，可见各关节均存在明显的拟合误差，因此，直接从三维软件中读取的连杆动力学参数精度难以满足要求，不能直接用于动力学建模，必须对其加以辨识。
(2)IGA力矩对actual力矩的拟合情况比较好，非换向过程中各关节最大拟合误差分别为0.095N·m，0.098N·m，0.046N·m，0.038N·m，0.011N·m，0.010N·m，在换向过程中各关节的最大拟合误差增加，分别为0.217N·m，0.212N·m，0.091N·m，0.135N·m，0.016N·m，0.057N·m，可见IGA力矩的计算精度比较高，改进遗传算法具有较高的辨识精度和稳定性。
(3)在非换向过程中，各关节IGA力矩的最大拟合误差相对于start力矩的最大拟合误差分别降低了75.5％、70.8％、80.4％、89.1％、69.4％、90.4％，在换向过程中，各关节IGA力矩的最大拟合误差相对于start力矩的最大拟合误差分别降低了51.1％、48.4％、64.0％、53.3％、69.8％、47.2％，可以发现基于改进遗传算法得到的连杆动力学参数建模误差要显著小于从三维模型读取的连杆动力学参数建模误差，改进遗传算法辨识能够极高程度地增加模型精度。
(4)在非换向和换向时各关节IGA力矩的最大拟合误差之比为43.8％、46.2％、50.5％、28.1％、68.7％、17.5％，能够发现换向时的力矩拟合误差大大提高，主要原因是摩擦力方向的变化和机器人实际运行中冲击的存在。因此，若要进一步提高动力学模型的精度需要提高关节摩擦力模型的准确性，同时通过合理的运动轨迹规划降低运动过程中的冲击。
(二)负载动力学参数辨识。
实验中，首先，控制机器人按照规划的激励轨迹运行，获取运动数据；然后，分别通过最小二乘法和改进粒子群算法辨识获取两组最小负载动力学参数集，并对两组辨识结果进行比较；之后，分别利用两组负载动力学参数构建带负载的动力学模型，并规划验证轨迹；最后，通过两组带负载的动力学模型计算力矩对关节力矩的拟合误差对比，分析最小二乘法和改进粒子群算法的辨识性能。
激励轨迹为E＝5的周期性傅里叶级数，各关节激励轨迹设置不同基频ωi,f，傅里叶级数激励轨迹的参数设置如表4所示。
表4负载动力学参数辨识轨迹
在机器人按照激励轨迹运动期间采集关节运动参数，然后基于运动角度和插补周期计算各关节角速度和角加速度。图9为机器人按激励轨迹运动过程中60s的关节角度曲线。
针对上述激励轨迹获取的运动数据，分别利用最小二乘法和改进粒子群算法辨识负载动力学参数。
表5显示了基于最小二乘法和改进粒子群算法辨识得到的最小负载动力学参数集。
表6显示了基于粒子群算法辨识得到的负载动力学参数。
表5最小负载动力学参数集辨识结果
表6负载动力学参数辨识结果
负载动力学参数 改进粒子群算法 负载动力学参数 改进粒子群算法
m<sub>l</sub>/(kg) 5.32150 I<sub>l,yy</sub>/(kg·m<sup>2</sup>) -0.40383
s<sub>l,x</sub>/(m) 0.09350 I<sub>l,zz</sub>/(kg·m<sup>2</sup>) -0.48038
s<sub>l,y</sub>/(m) 0.00829 I<sub>l,xy</sub>/(kg·m<sup>2</sup>) -0.012220
s<sub>l,z</sub>/(m) -0.10816 I<sub>l,xz</sub>/(kg·m<sup>2</sup>) -0.03599
I<sub>l,xx</sub>/(kg·m<sup>2</sup>) 0.04804 I<sub>l,yz</sub>/(kg·m<sup>2</sup>) -0.02840
根据最小二乘法获得的参数ml＝5.46,mlsl,x＝0.889,计算sl,x＝0.163，根据参数ml＝5.46,mlsl,xsl,x＝34.25，计算s'l,x＝2.505，因此sl,x≠s'l,x，所以辨识结果表明：基于最小二乘法辨识只能得到最小负载动力学参数集λload而不能得到负载动力学参数Pload，与传统的最小二乘法相比，改进粒子群算法能够辨识获取具有物理可行性的负载动力学参数。
分别利用最小二乘法和改进粒子群算法辨识得到的最小负载动力学参数集构建动力学模型(LSM动力学模型和IPSO动力学模型)，并设计实验验证模型的准确性。使机器人沿验证轨迹运动10秒，分别利用LSM动力学模型和IPSO动力学模型计算基于LSM的理论关节力矩和基于IPSO的理论关节力矩，并通过测量得到实际关节力矩，对比曲线如图10。可以发现，LSM动力学模型和IPSO动力学模型计算得到的理论关节力矩与实际关节力矩的变化趋势是一致的。
定义辨识得到理论关节力矩和测量得到的实际关节力矩之间的差值：
errLSM＝τ'tot-τtot,LSM
errIPSO＝τ'tot-τtot,IPSO
式中，τtot,LSM表示通过LSM动力学模型计算的理论关节力矩，τtot,IPSO表示通过IPSO动力学模型计算得到的理论关节力矩，errLSM和errIPSO分别代表基于最小二乘法和改进粒子群算法的辨识误差。
分别利用辨识误差和辨识方差对最小二乘法和改进粒子群算法的辨识精度进行对比，见表7。其中sum为辨识误差之和，代表记录的10000个数据的理论力矩和实际力矩之差的绝对值之和；var为辨识方差，代表记录的10000个数据的理论力矩和实际力矩的方差。通过表7中能够发现，最小二乘辨识算法得到的最大辨识误差之和为1237.868N·m，最大辨识方差是0.023N2·m2。改进粒子群辨识方算法得到的单最大辨识误差之和为900.863N·m，最大辨识方差是0.008N2·m2。这表明使用改进粒子群算法得到的辨识误差之和以及辨识方差都远小于最小二乘法，证明了改进粒子群算法的可行性和优越性。
表7两种算法辨识误差对比
基于LSM和IPSO辨识方法的力矩拟合误差如图11所示，能够发现：
(1)各关节LSM力矩与实际力矩的最大拟合误差分别为0.492N·m，0.571N·m，0.684N·m，0.761N·m，0.350N·m，0.234N·m，所以LSM力矩的拟合误差较小，最小二乘法具有较好的辨识结果。
(2)各关节IPSO力矩与实际力矩的最大拟合误差分别为0.323N·m，0.501N·m，0.395N·m，0.406N·m，0.066N·m，0.152N·m，因此IPSO力矩对实际力矩有很好的预测作用，可以得出结论：改进粒子群算法具备较高的辨识精度，解决了负载动力学参数的辨识问题而没有陷入局部最优。
(3)各关节IPSO力矩的拟合误差相比LSM力矩的拟合误差分别降低了34.3％，12.3％，42.3％，46.6％，81.1％，35％，因此，基于改进粒子群算法辨识得到的负载动力学参数更加准确，对机器人关节实际力矩的拟合效果优于最小二乘法，并且对环境扰动有较强的鲁棒性。
以上所述仅为本发明的较佳实施例，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于动力学参数辨识的工业机器人力/位柔顺控制方法，通过建立动力学模型分析工业机器人的运动状态和受力的关系，实现高精度的力/位柔顺控制，其特征在于：包括以下步骤：
步骤一，利用牛顿-欧拉法构建带摩擦力模型的动力学方程；
步骤二，将动力学参数划分为连杆动力学参数和负载动力学参数，分别对连杆动力学参数和负载动力学参数进行辨识；
步骤三，基于辨识后的完整动力学模型，提出阻抗控制算法实现力/位柔顺控制，分别设计基于位置和基于力矩的阻抗控制器，并利用基于力矩的阻抗控制器完成工业机器人末端力和位姿的协调控制；
步骤四，通过机器人实验平台辨识连杆动力学参数和负载动力学参数，并对阻抗控制算法进行验证。
2.根据权利要求1所述的一种基于动力学参数辨识的工业机器人力/位柔顺控制方法，其特征在于：步骤一中，所述摩擦力模型采用库伦-粘滞摩擦模型，构建关节i的摩擦力模型：
式中，di表示关节i的粘滞系数矩阵，μi表示关节i的库仑系数矩阵；表示关节i的角速度，τf,i表示关节i的摩擦力；
考虑关节摩擦力的动力学方程为：
式中，M(q)表示惯性矩阵，表示离心力矩与哥氏力矩，G(q)表示重力力矩，d和μ为斜对角矩阵，q,分别表示关节的角度、角速度和角加速度，τ表示关节力矩。
3.根据权利要求1所述的一种基于动力学参数辨识的工业机器人力/位柔顺控制方法，其特征在于：步骤二中，在连杆动力学参数辨识中，计算线性摩擦力，通过空载动力学模型构建待辨识的连杆动力学参数集，并提出改进遗传算法进行识别，实现更为高效的收敛速度。
4.根据权利要求3所述的一种基于动力学参数辨识的工业机器人力/位柔顺控制方法，其特征在于：考虑摩擦系数，连杆i的待辨识动力学参数包括：
λi＝[mi,si,x,si,y,si,z,Ii,xx,Ii,yy,Ii,zz,Ii,xy,Ii,xz,Ii,yz,di,μi]T
式中，mi代表连杆i的质量，si,x代表连杆i的质心位置在xi上的坐标，si,y代表连杆i的质心位置在yi上的坐标，si,z代表连杆i的质心位置在zi上的坐标，Ii,xx＝∫∫∫V(yi 2+zi 2)ρdυ、Ii,yy＝∫∫∫V(xi 2+zi 2)ρdυ、Ii,zz＝∫∫∫V(xi 2+yi 2)ρdυ分别表示连杆i绕xi,yi,zi参考坐标轴的质量惯性矩，Ii,xy＝∫∫∫Vxiyiρdυ、Ii,xz＝∫∫∫Vzixiρdυ、Ii,yz＝∫∫∫Vyiziρdυ分别表示连杆i绕xiyi,xizi,yizi平面的惯性积，其中ρ表示连杆密度，v表示连杆体积，di代表关节i的粘滞系数，μi代表关节i的库仑系数；
n自由度机器人待识别的连杆动力学参数集表示为：
λfull＝[λ1 λ2 ... λn]T
空载时，动力学方程和关节运动状态及连杆动力学参数有关，表示为：
式中，τlink代表空载关节力矩。
5.根据权利要求4所述的一种基于动力学参数辨识的工业机器人力/位柔顺控制方法，其特征在于：所述改进遗传算法辨识连杆动力学参数的过程如下，其中，设置辨识过程中迭代代数为K，种群个数为Np：
(1)根据适应度选择Np组连杆动力学参数集组成新的种群，使具有较优适应度的连杆动力学参数集参与迭代过程，这里采用最佳保留选择的方法，个体参与繁殖的概率等于该个体适应度除以群体适应度的总和；若连杆动力学参数集j的适应度是f(j)，则j被选中参与迭代过程的概率为：
(2)在选择过程生成的种群中随机选择两组连杆动力学参数集进行参数交叉：随机生成范围在[0,1]的随机数χ1和χ2，当A！＝B且 时，挑出连杆动力学参数集xA,xB参与交叉；
随机生成交叉判断因子cprocess，当判断因子cprocess大于交叉概率process时，两组连杆动力学参数集进行参数交叉产生两组新的参数集，否则直接将两组连杆动力学参数集放入后代种群，直到后代连杆动力参数集数目达到Np；
定义交叉概率：
process＝|(f(xA)-f(xB))/(fmax-fmin)|；
式中，fmin代表选出的连杆动力学参数集适应度的最小取值，即最优适应度，fmax代表选出的连杆动力学参数集适应度的最大取值，即最差适应度；
若cprocess≤process，直接将xA,xB加入后代种群中；若cprocess＞process，改进的参数交叉方法如下所示：
x'A＝αxA+(1-α)xB
x'B＝sign(f(xA)-f(xB))·(αxA-(1-α)xB)
式中，x'A和x'B是由xA,xB交叉产生的连杆动力学参数集，线性化系数α∈(0,1)，z＝1,2,…从1开始取值，当新连杆动力学参数集不满足时，代表不是可行解，则取z＝2继续计算，随着z的取值不断增大，x'A,x'B与适应度较优的连杆动力学参数集的相似程度也在增加；
(3)在参数变异过程中，每组连杆动力学参数集以不同的概率变异，刚开始时参数需要向各个方向搜索最优值，选择较高的变异概率；在寻优后期，参数基本已经收敛在最优值附近，减小变异概率；定义连杆动力学参数集的变异率：
式中，η是变异参数，范围在(0,1)；
对每组连杆动力学参数集生成一个随机数，若随机数小于γj，那么该组连杆动力学参数集j发生非均匀变异，每个参数以概率β变异，β∈(0,1)，改进的变异公式如下所示：
式中，q＝1,2,…,12n表示连杆动力学参数集中第q个参数，λfull,q,argv代表连杆动力学参数集的第q个参数的平均值，λfull,q,min代表连杆动力学参数集中第q个参数的极小值，λfull,q,max代表连杆动力学参数集中第q个参数的极大值，ω∈(0,1)表示随机扰动系数；若λ'full,q,j＜λfull,q,min，则λ'full,q,j＝λfull,q,min，相反如果存在λ'full,q,j＞λfull,q,max，则λ'full,q,j＝λfull,q,max；
(4)判断改进交叉、变异过程得到的新连杆动力学参数集是否满足结束条件，若存在：迭代次数等于设定值，或者最优连杆动力学参数集的适应度与上一代最优连杆动力学参数集的适应度之差小于给定值dlimit，并且最优子个体的适应度和平均适应度的差值不大于dlimit·logNp，则找到最优连杆动力学参数集，结束迭代过程。
6.根据权利要求1所述的一种基于动力学参数辨识的工业机器人力/位柔顺控制方法，其特征在于：步骤二中，在负载动力学参数辨识中，建立带负载动力学参数的动力学模型，并分别通过最小二乘法和改进粒子群算法识别负载动力学参数，同时进行对比分析。
7.根据权利要求6所述的一种基于动力学参数辨识的工业机器人力/位柔顺控制方法，其特征在于：待辨识的负载动力学参数表示为：
Pload＝[ml,sl,x,sl,y,sl,z,Il,xx,Il,yy,Il,zz,Il,xy,Il,xz,Il,yz]T
式中，ml代表负载质量，sl,x,sl,y,sl,z分别代表负载质心在负载坐标轴xl,yl,zl方向的位置，Il,xx＝∫∫∫V(yl 2+zl 2)ρldυl、Il,yy＝∫∫∫V(xl 2+zl 2)ρldυl、Il,zz＝∫∫∫V(xl 2+yl 2)ρldυl分别代表负载绕xl,yl,zl坐标轴的质量惯性矩，Il,xy＝∫∫∫Vxyρldυl、Il,xz＝∫∫∫Vxzρldυl、Il,yz＝∫∫∫Vyzρldυl分别代表负载绕xlyl,ylzl,zlxl平面的惯性积，其中ρl表示负载密度，υl表示负载体积；
当机器带负载运行时，各关节力矩τtotal包括机器人连杆力矩τlink和末端负载力矩τload，这两种力矩相互独立；此外，机器人负载力矩与式的负载动力学参数之间存在非线性关系，归纳如下：
τtotal＝τlink+τload
式中，σ表示负载力矩的未知函数，与关节运动状态和负载动力学参数有关；
负载会对机器人末端会产生一个力向量Fload∈R3×1和一个力矩向量Mload∈R3×1；根据动力学分析，对应负载产生的末端力和力矩的表达式为：
式中，ω＝[ωx ωy ωz]T代表机器人末端的角速度，代表末端的角加速度，代表末端的加速度，rm＝[sl,x sl,y sl,z]T代表负载质心参数，代表负载惯性张量；
将机器人末端力和力矩分为两部分，一部分与负载动力学参数无关，另一部分为负载动力学参数集合；因此机器人末端力和力矩可以表示为：
式中，Fq,NU,NM,NT表示机器人负载力和力矩的组成部分中与负载动力学参数无关的分量，U,M,T表示机器人负载力和力矩的组成部分中与负载动力学参数相关的分量；
根据上式推导，可以得到：
工业机器人带负载运动时，末端负载力和力矩与关节负载力矩可以通过力矩雅克比矩阵JT(q)相互转换；负载产生的关节理论力矩τload方程为：
式中，表示机器人末端负载力和力矩矩阵，表示最小负载动力学参数集到关节负载力矩的转换矩阵，λload＝[U T M]T表示最小负载动力学参数集；
在负载动力学参数辨识中，首先激励机器人沿特定激励轨迹运行k个周期；在该过程中采集并记录各关节角度、角速度和角加速度参数，根据上述推导的机器人关节总力矩模型计算第k周期关节理论力矩τtotal,k；同时保存第k周期机器人各关节伺服电机电流信息icur,k，并采用平均化的方法处理记录的电流信息，从而降低噪声影响，提高数据的可信度；得到处理后的电流数据i′cur,k：
根据伺服电机电流能够获得机器人关节实际力矩τ′total,k：
τ′total,k＝κ·i′cur,k
式中，κ表示电机电流比例系数。
8.根据权利要求7所述的一种基于动力学参数辨识的工业机器人力/位柔顺控制方法，其特征在于：通过负载动力学模型得到各周期的机器人关节理论负载力矩：
其中，
根据各周期机器人实际关节总力矩和理论关节连杆力矩得到机器人实际关节负载力矩：
根据最小二乘法，理论辨识误差表示为关节理论负载力矩和实际负载力矩之差的平方和：
辨识误差用矩阵表示：
公式对负载动力学参数λload求导，存在：
若偏导数的结果为零，代表函数取到极值点，此时误差函数最小；因此，得到λload表达式为：
当是非奇异矩阵时，表示求逆运算；当是奇异矩阵时，矩阵不存在逆，因此，表示求矩阵的伪逆。
9.根据权利要求7所述的一种基于动力学参数辨识的工业机器人力/位柔顺控制方法，其特征在于：所述改进粒子群算法的过程如下：
首先激励机器人沿给定轨迹运动，并记录K个周期的关节运动数据和力矩数据，根据动力学模型获取第k周期关节i的理论负载力矩τload,k,i和理论连杆力矩τlink,k,i；同时，获取滤波后机器人关节i对应的实际关节电机力矩τ’total,k,i，从而得到实际负载力矩τ’load,k,i；考虑负载动力学参数对机器人各关节力矩影响程度不同，定义负载参数辨识的适应度函数f(p)：
式中，hi表示对应关节i负载力矩误差的比例系数，存在
初始化粒子数目T和迭代次数H，每个粒子维度为10，分别表示Pload中各负载动力学参数；每个粒子在空间的位置都对应一组负载动力学参数的取值，满足限制条件其中t＝1,2,3,…,T，代表第t个粒子，h＝1,2,3,…,H代表目前的迭代数；粒子的运动速度代表负载动力学参数的增量变化能力，速度满足约束条件随机生成初代T个粒子的速度与位置
根据第t个粒子经过h次迭代后的速度与位置以及该粒子本身搜索的历史最优值和全部粒子搜索的历史最优值计算该粒子在h+1次迭代后的速度与位置
式中，是惯性系数，代表粒子保持原有速度的倾向，c1代表粒子跟随本身历史最优值的倾向，c2代表粒子跟随种群最优值的倾向，ξ,η∈[0,1]代表随机数，r代表约束因子；
考虑到多参数同时寻优，不同负载动力学参数的组合值有概率达到更优辨识，改进的交叉过程以γ1的比例交叉相邻粒子和的负载质心参数sx,sy,sz；此外为降低辨识结果落入局部最优的可能性，改进变异过程以γ2的比例随机改变粒子在空间中位置
通过第h+1次更新的粒子位置计算适应度，若辨识误差小于该粒子最优位置的辨识误差，则将位置保存为粒子t的最优位置否则粒子t的最优位置根据全部粒子的搜索最优位置更新群体最优位置
当误差评定函数f(P)达到收敛要求或者迭代次数t≥T达到最高时算法结束，得到全部粒子搜索的历史最优值即为负载动力学参数Pload。
10.根据权利要求1至9中任一项所述的一种基于动力学参数辨识的工业机器人力/位柔顺控制方法，其特征在于：基于力矩的阻抗控制包括预测力矩前馈、位置和速度控制及接触力矩反馈三个部分；预测力矩前馈部分利用动力学模型计算关节力矩，可以增加机器人的调整速度，减少跟踪误差；位置和速度控制部分首先利用末端在笛卡尔空间的位置误差和速度误差计算末端广义作用力，再将作用力转换为关节空间的作用力矩控制机器人运动，使得末端位置和速度误差减小；接触力矩反馈部分利用实际关节力矩和理论关节力矩计算末端在笛卡尔空间的外力，当外力过大时使机器人向外力减小的方向运动。
CN201910887041.XA 2019-09-19 2019-09-19 基于动力学参数辨识的工业机器人力/位柔顺控制方法 Active CN110561438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910887041.XA CN110561438B (zh) 2019-09-19 2019-09-19 基于动力学参数辨识的工业机器人力/位柔顺控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910887041.XA CN110561438B (zh) 2019-09-19 2019-09-19 基于动力学参数辨识的工业机器人力/位柔顺控制方法

Publications (2)

Publication Number Publication Date
CN110561438A true CN110561438A (zh) 2019-12-13
CN110561438B CN110561438B (zh) 2021-02-05

Family

ID=68781082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910887041.XA Active CN110561438B (zh) 2019-09-19 2019-09-19 基于动力学参数辨识的工业机器人力/位柔顺控制方法

Country Status (1)

Country Link
CN (1) CN110561438B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291499A (zh) * 2020-03-04 2020-06-16 岭南师范学院 一种基于多体动力学的瓦斯抽采钻机建模方法
CN111673733A (zh) * 2020-03-26 2020-09-18 华南理工大学 未知环境下机器人的智能自适应柔顺控制方法
CN111890370A (zh) * 2020-08-15 2020-11-06 前元运立(北京)机器人智能科技有限公司 一种应用双编码器的机器人力控制方法及装置
CN112405525A (zh) * 2020-10-21 2021-02-26 深圳市汇川技术股份有限公司 奇异位置规避方法、系统、设备及计算机可读存储介质
CN112959363A (zh) * 2021-03-03 2021-06-15 珞石（北京）科技有限公司 一种机器人模型信息辨识方法
CN113681551A (zh) * 2020-05-18 2021-11-23 库卡机器人制造（上海）有限公司 Scara机器人动力学参数辨识的方法、装置
WO2021238049A1 (zh) * 2020-05-28 2021-12-02 杭州键嘉机器人有限公司 机械臂的多负载自适应重力补偿方法、装置及控制设备
CN114589702A (zh) * 2022-04-24 2022-06-07 合肥工业大学 基于动力学参数辨识和导纳控制的协作机器人拖动方法
CN114952858A (zh) * 2022-06-16 2022-08-30 华中科技大学 一种基于摩擦补偿控制的工业机器人轨迹跟踪方法和系统
CN115229780A (zh) * 2021-10-18 2022-10-25 达闼机器人股份有限公司 机械臂运动路径规划方法及装置
CN115257995A (zh) * 2022-05-19 2022-11-01 伍福人工智能(河南)有限公司 机器人的控制方法、装置、终端设备以及存储介质
CN115476363A (zh) * 2022-10-11 2022-12-16 河北工业大学 基于数字孪生的工业机器人动力学参数自学习辨识方法
CN115871022A (zh) * 2021-08-24 2023-03-31 北京理工大学 一种基于序列拆分方法的机器人动力学验证方法
RU2813435C1 (ru) * 2020-05-28 2024-02-12 Ханчжоу Цзяньцзя Медикал Текнолоджи Ко., Лтд. Способ, устройство и управляющее устройство для самоадаптивной компенсации силы тяжести манипулятора c несколькими нагрузками
CN118061248A (zh) * 2024-04-18 2024-05-24 北京理工大学 一种单腿机器人的动力学验证方法、装置、介质及产品

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5377310A (en) * 1992-04-03 1994-12-27 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Controlling under-actuated robot arms using a high speed dynamics
WO1997040435A2 (en) * 1996-04-19 1997-10-30 Massachusetts Institute Of Technology Base force/torque sensor apparatus for the precise control of manipulators with joint friction and a method of use thereof
CN106272428A (zh) * 2016-09-13 2017-01-04 江苏大学 一种苹果采摘机器人末端执行器抓取力主动柔顺控制方法
CN108227492A (zh) * 2018-01-03 2018-06-29 华中科技大学 一种六自由度串联机器人末端负载动力学参数的辨识方法
CN108638070A (zh) * 2018-05-18 2018-10-12 珞石（山东）智能科技有限公司 基于动态平衡的机器人负载重力参数辨识方法
CN109514602A (zh) * 2018-11-08 2019-03-26 东南大学 一种基于负载自适应辨识的工业机器人力矩补偿控制方法
CN110007645A (zh) * 2019-04-11 2019-07-12 华中科技大学 一种基于动力学及深度神经网络的进给系统混合建模方法
CN110065070A (zh) * 2019-04-29 2019-07-30 华中科技大学 一种基于动力学模型的机器人自适应阻抗控制系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5377310A (en) * 1992-04-03 1994-12-27 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Controlling under-actuated robot arms using a high speed dynamics
WO1997040435A2 (en) * 1996-04-19 1997-10-30 Massachusetts Institute Of Technology Base force/torque sensor apparatus for the precise control of manipulators with joint friction and a method of use thereof
CN106272428A (zh) * 2016-09-13 2017-01-04 江苏大学 一种苹果采摘机器人末端执行器抓取力主动柔顺控制方法
CN108227492A (zh) * 2018-01-03 2018-06-29 华中科技大学 一种六自由度串联机器人末端负载动力学参数的辨识方法
CN108638070A (zh) * 2018-05-18 2018-10-12 珞石（山东）智能科技有限公司 基于动态平衡的机器人负载重力参数辨识方法
CN109514602A (zh) * 2018-11-08 2019-03-26 东南大学 一种基于负载自适应辨识的工业机器人力矩补偿控制方法
CN110007645A (zh) * 2019-04-11 2019-07-12 华中科技大学 一种基于动力学及深度神经网络的进给系统混合建模方法
CN110065070A (zh) * 2019-04-29 2019-07-30 华中科技大学 一种基于动力学模型的机器人自适应阻抗控制系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李瑞峰: "《工业机器人设计与应用》", 31 January 2017 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291499A (zh) * 2020-03-04 2020-06-16 岭南师范学院 一种基于多体动力学的瓦斯抽采钻机建模方法
CN111291499B (zh) * 2020-03-04 2023-08-01 岭南师范学院 一种基于多体动力学的瓦斯抽采钻机建模方法
CN111673733A (zh) * 2020-03-26 2020-09-18 华南理工大学 未知环境下机器人的智能自适应柔顺控制方法
CN111673733B (zh) * 2020-03-26 2022-03-29 华南理工大学 未知环境下机器人的智能自适应柔顺控制方法
CN113681551A (zh) * 2020-05-18 2021-11-23 库卡机器人制造（上海）有限公司 Scara机器人动力学参数辨识的方法、装置
WO2021238049A1 (zh) * 2020-05-28 2021-12-02 杭州键嘉机器人有限公司 机械臂的多负载自适应重力补偿方法、装置及控制设备
RU2813435C1 (ru) * 2020-05-28 2024-02-12 Ханчжоу Цзяньцзя Медикал Текнолоджи Ко., Лтд. Способ, устройство и управляющее устройство для самоадаптивной компенсации силы тяжести манипулятора c несколькими нагрузками
CN111890370A (zh) * 2020-08-15 2020-11-06 前元运立(北京)机器人智能科技有限公司 一种应用双编码器的机器人力控制方法及装置
CN112405525A (zh) * 2020-10-21 2021-02-26 深圳市汇川技术股份有限公司 奇异位置规避方法、系统、设备及计算机可读存储介质
CN112959363A (zh) * 2021-03-03 2021-06-15 珞石（北京）科技有限公司 一种机器人模型信息辨识方法
CN115871022A (zh) * 2021-08-24 2023-03-31 北京理工大学 一种基于序列拆分方法的机器人动力学验证方法
CN115229780A (zh) * 2021-10-18 2022-10-25 达闼机器人股份有限公司 机械臂运动路径规划方法及装置
CN114589702A (zh) * 2022-04-24 2022-06-07 合肥工业大学 基于动力学参数辨识和导纳控制的协作机器人拖动方法
CN114589702B (zh) * 2022-04-24 2024-05-07 合肥工业大学 基于动力学参数辨识和导纳控制的协作机器人拖动方法
CN115257995A (zh) * 2022-05-19 2022-11-01 伍福人工智能(河南)有限公司 机器人的控制方法、装置、终端设备以及存储介质
CN114952858A (zh) * 2022-06-16 2022-08-30 华中科技大学 一种基于摩擦补偿控制的工业机器人轨迹跟踪方法和系统
CN115476363A (zh) * 2022-10-11 2022-12-16 河北工业大学 基于数字孪生的工业机器人动力学参数自学习辨识方法
CN115476363B (zh) * 2022-10-11 2024-10-11 河北工业大学 基于数字孪生的工业机器人动力学参数自学习辨识方法
CN118061248A (zh) * 2024-04-18 2024-05-24 北京理工大学 一种单腿机器人的动力学验证方法、装置、介质及产品

Also Published As

Publication number Publication date
CN110561438B (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN110561438B (zh) 基于动力学参数辨识的工业机器人力/位柔顺控制方法
CN109514602B (zh) 一种基于负载自适应辨识的工业机器人力矩补偿控制方法
Ata Optimal trajectory planning of manipulators: a review
Juang et al. Wall-following control of a hexapod robot using a data-driven fuzzy controller learned through differential evolution
Chen et al. Posture optimization in robotic machining based on comprehensive deformation index considering spindle weight and cutting force
Xiao et al. Smooth and near time‐optimal trajectory planning of industrial robots for online applications
Björkenstam et al. Energy efficient and collision free motion of industrial robots using optimal control
Zhang et al. Time-optimal trajectory planning of serial manipulator based on adaptive cuckoo search algorithm
CN110134062B (zh) 一种基于强化学习的多轴数控机床加工路径优化方法
Shang et al. Dynamic model based nonlinear tracking control of a planar parallel manipulator
Tian et al. Constrained motion control of flexible robot manipulators based on recurrent neural networks
Wen et al. A novel 3D path following control framework for robots performing surface finishing tasks
Li et al. On-line self tuning of contouring control for high accuracy robot manipulators under various operations
Saramago et al. Trajectory modeling of robot manipulators in the presence of obstacles
Cobb et al. Iterative learning-based waypoint optimization for repetitive path planning, with application to airborne wind energy systems
CN118305803A (zh) 一种基于六轴机械臂的改进粒子群轨迹规划方法
CN114660940A (zh) 一种基于深度强化学习ppo算法的磨削恒力控制方法
Liu et al. Design and motion planning of a 7-DOF assembly robot with heavy load in spacecraft module
Renawi et al. ROS validation for non-holonomic differential robot modeling and control: Case study: Kobuki robot trajectory tracking controller
Ning et al. Time-optimal point stabilization control for WIP vehicles using quasi-convex optimization and B-spline adaptive interpolation techniques
CN113867157B (zh) 一种控制补偿的最优轨迹规划方法、设备及存储设备
Pérez-Hurtado et al. Robot path planning using rapidly-exploring random trees: A membrane computing approach
Luo et al. On research progress and trend of motion control in industrial robot applications
Kuang et al. Space Trajectory Planning of Electric Robot Based on Unscented Kalman Filter.
Bethencourt et al. Controller design and implementation for a differential drive wheeled mobile robot

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