CN112247992A - 一种机器人前馈力矩补偿方法 - Google Patents

Abstract

本发明公开了一种机器人前馈力矩补偿方法。该方法包括：将当前时刻的机器人状态信息输入至经训练的循环神经网络模型，输出后续时间点的预测力矩，其中，所述循环神经网络模型的训练集表征机器人的状态信息与基于动力学模型计算出的预测力矩之间的对应关系，所述机器人状态信息反映多个关节时间序列的运动轨迹。利用本发明能够获得更精确的前馈力矩补偿，且适用于不同型号的机器人。

Description

一种机器人前馈力矩补偿方法

技术领域

本发明涉及机器人控制技术领域，更具体地，涉及一种机器人前馈力矩补偿方法。

背景技术

协作机器人以其安全性，柔性化以及易于上手的特点，作为传统工业机器人的重要补充，在工业和非工业领域都具有巨大的增长潜力。

出于安全性的考虑，协作机器人一般刚度较低，为了提高机器人的运动精度，降低运动引起的抖动等，需要对机器人本体的动力学效应引入更多的关注。传统机器人在应对动力学效应时，往往通过增大机器人关节控制系统闭环刚度，来抵消动力学效应引起的扰动。但是增益过大可能会引起不稳定和震荡。理论上，如果能够精确得出机器人的动力学模型，计算任意时刻所需要的关节力矩，采用前馈控制的方法，就可以得到很好的补偿效果。然而实际上，机器人的动力学模型很难精确得出，通过直接采用理论计算的参数来建立动力学模型，会使补偿的效果较差。此外，机器人运动学和动力学数据在时间上连续相关，且摩擦力的记忆特性和电机参数随温度变化带来时变特性，传统的动力学参数辨识方法不能补偿这些因素。

总之，传统机器人前馈力矩补偿的方法和理论参数的计算方法，精度很低，或者需要针对特定型号的机器人，设计复杂的实验来确定机器人力学模型，并且实验过程对操作人员的要求较高。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种机器人前馈力矩补偿方法，其通过考虑动力学参数在时间维度上的连续相关性，采用时间序列循环神经网络模型，对协作机器人动力学模型进行误差补偿，能够获得更精确的前馈力矩，且适用于不同型号的机器人。

本发明提供一种机器人前馈力矩补偿方法。该方法包括以下步骤：

将当前时刻的机器人状态信息输入至经训练的循环神经网络模型，输出后续时间点的预测力矩，其中，所述循环神经网络模型的训练集表征机器人的状态信息与基于动力学模型计算出的预测力矩之间的对应关系，所述机器人状态信息反映多个关节时间序列的运动轨迹。

在一个实施例中，根据以下步骤构建所述训练集：

制定机器人关节的正弦速度轨迹，作为所述循环神经网络模型的训练轨迹；

利用机器人关节端编码器采集机器人关节的位移、速度和加速度信号；

利用机器人关节驱动器反馈的电流信号采集机器人关节力矩，获得机器人关节力矩的估算值；

基于所获得的关节位移、速度、加速度，利用动力学模型计算得到预测力矩；

将所获得的关节位置、速度、加速度、关节力矩的估算值和所述预测力矩经过归一化处理，构建为所述训练集。

在一个实施例中，所述机器人关节正弦速度轨迹的生成过程为随机生成不同频率的正弦速度信号，最大幅值为30rev/min，频率范围为0.01～1Hz，并在生成的关节正弦速度轨迹上，增添设定比例幅值的高斯白噪声。

在一个实施例中，采用以下公式获得所述机器人关节力矩的估算值：

τ_j(t)＝K*A_j*ratio

其中，K为电机常数，A_j为第j个关节的额定电流大小，ratio为读取到的比例系数。

在一个实施例中，所述预测力矩表示为：

τ＝M(p)a+H(p,v)+G(p)

其中p为关节角向量，v为关节角速度向量，a为关节角加速度向量，M(p)为机器人惯性矩阵，H(p,v)为离心力和科里奥利力矩阵，G(p)为重力矩阵。

在一个实施例中，训练所述循环神经网络模型的损失函数表示为：

其中N是机器人连续运动量的采样点数量，

为预测力矩值，τⁱ为实际力矩。

在一个实施例中，所述机器人的状态信息表示为s_t＝[p(t)，v(t)，a(t)，τ(t)]来表示，j表示机器人关节标号，t表示当前时刻，设定p(t)＝{p_j(t)|j＝1～6}为关节位置、v(t)＝{v_j(t)|j＝1～6}为关节速度、a(t)＝{a_j(t)|j＝1～6}关节加速度、τ(t)＝{τ_j(t)|j＝1～6}为关节力矩。

在一个实施例中，所述循环神经网络模型是长短时记忆网络，包括一层输入层，多层隐含层和一层输出层，设置输入层和输出层为全连接层，设置隐含层LSTM细胞的个数为64，各个细胞依次连接。

与现有技术相比，本发明的优点在于，所提供的机器人前馈力矩补偿方法，通过考虑动力学参数在时间维度上连续相关性，采用深度循环神经网络模型，结合机器人的三维几何参数，可对协作机器人动力学模型进行误差补偿。本发明考虑机器人运动学和动力学数据在时间维度上的连续相关性，精度较高。此外，本发明不需要对摩擦力模型进行建模，实现流程简单且易于操作，且适用于不同型号的机器人。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的机器人前馈力矩补偿方法的流程图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

参见图1所示，该实施例提供的机器人前馈重力补偿的方法包括以下步骤。

步骤S110，搭建循环神经网络模型。

循环神经网络是以序列数据为输入，在序列的演进方向进行递归且循环单元按链式连接的递归神经网络，基于机器人运动轨迹在时间上的连续相关性，本发明选用循环神经网络模型来进行前馈力矩补偿，循环神经网络例如包括但不限于LSTM(长短时记忆网络)或GRU(门控循环单元)等。下文将以优选的LSTM网络为例进行介绍。

例如，搭建由LSTM细胞结构作为隐含层的网络结构，该神经网络结构包括一层输入层，多层隐含层以及一层输出层。

LSTM网络的输入层设置为机器人的状态，具体地，以6关节为例，设置j为机器人关节标号，t为当前时刻，则机器人的当前状态表示为s_t＝[p(t)，v(t)，a(t)，τ(t)]，其中，p(t)＝{p_j(t)|j＝1～6}为关节位置、v(t)＝{v_j(t)|j＝1～6}为关节速度、a(t)＝{a_j(t)|j＝1～6}关节加速度、τ(t)＝{τ_j(t)|j＝1～6}为关节力矩。

LSTM网络输出层的输出设置为经过网络补偿后的力矩值，可设置输入层和输出层为全连接层。

设置隐含层LSTM细胞的个数为64，各个细胞依次连接。并设置隐含层的LSTM细胞单元具有细胞状态和门控结构，其前向运算过程表示：

其中，σ为sigmoid函数，f_t为遗忘门输出量，W_f，W_i、W_C和W_o依次为遗忘门、输入门、更新状态和输出门的状态参数，b_f，b_i、b_C和b_o依次为遗忘门、输入门、更新状态和输出门状态的偏移量，C和为h分别为细胞输出向量和隐含状态，x为输入向量，i和

为细胞更新状态中间变量，o为输出门中间变量，以上各变量下角标为时间序列编号。

对于网络模型的初始化过程，可设置初始学习率为0.01，设置LSTM参数的初始化方法为高斯初始化。

步骤S120，采集关节位移、速度、加速度并计算机器人关节力矩的估算值。

例如，首先制定机器人的运行轨迹，设定关节速度扫频正弦信号，例如，最大幅值为30rev/min，频率范围为0.01～1Hz。优选地，为增强网络训练效果的泛化能力，在生成的关节速度轨迹上，可进一步增添设定比例幅值(例如5％幅值)的高斯白噪声。

进一步地，针对机器人的运行轨迹，可采用机器人关节端编码器采集机器人关节的位移、速度和加速度信号。

在一个实施例中，采用机器人关节驱动器反馈的电流信号来采集机器人关节力矩。机器人关节力矩的估算值表示为：

τ_j(t)＝K*A_j*ratio (2)

其中，K为电机常数，A_j为第j个关节的额定电流大小，ratio为读取到的比例系数。

步骤S130，基于关节位移、速度、加速度利用动力学模型计算得到预测力矩。

在一个实施例中，利用未补偿动力学模型计算得到预测力矩。具体地，动力学模型参数采用三维模型的理论参数。未补偿动力学模型采用欧拉—拉格朗日法进行建模。考虑重力、科里奥利力、惯性离心力，得到不考虑摩擦力的机器人刚体动力学方程，表示为：

τ＝M(p)a+H(p,v)+G(p) (3)

其中，p为关节角向量，v为关节角速度向量，a为关节角加速度向量；M(p)为机器人惯性矩阵，H(p,v)为离心力和科里奥利力矩阵，G(p)为重力矩阵，τ是计算得到的预测力矩。

步骤S140，将所获得的关节位移、速度、加速度、关节力矩的估算值和预测力矩经过归一化处理，构建训练集和测试集。

具体地，将原始数据(如位移、速度、加速度等)和预测力矩经过归一化操作以提高后续处理的速度和精确度，并进一步分为训练集和测试集。训练集用于表征机器人的状态信息与基于动力学模型计算出的预测力矩之间的对应关系。测试集用于评估训练效果

在一个实施例中，可通过随机选取的方法划分训练集和测试集，例如相对比例为80％和20％。

步骤S150，利用训练集，以设定的损失函数为目标，对循环神经网络的参数进行迭代优化。

例如，定义损失为预测力矩(即根据动力学模型计算得到的预测力矩)相对于实际测量力矩的均方根误差，损失函数的计算公式为：

其中，N为数据集样本数量，实际为机器人连续运动量的采样点数量；

为预测力矩值；τⁱ为实际测量力矩。

在一个实施例中，选用适应性动量估计(Adaptive moment estimation，Adam)算法对LSTM网络进行优化。Adam算法是一种有效的基于梯度的随机优化方法，能够对不同参数计算适应性学习率并且占用存储资源较少，相比于其他随机优化方法，Adam算法在实际应用中整体表现更优。

在优化过程中，反向计算每个LSTM细胞的误差项，包括按时间和网络层级两个反向传播方向，然后根据相应的误差项计算每个权重的梯度，采用Adam算法优化权重系数，进而应用更新权重。

经过迭代优化，达到最大训练次数或者机器人关节力矩的补偿误差小于误差阈值时，获得LSTM网络的各参数值(如权重和偏移量等)。

在该步骤中，通过训练LSTM网络模型，能够寻找多个时刻的关节力矩之间的相关性，这些相关性可反映机器人运动轨迹时间上的连续性和依赖关系，这是由于反馈循环发生在序列中的每个时间步中，每个隐藏状态不仅跟踪前一个隐藏状态，而且还会包含h_t-1之前的所有的隐藏状态。利用LSTM有助于保留可以通过时间和层进行反向传播的误差。

综上，在本发明实施例中，LSTM网络考虑了时间和顺序，具有时间维度，训练集中的预测力矩根据动力学模型进行计算，考虑了动力学参数，通过将基于动力学模型计算的预测力矩结合到LSTM网络，使得不需要对摩擦力模型进行建模，即可获得应用广泛并适用于不同类型的机器人的更精确的前馈力矩补偿结果。即使对于机器人长期运行过程中，由于磨损、温度变化和负载变化导致动力学模型精度降低的情况，本发明仍能通过精确的力矩前馈补偿实现机器人的准确控制。

步骤S160，利用测试集，测试经过循环神经网络计算出的经补偿后的预测力矩，评估补偿效果。

训练完成后，可利用测试集评估训练结果，进而通过评估的循环神经网络模型应用到实际的机器人的动态前馈力矩补偿。

为验证本发明的效果，进行了仿真实验。实验结果表明，本发明的力矩前馈补偿方法，有效提高了机器人关节跟踪精度，并且对于不同型号、不同尺寸的机器人均能实现精确的控制。

综上所述，本发明采用深度循环神经网络中的长短期记忆模型，结合机器人的三维几何参数，即可实现对协作机器人动力学模型进行误差补偿，考虑了机器人运动学和动力学数据在时间维度上连续相关性，精度较高；不需要对摩擦力模型进行建模，实验流程简单且易于操作。同时，本发明具有更广泛的应用性，适用于不同型号的机器人并适用环境的变化。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种机器人前馈力矩补偿方法，包括以下步骤：

将当前时刻的机器人状态信息输入至经训练的循环神经网络模型，输出后续时间点的预测力矩，其中，所述循环神经网络模型的训练集表征机器人的状态信息与基于动力学模型计算出的预测力矩之间的对应关系，所述机器人状态信息反映多个关节时间序列的运动轨迹。

2.根据权利要求1所述的机器人前馈力矩补偿方法，其中，根据以下步骤构建所述训练集：

制定机器人关节的正弦速度轨迹，作为所述循环神经网络模型的训练轨迹；

利用机器人关节端编码器采集机器人关节的位移、速度和加速度信号；

利用机器人关节驱动器反馈的电流信号采集机器人关节力矩，获得机器人关节力矩的估算值；

基于所获得的关节位移、速度、加速度，利用动力学模型计算得到预测力矩；

将所获得的关节位置、速度、加速度、关节力矩的估算值和所述预测力矩经过归一化处理，构建为所述训练集。

3.根据权利要求2所述的机器人前馈力矩补偿方法，其中，所述机器人关节正弦速度轨迹的生成过程为随机生成不同频率的正弦速度信号，最大幅值为30rev/min，频率范围为0.01～1Hz，并在生成的关节正弦速度轨迹上，增添设定比例幅值的高斯白噪声。

4.根据权利要求2所述的机器人前馈力矩补偿方法，其中，采用以下公式获得所述机器人关节力矩的估算值：

τ_j(t)＝K*A_j*ratio

其中，K为电机常数，A_j为第j个关节的额定电流大小，ratio为读取到的比例系数。

5.根据权利要求2所述的机器人前馈力矩补偿方法，其中，所述预测力矩表示为：

τ＝M(p)a+H(p,v)+G(p)

其中p为关节角向量，v为关节角速度向量，a为关节角加速度向量，M(p)为机器人惯性矩阵，H(p,v)为离心力和科里奥利力矩阵，G(p)为重力矩阵。

6.根据权利要求1所述的机器人前馈力矩补偿方法，其中，训练所述循环神经网络模型的损失函数表示为：

其中N是机器人连续运动量的采样点数量，

为预测力矩值，τⁱ为实际力矩。

7.根据权利要求1所述的机器人前馈力矩补偿方法，其中，所述机器人的状态信息表示为s_t＝[p(t)，v(t)，a(t)，τ(t)]来表示，j表示机器人关节标号，t表示当前时刻，设定p(t)＝{p_j(t)|j＝1～6}为关节位置、v(t)＝{v_j(t)|j＝1～6}为关节速度、a(t)＝{a_j(t)|j＝1～6}关节加速度、τ(t)＝{τ_j(t)|j＝1～6}为关节力矩。

8.根据权利要求1所述的机器人前馈力矩补偿方法，其中，所述循环神经网络模型是长短时记忆网络，包括一层输入层，多层隐含层和一层输出层，设置输入层和输出层为全连接层，设置隐含层LSTM细胞的个数为64，各个细胞依次连接。

9.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至8中任一项所述方法的步骤。

10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至8中任一项所述的方法的步骤。

Images