CN112549024A - 基于时间序列分析的机器人免传感碰撞检测方法及应用 - Google Patents

Abstract

本发明公开了一种基于时间序列分析的机器人免传感碰撞检测方法及应用，该方法步骤包括：在机器人运动过程中，通过伺服驱动器采集机器人的状态信息，包括机器人关节的关节状态和关节实际力矩；基于状态信息并结合机器人动力学模型得到关节计算力矩，关节实际力矩与关节计算力矩相减得到关节的实际外力矩；分析关节的实际外力矩特征建立自回归模型；基于时间序列分析，结合自回归模型生成多步预测外力矩和动态阈值；基于关节的实际外力矩与动态阈值进行判定碰撞条件实现检测。本发明基于机器人外力矩特性建立了外力矩的时间序列模型，基于机器人历史运动信息生成动态阈值，对不同碰撞状态具有良好的检测性能，保证实时性的同时提高检测准确率。

Description

基于时间序列分析的机器人免传感碰撞检测方法及应用

技术领域

本发明涉及工业机器人免传感碰撞检测技术领域，具体涉及一种基于时间序列分析的机器人免传感碰撞检测方法及应用。

背景技术

随着企业对自动化需求的增长，“机器换人”的发展思想已逐渐转变为“人机协作”。在人与机器人的协作过程中，工业机器人必须具有碰撞检测功能，以保障人机协作的安全性。机器人碰撞检测方法大体上可以分为两种：基于外部传感器的碰撞检测，免外部传感器的碰撞检测。

基于外部传感器的碰撞检测，是在机器人上安装额外的传感器，通过实时监测运动状态进行碰撞检测。常见的有在工作环境中加装视觉传感器，在机器人本体外覆盖感知皮肤，或者安装关节力矩传感器。这类碰撞检测方法在一定程度上能够保证人机协作安全，但主要存在两个不足：一方面，传感器数据的采集处理会增加控制系统的复杂性，容易引起实时性变差；另一方面，安装额外的传感器会提高机械结构的复杂性以及加工制造的成本。

免外部传感器的碰撞检测，是将机器人关节电流转化为力矩值，实时与通过动力学模型得到的理论力矩值进行比较，并假定任何高于固定阈值的数据差异是由碰撞引起的。根据这一思想，有学者提出一种基于广义动量构造外力矩观测器的方法，并构造了一阶或高阶外力矩观测器，实现对外力矩的观测，能够较好地检测出碰撞。对于碰撞引起的机器人激烈振动，有学者采用基于高通滤波器的检测方法，利用碰撞力矩中的高频分量检测碰撞，具有较高的准确性。由于动力学模型达不到绝对精确，外力矩曲线往往存在偏差，固定对称阈值检测方法对不同方向的碰撞，具有不同的灵敏度。为了获得更准确的检测性能，有学者提出了时变的碰撞检测阈值，称为动态阈值。代表性的方法有：把机器人的运动分为不同状态，并在机器人稳定和不稳定状态下设置不同的阈值生成算法；采用区间算法，通过对轨迹的动态缩放，将动力学模型模糊化，生成动态阈值。但这些方法会使机器人控制系统复杂化，影响了检测实时性。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提出一种基于时间序列分析的机器人免传感碰撞检测方法，本发明基于机器人历史运动信息生成动态阈值，对不同碰撞状态均具有良好的检测性能，保证实时性的同时提高检测准确率。

本发明的第二目的在提供一种基于时间序列分析的机器人免传感碰撞检测系统。

本发明的第三目的在于提供一种计算设备。

本发明的第四目的在于提供一种存储介质。

为了达到上述目的，本发明采用以下技术方案：

一种基于时序分析的机器人免传感碰撞检测方法，包括下述步骤：

在机器人运动过程中，通过伺服驱动器实时采集机器人的状态信息，所述状态信息包括机器人关节的关节状态和关节实际力矩；

结合所述状态信息和机器人动力学模型得到关节计算力矩，所述关节实际力矩与关节计算力矩相减得到关节的实际外力矩；

分析所述关节的实际外力矩特征，建立关节的实际外力矩时间序列模型，得到自回归模型；

基于时间序列分析，结合所述自回归模型生成多步预测外力矩和动态阈值；

将关节的实际外力矩与动态阈值进行比较，当关节的实际外力矩超出动态阈值的个数达到判定阈值时，视为发生碰撞，机器人停止运动，否则，更新关节的实际外力矩，结合所述自回归模型沿时间序列继续进行外力矩预测，生成动态阈值。

作为优选的技术方案，所述通过伺服驱动器实时采集机器人的状态信息，具体步骤包括：机器人控制系统按预设时间间隔将运动信息发送给机器人各关节的交流伺服控制器；

交流伺服电机驱动机械臂基于输入信号运动；

交流伺服控制器采集机器人运动过程中的实际运动位置、速度、加速度，以及各关节的关节实际力矩。

作为优选的技术方案，所述结合所述状态信息和机器人动力学模型得到关节计算力矩，具体步骤包括：

基于所述关节状态，通过动力学模型得到关节计算力矩：

其中，M(q)为惯量矩阵，

为科氏力和离心力项矩阵，G(q)为重力项，τ_f为摩擦力，q为机器人运动过程中的实际运动位置、

为机器人运动过程中的速度、

为机器人运动过程中的加速度。

作为优选的技术方案，所述关节实际力矩与关节计算力矩相减得到关节的实际外力矩，具体步骤包括：

关节实际力矩与关节计算力矩相减得到关节的实际外力矩：

τ＝τ_m-τ_α

其中，τ为关节的实际外力矩，τ_m为实际电机力矩，τ_a为关节目标运动所需力矩，即关节计算力矩。

作为优选的技术方案，所述建立关节的实际外力矩时间序列模型，得到自回归模型，具体步骤包括：

分析关节的实际外力矩τ的特征，建立外力矩序列{τ(t)}的p阶自回归模型 AR(p)：

τ(t)＝φ₁τ(t-1)+φ₂τ(t-2)+…+φ_pτ(t-p)+ε(t)

其中，{φ_i}是自回归系数，p是自回归阶数，ε(t)表示白噪声。

简化所述p阶自回归模型AR(p)，得到线性方程组

F＝HΦ+δ

其中，F为测量外力矩矩阵，H为自回归系数的观测矩阵，Φ为自回归系数矩阵，δ为测量误差矩阵；

基于最小二乘法得到模型最优参数Φ_LS；

基于最终预报准则，确定模型阶数p。

作为优选的技术方案，所述结合所述自回归模型生成多步预测外力矩和动态阈值，具体步骤包括：

基于t时刻及之前时刻的外力矩，结合自回归模型AR(p)，基于已知外力矩对未来的外力矩进行预测：

τ_t(l)＝φ₁τ_t(l-1)+φ₂τ_t(l-2)+…+φ_pτ_t(l-p)

其中，τ_t(l)代表t时刻向前l步预测，当l＜0时，τ_t(l)代表t+l时刻的已知外力矩；

t时刻向前l步预测误差为：

δ_t(l)＝τ(t+l)-τ_t(l)

其中，δ_t(l)是均值为0，方差为σ_t ²(l)的白噪声，即δ_t(l)服从正态分布；所述 t时刻向前l步预测也服从正态分布，且均值为τ_t(l)，方差为σ_t ²(l)；显著性水平取α时，l步向前预报的上下阈值为：

[τ_t(l)-μ_α/2σ_t(l),τ_t(l)+μ_α/2σ_t(l)]

其中，μ_α/2为偏差系数；σ_t ²(l)＝Ε[δ_t(l)]²；

基于自回归模型AR(p)和滑动平均模型MA(∞)的转化特性得到：

其中，σ_ε ²为AR(p)模型中白噪声ε(t)的方差；

所述l步向前预报的上下阈值最终为：

在每次进行所述t时刻向前l步预测前采用递归最小二乘算法对自回归模型的模型参数Φ_LS进行矫正更新。

作为优选的技术方案，所述更新关节的实际外力矩，具体步骤包括：当完成预测，得到L个外力矩预测值及对应动态阈值后，在L个关节实际外力矩中有不超过连续C个超出动态阈值时，采用对应时间顺序上的预测值代替，将修正后的L个关节外力矩和用于预测的S个外力矩值以时间顺序组成新序列，按时间顺序选取新序列中新的S个外力矩值作为下一次检测的样本数据，其中C、 L、S均表示常数。

为了到达上述第二目的，本发明采用以下技术方案：

一种基于时序分析的机器人免传感碰撞检测系统，包括：状态信息采集模块、关节实际外力矩计算模块、自回归模型构建模块、预测值生成模块、判断模块和关节实际外力矩更新模块；

所述状态信息采集模块用于在机器人运动过程中，通过伺服驱动器实时采集机器人的状态信息，所述状态信息包括机器人关节的关节状态和关节实际力矩；

所述关节实际外力矩计算模块用于结合所述状态信息和机器人动力学模型得到关节计算力矩，所述关节实际力矩与关节计算力矩相减得到关节的实际外力矩；

所述自回归模型构建模块用于分析所述关节的实际外力矩特征，建立关节的实际外力矩时间序列模型，得到自回归模型；

所述预测值生成模块用于基于时间序列分析，结合所述自回归模型生成多步预测外力矩和动态阈值；

所述判断模块用于将关节的实际外力矩与动态阈值进行比较，当关节的实际外力矩超出动态阈值的个数达到判定阈值时，视为发生碰撞，输出机器人停止运动信号，否则，输出关节的实际外力矩更新信号；

所述关节实际外力矩更新模块用于更新关节的实际外力矩，结合所述自回归模型沿时间序列继续进行外力矩预测，生成动态阈值。

为了到达上述第三目的，本发明采用以下技术方案：

一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述基于时序分析的机器人免传感碰撞检测方法。

为了到达上述第四目的，本发明采用以下技术方案：

一种存储介质，存储有程序，所述程序被处理器执行时实现上述基于时序分析的机器人免传感碰撞检测方法。

本发明与现有技术相比，具有如下优点和有益效果：

(1)本发明结合基于广义动量的外力矩估计和基于弹性摩擦模型的关节摩擦估计，构建了机器人动力学模型，克服了关节在启动初期低速运动状态下，摩擦力由于Stribeck效应显著上升的问题，对机器人运动过程中的外力估计更为精确，提高了碰撞检测过程的灵敏度。

(2)本发明基于时间序列分析和机器人外力矩特性，通过分析机器人运动过程中外力矩序列内在的变化规律，构造机器人的外力矩时间序列模型，通过该模型能够根据机器人历史运动信息进行外力矩预测，生成动态阈值；保证检测准确度的同时缩小了检测延迟，且消除了不同方向碰撞检测的灵敏度差异。

附图说明

图1(a)为本实施例1中机器人结构简图；

图1(b)为本实施例1中机器人运动过程中关节各种力矩的关系示意图；

图2为本实施例1基于时序分析的机器人免传感碰撞检测方法的示例流程图；

图3(a)为本实施例1机器人在无碰撞下情况一个完整运动过程中关节的外力矩曲线及动态阈值图；

图3(b)为图3(a)中A处的局部放大图；

图4为本实施例1机器人发生碰撞时关节实际力矩和动态阈值的关系图。

其中，1-底座，2-腰部，3-大臂电机，4-大臂，5-肘部电机，6-肘部，7- 小臂，8-腕部。

具体实施方式

在本公开的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本公开和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本公开的限制。

此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在该词前面的元素或者物件涵盖出现在该词后面列举的元素或者物件及其等同，而不排除其他元素或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。

在本公开的描述中，需要说明的是，除非另有明确的规定和限定，否则术语“安装”、“相连”、“连接”应做广义理解。例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本公开中的具体含义。此外，下面所描述的本公开不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

实施例1：

如图1(a)所示，本实施例的机器人采用串联机器人，具体结构包括：底座1，腰部2、大臂电机3、大臂4、肘部电机5、肘部6、小臂7和腕部8；

其中，底座1与腰部2连接，腰部与大臂4连接，大臂4与肘部6连接，肘部6与小臂7连接，小臂7与腕部8连接，大臂电机3与大臂4连接，用于驱动大臂4转动，肘部电机5与肘部6连接，用于驱动肘部转动。

此外，本发明不限于本实施例中的串联机器人，能根据本发明的方法应用到其它关节型串联机器人。

如图1(b)所示，在本实施例中，以关节型机器人的运动过程为例，未发生碰撞时，关节所受摩擦力为τ_f，关节目标运动所需力矩为τ_a，实际电机力矩为τ_m。在碰撞发生瞬时，与环境进行物理交互的机器人的动力学特性包括施加于机器人的接触力，这些接触力会转化为关节的实际外力矩τ。

如图2所示，本实施例提供了一种基于时序分析的机器人免传感碰撞检测方法，包括以下步骤：

S1、在机器人运动过程中，通过伺服驱动器实时采集机器人的状态信息，采集的状态信息包括机器人关节的关节状态和关节实际力矩；在本实施例中，实施采集机器人的状态信息，具体包括：机器人控制系统按预设时间间隔将运动信息发送给机器人各关节的交流伺服控制器，交流伺服电机驱动机械臂按输入信号运动，交流伺服控制器采集机器人运动过程中的实际运动位置q、速度

加速度

以及各关节实际力矩τ_m；此外，预设时间间隔本领域技术人员可根据实际情况调整，在本实施例中预设时间间隔采用1ms；

S2、基于步骤S1中采集的状态信息结合机器人动力学模型得到关节计算力矩，关节实际力矩与关节计算力矩相减得到关节的实际外力矩；在本实施例中，得到关节的实际外力矩的具体步骤包括：

S21、基于步骤S1中采集的关节状态信息，通过动力学模型得到关节计算力矩

其中，M(q)为惯量矩阵，

为科氏力和离心力项矩阵，G(q)为重力项，τ_f为摩擦力；

S22、关节实际力矩与关节计算力矩相减得到关节的实际外力矩

τ＝τ_m-τ_α (2)

其中，τ为关节的实际外力矩，τ_m为实际电机力矩，τ_a为关节目标运动所需力矩，即关节计算力矩；

S3、分析关节的实际外力矩特征，建立一个关节的实际外力矩时间序列模型，即自回归模型；其中，建立自回归模型的具体步骤包括：

S31、分析关节的实际外力矩τ的特征，建立外力矩序列{τ(t)}的p阶自回归模型AR(p)

τ(t)＝φ₁τ(t-1)+φ₂τ(t-2)+…+φ_pτ(t-p)+ε(t) (3)

其中，{φ_i}是自回归系数，p是自回归阶数，ε(t)是均值为0，方差为σ_ε ²的白噪声。

S32、简化步骤S31中的AR(p)模型，得到线性方程组：

F＝HΦ+δ (4)

其中，F为测量外力矩矩阵，H为自回归系数的观测矩阵，Φ为自回归系数矩阵，δ为测量误差矩阵；

h(t)为t时刻的单列观测矩阵，其中t＝p+1,p+2,...,S；H由不同时刻的h(t)组成；

其中S为样本数据的个数，参量的右上标带有T表示对应参量的转置矩阵；

S33、基于LS(最小二乘法)得到模型最优参数Φ_LS。

S34、基于FPE(最终预报准则)确定合适的模型阶数p；

S4、基于时间序列分析，结合步骤S3中建立的自回归模型，生成L步预测外力矩和动态阈值；首先按时间顺序取S个外力矩作为初始样本数据，用于生成L步预测外力矩，S≥L；此外，生成L步预测外力矩和动态阈值的具体步骤包括：

S41、基于t时刻及之前的外力矩，结合步骤S3中确定的自回归模型AR(p)，对未来的外力矩进行预测

τ_t(l)＝φ₁τ_t(l-1)+φ₂τ_t(l-2)+…+φ_pτ_t(l-p) (5)

其中，τ_t(l)代表t时刻向前l步预测，当l＜0时，τ_t(l)代表t+l时刻的已知外力矩。

S42、t时刻向前l步预测误差为

δ_t(l)＝τ(t+l)-τ_t(l) (6)

其中，δ_t(l)是均值为0，方差为σ_t ²(l)的白噪声，即δ_t(l)服从正态分布。步骤 S41中获得的向前l步预测值也服从正态分布，且均值为τ_t(l)，方差为σ_t ²(l)。因此显著性水平取α时，l步向前预报的上下阈值为，

[τ_t(l)-μ_α/2σ_t(l),τ_t(l)+μ_α/2σ_t(l)] (7)

其中，μ_α/2为偏差系数，标准正态分布以概率α/2超过该值；σ_t ²(l)＝Ε[δ_t(l)]²。

S43、由于自回归模型AR(p)和滑动平均模型MA(∞)的转化特性，可以得到

其中，σ_ε ²为AR(p)模型中，白噪声ε(t)的方差，

其中，φ带下标的相关参数均为自回归系数，p是自回归阶数，δ为测量误差矩阵，

带下标的相关参数均为滑动平均模型MA(∞)的滑动平均级数。

步骤S42中得到的l步向前预报的上下阈值最终为，

S44、为了提高新数据对模型的影响，采用递归最小二乘(RLS)算法，在每次预测步骤S41开始前对模型参数Φ_LS进行矫正更新。RLS算法归纳为：

其中，K_k为第k次检测周期中的增益矩阵，P_k为第k次检测周期中的传递矩阵，Φ_k为第k次检测周期中的的模型参数，Φ_k-1为第k-1次检测周期中的模型参数，

H_k为第k次检测周期中的观测矩阵，I为和P_k矩阵同等大小的单位矩阵，λ为遗忘因子，0＜λ≤1。

S5、基于采集的L个关节的实际外力矩，结合步骤S4预测得到的L个动态阈值，当有连续C个实际外力矩超出动态阈值，即外力矩超出动态阈值的个数达到目标个数时，视为发生碰撞，机器人立即停止运动，执行报警操作；否则，更新关节的实际外力矩，再次执行步骤S4向前预测；在本实施例中，更新关节的实际外力矩包括：L个关节实际外力矩中超出动态阈值的用对应时间顺序上的预测值代替，将修正后的L个关节外力矩和用以预测的S个外力矩值以时间顺序组成新的序列，取该序列中较新的S个外力矩值作为实时样本数据，即在第k-1 次检测周期中，首先有S个过去的外力矩值，通过预测得到L个后向预测值，检测步骤结束后，由这两组数据组成一个大小为S+L的序列，从中按时间顺序取新的S个外力矩值，作为第k次检测的样本数据。

在本实施例中，S、L、C不做限定，为了更好地说明本发明的技术方案，优选设置S≥L,C≤L，C＞0进行说明，也可根据实际情况进行改变实现检测效果。

如图3(a)、图3(b)所示，其中B处外力矩突变是由于反向运动时关节速度方向发生了变化，这种突变会引起整体统计信息的异常，所以须在此处对统计参数进行初始化；

如图4所示，在机器人在运动过程中受到碰撞时当外力矩超过阈值上下限即可判定为发生碰撞。

实施例2

本实施例提供一种基于时序分析的机器人免传感碰撞检测系统，包括：状态信息采集模块、关节实际外力矩计算模块、自回归模型构建模块、预测值生成模块、判断模块和关节实际外力矩更新模块；

在本实施例中，状态信息采集模块用于在机器人运动过程中，通过伺服驱动器实时采集机器人的状态信息，状态信息包括机器人关节的关节状态和关节实际力矩；

在本实施例中，关节实际外力矩计算模块用于结合状态信息和机器人动力学模型得到关节计算力矩，关节实际力矩与关节计算力矩相减得到关节的实际外力矩；

在本实施例中，自回归模型构建模块用于分析关节的实际外力矩特征，建立关节的实际外力矩时间序列模型，得到自回归模型；

在本实施例中，预测值生成模块用于基于时间序列分析，结合自回归模型生成多步预测外力矩和动态阈值；

在本实施例中，判断模块用于将关节的实际外力矩与动态阈值进行比较，当关节的实际外力矩超出动态阈值的个数达到判定阈值时，视为发生碰撞，输出机器人停止运动信号，否则，输出关节的实际外力矩更新信号；

在本实施例中，关节实际外力矩更新模块用于更新关节的实际外力矩，结合自回归模型沿时间序列继续进行外力矩预测，生成动态阈值。

实施例3

本实施例提供一种存储介质，存储介质可以是ROM、RAM、磁盘、光盘等储存介质，该存储介质存储有一个或多个程序，该程序被处理器执行时，实现上述实施例1基于时间序列分析的机器人免传感碰撞检测方法。

实施例4

本实施例提供一种计算设备，该计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备，该计算设备包括该计算设备包括处理器和存储器，存储器存储有一个或多个程序，处理器执行存储器存储的程序时，实现上述实施例1基于时间序列分析的机器人免传感碰撞检测方法。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于时序分析的机器人免传感碰撞检测方法，其特征在于，包括下述步骤：

在机器人运动过程中，通过伺服驱动器实时采集机器人的状态信息，所述状态信息包括机器人关节的关节状态和关节实际力矩；

结合所述状态信息和机器人动力学模型得到关节计算力矩，所述关节实际力矩与关节计算力矩相减得到关节的实际外力矩；

分析所述关节的实际外力矩特征，建立关节的实际外力矩时间序列模型，得到自回归模型；

基于时间序列分析，结合所述自回归模型生成多步预测外力矩和动态阈值；

将关节的实际外力矩与动态阈值进行比较，当关节的实际外力矩超出动态阈值的个数达到判定阈值时，视为发生碰撞，机器人停止运动，否则，更新关节的实际外力矩，结合所述自回归模型沿时间序列继续进行外力矩预测，生成动态阈值。

2.根据权利要求1所述的基于时序分析的机器人免传感碰撞检测方法，其特征在于，所述通过伺服驱动器实时采集机器人的状态信息，具体步骤包括：机器人控制系统按预设时间间隔将运动信息发送给机器人各关节的交流伺服控制器；

交流伺服电机驱动机械臂基于输入信号运动；

交流伺服控制器采集机器人运动过程中的实际运动位置、速度、加速度，以及各关节的关节实际力矩。

3.根据权利要求1所述的基于时序分析的机器人免传感碰撞检测方法，其特征在于，所述结合所述状态信息和机器人动力学模型得到关节计算力矩，具体步骤包括：

基于所述关节状态，通过动力学模型得到关节计算力矩：

其中，τ_a为关节计算力矩，M(q)为惯量矩阵，

为科氏力和离心力项矩阵，G(q)为重力项，τ_f为摩擦力，q为机器人运动过程中的实际运动位置、

为机器人运动过程中的速度、

为机器人运动过程中的加速度。

4.根据权利要求3所述的基于时序分析的机器人免传感碰撞检测方法，其特征在于，所述关节实际力矩与关节计算力矩相减得到关节的实际外力矩，具体步骤包括：

关节实际力矩与关节计算力矩相减得到关节的实际外力矩：

τ＝τ_m-τ_α

其中，τ为关节的实际外力矩，τ_m为实际电机力矩，τ_a为关节目标运动所需力矩，即关节计算力矩。

5.根据权利要求1所述的基于时序分析的机器人免传感碰撞检测方法，其特征在于，所述建立关节的实际外力矩时间序列模型，得到自回归模型，具体步骤包括：

分析关节的实际外力矩τ的特征，建立外力矩序列{τ(t)}的p阶自回归模型AR(p)：

τ(t)＝φ₁τ(t-1)+φ₂τ(t-2)+…+φ_pτ(t-p)+ε(t)

其中，{φ_i}是自回归系数，p是自回归阶数，ε(t)表示白噪声；

简化所述p阶自回归模型AR(p)，得到线性方程组：

F＝HΦ+δ

其中，F为测量外力矩矩阵，H为自回归系数的观测矩阵，Φ为自回归系数矩阵，δ为测量误差矩阵；

基于最小二乘法得到模型最优参数Φ_LS；

基于最终预报准则，确定模型阶数p。

6.根据权利要求1所述的基于时序分析的机器人免传感碰撞检测方法，其特征在于，所述结合所述自回归模型生成多步预测外力矩和动态阈值，具体步骤包括：

基于t时刻及之前时刻的外力矩，结合自回归模型AR(p)，基于已知外力矩对未来的外力矩进行预测：

τ_t(l)＝φ₁τ_t(l-1)+φ₂τ_t(l-2)+…+φ_pτ_t(l-p)

其中，τ_t(l)代表t时刻向前l步预测，当l＜0时，τ_t(l)代表t+l时刻的已知外力矩；

t时刻向前l步预测误差为：

δ_t(l)＝τ(t+l)-τ_t(l)

其中，δ_t(l)是均值为0，方差为σ_t ²(l)的白噪声，即δ_t(l)服从正态分布；所述t时刻向前l步预测也服从正态分布，且均值为τ_t(l)，方差为σ_t ²(l)；显著性水平取α时，l步向前预报的上下阈值为：

[τ_t(l)-μ_α/2σ_t(l),τ_t(l)+μ_α/2σ_t(l)]

其中，μ_α/2为偏差系数；σ_t ²(l)＝Ε[δ_t(l)]²；

基于自回归模型AR(p)和滑动平均模型MA(∞)的转化特性得到：

其中，σ_ε ²为AR(p)模型中白噪声ε(t)的方差；

所述l步向前预报的上下阈值最终为：

在每次进行所述t时刻向前l步预测前采用递归最小二乘算法对自回归模型的模型参数Φ_LS进行矫正更新。

7.根据权利要求1所述的基于时序分析的机器人免传感碰撞检测方法，其特征在于，所述更新关节的实际外力矩，具体步骤包括：当完成预测，得到L个外力矩预测值及对应动态阈值后，在L个关节实际外力矩中有不超过连续C个超出动态阈值时，采用对应时间顺序上的预测值代替，将修正后的L个关节外力矩和用于预测的S个外力矩值以时间顺序组成新序列，按时间顺序选取新序列中新的S个外力矩值作为下一次检测的样本数据，其中C、L、S均表示常数。

8.一种基于时序分析的机器人免传感碰撞检测系统，其特征在于，包括：状态信息采集模块、关节实际外力矩计算模块、自回归模型构建模块、预测值生成模块、判断模块和关节实际外力矩更新模块；

所述状态信息采集模块用于在机器人运动过程中，通过伺服驱动器实时采集机器人的状态信息，所述状态信息包括机器人关节的关节状态和关节实际力矩；

所述关节实际外力矩计算模块用于结合所述状态信息和机器人动力学模型得到关节计算力矩，所述关节实际力矩与关节计算力矩相减得到关节的实际外力矩；

所述自回归模型构建模块用于分析所述关节的实际外力矩特征，建立关节的实际外力矩时间序列模型，得到自回归模型；

所述预测值生成模块用于基于时间序列分析，结合所述自回归模型生成多步预测外力矩和动态阈值；

所述判断模块用于将关节的实际外力矩与动态阈值进行比较，当关节的实际外力矩超出动态阈值的个数达到判定阈值时，视为发生碰撞，输出机器人停止运动信号，否则，输出关节的实际外力矩更新信号；

所述关节实际外力矩更新模块用于更新关节的实际外力矩，结合所述自回归模型沿时间序列继续进行外力矩预测，生成动态阈值。

9.一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现如权利要求1-7任一项所述基于时序分析的机器人免传感碰撞检测方法。

10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7任一项所述基于时序分析的机器人免传感碰撞检测方法。

Images