CN112171677A - 基于lstm工业机器人柔性关节迟滞误差补偿控制方法 - Google Patents
基于lstm工业机器人柔性关节迟滞误差补偿控制方法 Download PDFInfo
- Publication number
- CN112171677A CN112171677A CN202011064505.6A CN202011064505A CN112171677A CN 112171677 A CN112171677 A CN 112171677A CN 202011064505 A CN202011064505 A CN 202011064505A CN 112171677 A CN112171677 A CN 112171677A
- Authority
- CN
- China
- Prior art keywords
- joint
- flexible joint
- angle
- industrial robot
- output
- 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
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种工业机器人柔性关节迟滞误差补偿控制方法,利用基于改进的LSTM的工业机器人柔性关节迟滞特性模型在线预测机器人关节输出角度,通过与理想关节输出比较,计算得到输出扭矩角,对应得到关节输入端的角度补偿量,对关节输入端设定输入角度进行补偿,从关节的电机驱动端,实现对关节复杂迟滞特性抵消,有效提高工业机器人关节转换精度。迟滞模型具有在线学习能力,不仅在线补偿工业机器人关节本身结构带来传递非线性误差,同时可补偿工业机器人关节在长时间运行下的慢漂移特性带来转换误差,提高了关节长期运行的保持高精度下的稳定性。
Description
技术领域
本发明涉及工业机器人技术领域,具体涉及一种基于LSTM工业机器人柔性关节迟滞误差补偿控制方法。
背景技术
工业机器人具有重复精度高、自动化、安全且适用性强等优势。在智能制造的背景之下,工业机器人的功能越来越强,同时对工业机器人的执行精度也提出了更高的要求。近年来,出现的轻型机器人、协作机器人等机器人采用谐波驱动器驱动其关节运动。由电机与谐波减速器等组成的工业机器人柔性关节所表现出的复杂非线性迟滞特性,常常影响关节的转换精度,也直接影响工业机器人定位精度。对柔性关节的非线性迟滞特性进行建模,从控制角度,基于迟滞模型,通过补偿控制削弱关节的迟滞特性的影响,成为提高工业机器人柔性关节转换精度的一个重要技术。在基于模型的柔性关节补偿控制中,降低迟滞特性对关节执行精度的影响,建立迟滞模型是实现转换误差补偿控制的先决条件。关于迟滞特性建模,已有提出了多种典型方案:如Bouc-Wen模型、Preisach模型等,然而这类模型结构较复杂,逆模型不易求解,且参数在线计算困难,难以在实时控制系统中实施。
发明内容
本发明所要解决的是现有工业机器人中关节复杂迟滞特性未进行准确地补偿处理,导致关节转换精度下降的问题,提供一种基于LSTM工业机器人柔性关节迟滞误差补偿控制方法。
为解决上述问题,本发明是通过以下技术方案实现的:
基于LSTM工业机器人柔性关节迟滞误差补偿控制方法,包括步骤如下:
步骤1、采集柔性关节在当前时刻t的实际转矩xt,并将当前时刻t的实际转矩xt送入到LSTM迟滞模型中,得到当前时刻t的迟滞模型输出h′t;
步骤2、采集柔性关节在上一时刻t-1的实际输出角度yt-1,并将上一时刻t-1的实际输出角度yt-1、当前时刻t的实际转矩xt和当前时刻t的迟滞模型输出ht′一并送入RBF动态神经网络中,得到柔性关节在下一时刻t+1的预测输出角度pt+1;
式中,p0,t为柔性关节在当前时刻t的理想设定输入角度,p0,t+1为柔性关节在下一时刻t+1的理想设定输入角度,pt+1为柔性关节在下一时刻t+1的预测输出角度,N为柔性关节的减速比;
上述方案中,柔性关节包括电机和谐波加速器;电机的输出端与谐波加速器的输入端连接;电机的控制端形成柔性关节的驱动端。
与现有技术相比,本发明具有如下特点:
1、对电机与谐波减速器构成的工业机器人柔性关节所表现出特殊非线性特性——非光滑迟滞特性在线高精度建模,基于该模型的关节传递误差补偿控制与近似补偿控制不同,通过基于柔性关节的高精度迟滞模型,实现转换误差有效补偿,提高工业机器人关节的转换精度。
2、所发明的迟滞模型具有在线学习能力,不仅在线补偿工业机器人关节本身结构带来传递非线性误差,而且,同时可补偿工业机器人关节在长时间运行下的慢漂移特性带来转换误差,提高关节长期运行的保持高精度下的稳定性。
附图说明
图1为LSTM单元基本结构图。
图2为LSTM迟滞模型。
图3为改进的LSTM神经网络结构图。
图4为改进的LSTM迟滞模型。
图5为基于改进的LSTM迟滞模型的关节补偿控制实现结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实例,对本发明进一步详细说明。
考虑到工业机器人柔性关节的输出与历史输入有关的记忆特性,本发明采用了能保存和长时间的传递信息、具有记忆特点的短时记忆神经网络(Long Short-Term MemoryModel,LSTM),对工业机器人柔性关节所表现出的复杂非线性迟滞特性进行建模。为了进一步提高建模精度,本发明提出了基于改进的LSTM的工业机器人柔性关节迟滞建模,并基于该模型设计工业机器人柔性关节转换误差的补偿控制方法,实现工业机器人关节高精度角度定位。
传统循环神经网络(RNN)由输入层x=(x1,x2,…,xn)、隐含层g=(g1,g2,…,gn)和输出层g′=(g′1,g′2,…g′n)组成。
gt=f(Wxxt+Whgt-1+b′) (1)
g′t=s(Wogt+b) (2)
其中,Wx、Wh、Wo为网络的权重;b′、b为偏差;f(·)、s(·)分别为隐含层与输出层的激活函数。t表示当前时刻,当前的前一时刻为t-1时刻。gt,gt-1分别为函数g在当前t时刻和t-1时刻的函数值。
为了解决传统RNN网络中存在的梯度消失与梯度爆炸问题,出现LSTM代替RNN中的隐含层神经元。LSTM单元基本结构如图1所示。
其数学模型如下:
其中,xt表示t时刻的输入;ht-1和ht分别表示t-1时刻和t时刻隐含层LSTM单元输出;σ(·)表示sigmoid激活函数;tanh(·)表示tanh(·)激活函数;Wi,h、Wi,x、Wf,h、Wf,x、Wo,h、Wo,x、Wc,h、Wc,x和bi、bf、bo、bc分别表示输入门、遗忘门、输出门和当前t时刻输入单元状态的权重与偏差矩阵;⊙表示逐点相乘;当前t时刻输入门it用于控制当前时刻的输入存储到记忆单元的比例;当前t时刻遗忘门ft决定记忆单元上一时刻的值被输出到当前时刻的比例;当前t时刻输出门ot控制记忆单元中存储的记忆值可以被输出的比例;当前t时刻记忆单元ct是上时刻值与当前输入的单元状态的加权求和。ct-1表示当前t时刻前一时刻,即t-1时刻记忆单元输出。
考虑到迟滞表现为与输入信号的历史值有关的记忆特性,所以,本发明先利用具有记忆特性的LSTM构建工业机器人柔性关节的迟滞模型。由LSTM单元构建的LSTM迟滞模型如图2所示。图2中,输入层为工业机器人柔性关节的转矩x=(x1,x2,…,xn),隐含层为LSTM单元,LSTMi为隐含层节点,输出层为h′=(h′1,h′2,…h′n)。
h′t=Woht+b (4)
其中,Wo=[Wo1,Wo2,…,Woi]为输出层的权重;b为偏差;h′t为LSTM模型在当前t时刻输出。
为了提高LSTM迟滞模型对关节迟滞特性的描述精度,从在幅值和相位上存在的误差角度考虑,在LSTM迟滞模型后串联一个RBF动态神经网络,称为改进的LSTM迟滞模型。
RBF神经网络具有计算量少、学习速度快、学习方法简单等优点,同时具有良好的数据局部逼近能力以及泛化能力。改进的LSTM神经网络结构如图3所示。图3中,RBF动态神经网络是一种三层前馈神经网络:输入层、隐含层和输出层。输入向量u为:
u=[h′t,xt,yt-1]T (5)
其中,yt-1为工业机器人柔性关节的前一时刻t-1的输出角度。
RBF动态神经网络模型如下:
其中,ci为当前t时刻第i个隐节点的中心坐标向量,σi为当前t时刻第i个隐节点的宽度,||·||为欧几里德范数,为当前t时刻第i个隐节点输出,pt为当前t时刻RBF动态神经网络的输出,w为输出层的权值;m为隐含层的节点数。
当损失函数过大时,RBF动态神经网络通过梯度下降法调整网络权值。网络的损失函数Et为:
其中,yt是当前t时刻额柔性关节实际输出。
网络权值调节:
其中,0<η<1为学习速率,0<α<1为动量因子,Δwi_t,wi_t,wi_t-1,wi_t-2及wi_t-2分别表示第i个隐含节点加权增量Δw在当前t时刻的值,第i个隐含节点加权w在当前t时刻的值,第i个隐含节点加权w在当前时刻的前一时刻,即t-1时刻的值及第i个隐含节点加权w在t-1时刻的前一时刻,即t-2时刻的值。
改进的LSTM迟滞模型及参数学习如图4所示,模型由两部分串联组成:第一部分是LSTM迟滞模型,其输入信号为柔性关节当前时刻t的实际转矩xt,其输出信号为h′t;第二部分是RBF动态神经网络,其输入信号为LSTM迟滞模型的输出h′t,柔性关节当前时刻t的实际转矩xt和柔性关节上一刻t-1时刻的实际输出角度yt-1,其输出信号为柔性关节的预测输出角度pt+1。在RBF输入信号中加入工业机器人柔性关节前一时刻的输出值,使神经网络具有动态特性。
柔性关节设定理想的输入角度为p0,由电机带动谐波减速器构成的柔性关节就是一个比例变换,设减速比为N,对应柔性关节理想的角度输出为实际中,柔性关节的角度输出随的电机转矩大小变化,与理想的输出存在偏差,用扭矩角Δp表述:
其中,p是转矩的函数,表现为复杂非线性迟滞特性。
通过所建立的改进的LSTM迟滞模型,得到柔性关节在下一时刻t+1时刻角度的预测输出角度pt+1,此时,根据式(11)计算下一时刻t+1的预测扭矩角Δpt+1:
其中,p0,t是柔性关节当前时刻t的理想设定输入角度(即补偿前),N是柔性关节的减速比,pt+1是柔性关节在下一时刻t+1时刻角度的预测输出角度。
其中,p0,t+1是柔性关节下一时刻t+1的理想设定输入角度(即补偿前)。在柔性关节下一时刻t+1的理想设定输入角度的基础上,增加补偿量NΔpt+1后作用于关节的电机驱动端,以抵消关节在传递过程带来关节输出端的非线性转换误差。
由于本发明的迟滞模型具有在线学习功能,所以,由于机械摩擦、加工工艺因素等影响,柔性关节特性出现的慢漂移,通过转换误差补偿控制,同样对关节慢漂移带来的关节传递误差,实现有效补偿,以提要关节长期运行的稳定性。
本发明所提出的一种基于LSTM工业机器人柔性关节迟滞误差补偿控制方法,包括步骤如下:
步骤1、采集柔性关节在当前时刻t的实际转矩xt,并将当前时刻t的实际转矩xt送入到LSTM迟滞模型中,得到当前时刻t的迟滞模型输出h′t;
步骤2、采集柔性关节在上一时刻t-1的实际输出角度yt-1,并将上一时刻t-1的实际输出角度yt-1、当前时刻t的实际转矩xt和当前时刻t的迟滞模型输出h′t一并送入RBF动态神经网络中,得到柔性关节在下一时刻t+1的预测输出角度pt+1;
式中,p0,t为柔性关节在当前时刻t的理想设定输入角度,p0,t+1为柔性关节在下一时刻t+1的理想设定输入角度,pt+1为柔性关节在下一时刻t+1的预测输出角度,N为柔性关节的减速比;
实现上述方法的一种基于LSTM工业机器人柔性关节迟滞误差补偿控制,如图5所示,包括编码角度检测器、转矩检测器、模数转换器和微控制器。编码角度检测器和转矩检测器设置在柔性关节上,其中编码角度检测器用于采集柔性关节在各时刻的实际输出角度,转矩检测器用于采集柔性关节在各时刻的实际转矩。编码角度检测器和转矩检测器的输出端均经由模数转换器与控制器的输入端连接。微控制器接受到关节转矩信息和角度信息,建立转矩与角度的迟滞预测模型(改进的LSTM迟滞模型),通过迟滞预测模型,预测当前下一时刻,即t+1时刻的角度,并计算转换误差补偿量,结合关节在理想情况下关节驱动端设定输入角度,得到补偿后关节驱动电机实际的输入角度,微控制器的输出是关节的驱动电机端角度补偿后输入角度设定值。转矩与角度的迟滞模型具有在线学习能力,不仅能在线补偿工业机器人柔性关节本身结构带来传递非线性误差,而且同时能补偿工业机器人关节在长时间运行下的慢漂移特性带来转换误差。基于改进的LSTM迟滞模型的关节补偿控制实现结构图如图5所示。
针对工业机器人柔性关节的复杂迟滞特性,本发明搭建了一个基于改进的LSTM的工业机器人柔性关节迟滞特性模型,并基于迟滞模型的预测输出,设计在线非线性补偿控制方法。该模型在线预测机器人关节输出角度,通过与理想关节输出比较,计算得到输出扭矩角,对应得到关节输入端的角度补偿量,对关节输入端设定输入角度进行补偿,从关节的电机驱动端,实现对关节复杂迟滞特性抵消,有效提高工业机器人关节转换精度。迟滞模型具有在线学习能力,不仅在线补偿工业机器人关节本身结构带来传递非线性误差,同时可补偿工业机器人关节在长时间运行下的慢漂移特性带来转换误差,提高了关节长期运行的保持高精度下的稳定性。所发明的柔性关节传递非线性误差补偿控制方法易于与工业机器人产品配合,提高工业机器人整体执行精度。
需要说明的是,尽管以上本发明所述的实施例是说明性的,但这并非是对本发明的限制,因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下,凡是本领域技术人员在本发明的启示下获得的其它实施方式,均视为在本发明的保护之内。
Claims (2)
1.基于LSTM工业机器人柔性关节迟滞误差补偿控制方法,其特征是,包括步骤如下:
步骤1、采集柔性关节在当前时刻t的实际转矩xt,并将当前时刻t的实际转矩xt送入到LSTM迟滞模型中,得到当前时刻t的迟滞模型输出h′t;
步骤2、采集柔性关节在上一时刻t-1的实际输出角度yt-1,并将上一时刻t-1的实际输出角度yt-1、当前时刻t的实际转矩xt和当前时刻t的迟滞模型输出h′t一并送入RBF动态神经网络中,得到柔性关节在下一时刻t+1的预测输出角度pt+1;
式中,p0,t为柔性关节在当前时刻t的理想设定输入角度,p0,t+1为柔性关节在下一时刻t+1的理想设定输入角度,pt+1为柔性关节在下一时刻t+1的预测输出角度,N为柔性关节的减速比;
2.根据权利要求1所述的基于LSTM工业机器人柔性关节迟滞误差补偿控制方法,其特征是,柔性关节包括电机和谐波加速器;电机的输出端与谐波加速器的输入端连接;电机的控制端形成柔性关节的驱动端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011064505.6A CN112171677B (zh) | 2020-09-30 | 2020-09-30 | 基于lstm迟滞模型的机器人柔性关节补偿控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011064505.6A CN112171677B (zh) | 2020-09-30 | 2020-09-30 | 基于lstm迟滞模型的机器人柔性关节补偿控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112171677A true CN112171677A (zh) | 2021-01-05 |
CN112171677B CN112171677B (zh) | 2021-09-17 |
Family
ID=73948127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011064505.6A Active CN112171677B (zh) | 2020-09-30 | 2020-09-30 | 基于lstm迟滞模型的机器人柔性关节补偿控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112171677B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112959321A (zh) * | 2021-02-10 | 2021-06-15 | 桂林电子科技大学 | 基于改进pi结构的机器人柔性关节转换误差补偿方法 |
CN113112819A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于改进lstm的图卷积交通速度预测方法 |
CN113197752A (zh) * | 2021-04-30 | 2021-08-03 | 华中科技大学 | 一种上肢康复机器人的肢体重力动态补偿方法 |
CN115302506A (zh) * | 2022-08-08 | 2022-11-08 | 科大讯飞股份有限公司 | 关节模组的测试方法、装置、设备和存储介质 |
CN115556093A (zh) * | 2022-09-19 | 2023-01-03 | 桂林电子科技大学 | 基于narxnn-cnn混合迟滞模型的机器人关节补偿控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108621159A (zh) * | 2018-04-28 | 2018-10-09 | 首都师范大学 | 一种基于深度学习的机器人动力学建模方法 |
CN109176525A (zh) * | 2018-09-30 | 2019-01-11 | 上海神添实业有限公司 | 一种基于rbf的移动机械手自适应控制方法 |
US20190283254A1 (en) * | 2018-03-17 | 2019-09-19 | Tata Consultancy Services Limited | System and method for fault detection in robotic actuation |
CN111515962A (zh) * | 2020-06-04 | 2020-08-11 | 桂林电子科技大学 | 含有谐波减速器柔性关节的传递误差补偿控制方法 |
-
2020
- 2020-09-30 CN CN202011064505.6A patent/CN112171677B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190283254A1 (en) * | 2018-03-17 | 2019-09-19 | Tata Consultancy Services Limited | System and method for fault detection in robotic actuation |
CN108621159A (zh) * | 2018-04-28 | 2018-10-09 | 首都师范大学 | 一种基于深度学习的机器人动力学建模方法 |
CN109176525A (zh) * | 2018-09-30 | 2019-01-11 | 上海神添实业有限公司 | 一种基于rbf的移动机械手自适应控制方法 |
CN111515962A (zh) * | 2020-06-04 | 2020-08-11 | 桂林电子科技大学 | 含有谐波减速器柔性关节的传递误差补偿控制方法 |
Non-Patent Citations (1)
Title |
---|
党选举等: "工业机器人谐波减速器迟滞特性的神经网络建模", 《光学精密工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112959321A (zh) * | 2021-02-10 | 2021-06-15 | 桂林电子科技大学 | 基于改进pi结构的机器人柔性关节转换误差补偿方法 |
CN112959321B (zh) * | 2021-02-10 | 2022-03-11 | 桂林电子科技大学 | 基于改进pi结构的机器人柔性关节转换误差补偿方法 |
CN113112819A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于改进lstm的图卷积交通速度预测方法 |
CN113112819B (zh) * | 2021-03-26 | 2022-10-25 | 华南理工大学 | 一种基于改进lstm的图卷积交通速度预测方法 |
CN113197752A (zh) * | 2021-04-30 | 2021-08-03 | 华中科技大学 | 一种上肢康复机器人的肢体重力动态补偿方法 |
CN115302506A (zh) * | 2022-08-08 | 2022-11-08 | 科大讯飞股份有限公司 | 关节模组的测试方法、装置、设备和存储介质 |
CN115556093A (zh) * | 2022-09-19 | 2023-01-03 | 桂林电子科技大学 | 基于narxnn-cnn混合迟滞模型的机器人关节补偿控制方法 |
CN115556093B (zh) * | 2022-09-19 | 2024-08-27 | 桂林电子科技大学 | 基于narxnn-cnn混合迟滞模型的机器人关节补偿控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112171677B (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112171677B (zh) | 基于lstm迟滞模型的机器人柔性关节补偿控制方法 | |
CN110221538B (zh) | 一种结合迭代学习的时间最优轨迹规划控制器及方法 | |
CN110977988A (zh) | 基于有限时间命令滤波的多关节机械臂阻抗控制方法 | |
CN111428317B (zh) | 一种基于5g和循环神经网络的关节摩擦力矩补偿方法 | |
CN114516047B (zh) | 基于径向基神经网络终端滑模控制机械臂轨迹方法及系统 | |
CN112959321B (zh) | 基于改进pi结构的机器人柔性关节转换误差补偿方法 | |
CN111515962B (zh) | 含有谐波减速器柔性关节的传递误差补偿控制方法 | |
CN108555914B (zh) | 一种基于腱驱动灵巧手的dnn神经网络自适应控制方法 | |
CN111037550A (zh) | 一种冗余度机械臂运动控制的解决方法 | |
US6000827A (en) | System identifying device and adaptive learning control device | |
CN112571420B (zh) | 一种未知参数下的双功能模型预测控制方法 | |
CN115139301A (zh) | 基于拓扑结构自适应神经网络的机械臂运动规划方法 | |
CN116460860A (zh) | 一种基于模型的机器人离线强化学习控制方法 | |
CN109194244B (zh) | 一种面向电动伺服系统的控制方法及系统 | |
Okuma et al. | A neural network compensator for uncertainties of robotic manipulators | |
CN110991606A (zh) | 基于径向基神经网络的压电陶瓷驱动器复合控制方法 | |
CN114660942A (zh) | 一种复合式直升机全模式自适应控制方法 | |
CN113219841B (zh) | 基于自适应鲁棒的水下多关节液压机械臂非线性控制方法 | |
CN114384800A (zh) | 一种具有输入信号延时的未知非线性系统反推控制方法 | |
CN109794939B (zh) | 一种焊接机器人运动规划并行束方法 | |
CN115556093B (zh) | 基于narxnn-cnn混合迟滞模型的机器人关节补偿控制方法 | |
CN112000014A (zh) | 一种操控机械臂的模型预测与反演的控制方法 | |
CN113759713B (zh) | 忆阻模型与神经网络混合的谐波减速器误差补偿控制方法 | |
CN115356927B (zh) | 机器人的三闭环鲁棒预测函数控制方法 | |
CN117140504B (zh) | 一种基于增量模型预测控制的n连杆机械臂控制方法 |
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 |