CN113681551B - Scara机器人动力学参数辨识的方法、装置 - Google Patents

Scara机器人动力学参数辨识的方法、装置 Download PDF

Info

Publication number
CN113681551B
CN113681551B CN202010421010.8A CN202010421010A CN113681551B CN 113681551 B CN113681551 B CN 113681551B CN 202010421010 A CN202010421010 A CN 202010421010A CN 113681551 B CN113681551 B CN 113681551B
Authority
CN
China
Prior art keywords
joint
track
inertial
motion
friction coefficient
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
Application number
CN202010421010.8A
Other languages
English (en)
Other versions
CN113681551A (zh
Inventor
吕雷
陈诗毅
蒋俊敏
乔正
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.)
KUKA Robot Manufacturing Shanghai Co Ltd
Original Assignee
KUKA Robot Manufacturing Shanghai Co Ltd
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 KUKA Robot Manufacturing Shanghai Co Ltd filed Critical KUKA Robot Manufacturing Shanghai Co Ltd
Priority to CN202010421010.8A priority Critical patent/CN113681551B/zh
Publication of CN113681551A publication Critical patent/CN113681551A/zh
Application granted granted Critical
Publication of CN113681551B publication Critical patent/CN113681551B/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
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/02—Programme-controlled manipulators characterised by movement of the arms, e.g. cartesian coordinate type
    • B25J9/04—Programme-controlled manipulators characterised by movement of the arms, e.g. cartesian coordinate type by rotating at least one arm, excluding the head movement itself, e.g. cylindrical coordinate type or polar coordinate type
    • B25J9/041—Cylindrical coordinate type
    • B25J9/042—Cylindrical coordinate type comprising an articulated arm

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)

Abstract

本申请的实施例提供了一种SCARA机器人动力学参数辨识的方法、装置。该方法包括：获取所述SCARA机器人带摩擦项的最小惯性参数集动力学模型；根据所述最小惯性参数集动力学模型，确定各个关节的摩擦系数辨识轨迹，基于所述摩擦系数辨识轨迹，辨识所述各个关节的摩擦系数；根据所述最小惯性参数集动力学模型，确定所述各个关节的惯性参数辨识轨迹，基于所述惯性参数辨识轨迹，辨识所述各个关节的惯性参数。本申请实施例的技术方案可以提高SCARA机器人的动力学参数的辨识精度。

Description

SCARA机器人动力学参数辨识的方法、装置
技术领域
本申请涉及SCARA机器人的动力学控制优化技术领域，具体而言，涉及一种SCARA机器人动力学参数辨识的方法、装置。
背景技术
随着机器人技术的发展，工业机器人已广泛应用于工业生产的各个环节。作为四自由度工业机器人的典型，SCARA机器人被广泛地应用于分拣，码垛，喷涂，装配等多个领域。在机器人的运动控制领域，稳、准、快这三个问题一直是核心问题。许多高性能的工业机器人为了保证机器人在运动过程中的稳定性以及运动精度，往往会根据机器人的动力学模型对机器人各关节的输出力矩进行补偿。而机器人的动力学参数精度决定了这一补偿力矩的精度。
然而，现有获取机器人的动力学参数的方法存在着法难以保证激励轨迹最优，且辨识出的动力学参数精度较差等缺陷。
发明内容
本申请的实施例提供了一种SCARA机器人动力学参数辨识的方法、装置，进而至少在一定程度上能够提高SCARA机器人的动力学参数的辨识精度。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面，提供了一种SCARA机器人动力学参数辨识的方法，所述SCARA机器人包括四个关节，关节一、关节二和关节四为旋转关节，关节三为移动关节，包括：获取所述SCARA机器人带摩擦项的最小惯性参数集动力学模型；根据所述最小惯性参数集动力学模型，确定各个关节的摩擦系数辨识轨迹，基于所述摩擦系数辨识轨迹，辨识所述各个关节的摩擦系数；根据所述最小惯性参数集动力学模型，确定所述各个关节的惯性参数辨识轨迹，基于所述惯性参数辨识轨迹，辨识所述各个关节的惯性参数。
根据本申请实施例的一个方面，提供了一种SCARA机器人动力学参数辨识的装置，所述SCARA机器人包括四个关节，关节一、关节二和关节四为旋转关节，关节三为移动关节，包括：获取单元，配置为获取所述SCARA机器人带摩擦项的最小惯性参数集动力学模型；第一确定辨识单元，配置为根据所述最小惯性参数集动力学模型，确定各个关节的摩擦系数辨识轨迹，基于所述摩擦系数辨识轨迹，辨识所述各个关节的摩擦系数；第二确定辨识单元，配置为根据所述最小惯性参数集动力学模型，确定所述各个关节的惯性参数辨识轨迹，基于所述惯性参数辨识轨迹，辨识所述各个关节的惯性参数。
在本申请的一些实施例中，基于前述方案，所述第一确定辨识单元配置为所述各个关节的摩擦系数辨识轨迹为所述各个关节进行正反向匀速运动时，其他三个关节被锁定的轨迹，所述第一确定辨识单元包括：采集子单元，配置为采集所述各个关节进行正反向匀速运动的运动数据；拟合子单元，配置为根据采集到的运动数据拟合得到所述各个关节的运动直线图；摩擦系数确定子单元，配置为将所述运动直线图的斜率作为所述各个关节的粘性摩擦系数，并根据所述运动直线图的纵截距，确定所述各个关节的库伦摩擦系数；处理子单元，配置为根据所述各个关节的粘性摩擦系数以及所述各个关节的库伦摩擦系数，得到所述各个关节的摩擦系数。
在本申请的一些实施例中，基于前述方案，所述摩擦系数确定子单元配置为：若进行正反向匀速运动的关节为任一所述旋转关节，则将所述运动直线图的任一纵截距的绝对值作为该旋转关节的库伦摩擦系数；若进行正反向匀速运动的关节为所述移动关节，则计算所述运动直线图的两个纵截距绝对值的平均值，将所述平均值作为所述移动关节的库伦摩擦系数。
在本申请的一些实施例中，基于前述方案，所述第二确定辨识单元配置为：根据所述最小惯性参数集动力学模型中所述关节四的动力学方程，确定所述关节四的第一惯性参数辨识轨迹，所述关节四的第一惯性参数辨识轨迹为所述关节四进行匀加速运动时，所述关节一、所述关节二和所述关节三均被锁定的轨迹；采集所述关节四进行匀加速运动产生的电流，并将所述电流转化为所述关节四的第一关节力矩；根据所述关节四的第一关节力矩，计算所述关节四的第一惯性参数。
在本申请的一些实施例中，基于前述方案，所述第二确定辨识单元配置为：根据所述最小惯性参数集动力学模型中所述关节四的动力学方程，确定所述关节四的第二惯性参数辨识轨迹，所述关节四的第二惯性参数辨识轨迹为所述关节二和所述关节四均进行匀速运动时，所述关节一和所述关节三均被锁定的轨迹；采集所述关节四进行匀速运动产生的电流，并将所述电流转化为所述关节四的第二关节力矩；根据所述关节四的第二关节力矩，计算所述关节四的第二惯性参数。
在本申请的一些实施例中，基于前述方案，所述第二确定辨识单元配置为：根据所述最小惯性参数集动力学模型中所述关节二的动力学方程，确定所述关节二的第一惯性参数辨识轨迹，所述关节二的第一惯性参数辨识轨迹为所述关节二进行匀加速运动时，所述关节一、所述关节三以及所述关节四被锁定的轨迹；采集所述关节二进行匀加速运动产生的电流，并将所述电流转化为所述关节二的第一关节力矩；根据所述关节二的第一关节力矩、所述关节四的第一惯性参数以及所述关节四的第二惯性参数，计算所述关节二的第一惯性参数。
在本申请的一些实施例中，基于前述方案，所述第二确定辨识单元配置为：根据所述最小惯性参数集动力学模型中所述关节二的动力学方程，确定所述关节二的第二惯性参数辨识轨迹，所述关节二的第二惯性参数辨识轨迹为所述关节一和所述关节二均进行匀速运动时，所述关节三以及所述关节四均被锁定的轨迹；采集所述关节二进行匀速运动产生的电流，并将所述电流转化为所述关节二的第二关节力矩；根据所述关节二的第二关节力矩以及所述关节四的第二惯性参数，计算所述关节二的第二惯性参数。
在本申请的一些实施例中，基于前述方案，所述第二确定辨识单元配置为：根据所述最小惯性参数集动力学模型中所述关节一的动力学方程，确定所述关节一的惯性参数辨识轨迹，所述关节一的惯性参数辨识轨迹为所述关节一进行匀加速运动时，所述关节二、所述关节三以及所述关节四均被锁定的轨迹；采集所述关节一进行匀加速运动产生的电流，并将所述电流转化为所述关节一的关节力矩；根据所述关节一的关节力矩、所述关节四的第一惯性参数、所述关节四的第二惯性参数、所述关节二的第一惯性参数以及所述关节二的第二惯性参数，计算所述关节一的惯性参数。
在本申请的一些实施例中，基于前述方案，所述第二确定辨识单元配置为：根据所述最小惯性参数集动力学模型中所述关节三的动力学方程，确定所述关节三的惯性参数辨识轨迹，所述关节三的惯性参数辨识轨迹为所述关节三进行匀加速运动时，所述关节一、所述关节二以及所述关节四均被锁定的轨迹；采集所述关节三进行匀速运动产生的电流，并将所述电流转化为所述关节三的关节力；根据所述关节三的关节力，计算所述关节三的惯性参数。
在本申请的一些实施例所提供的技术方案中，通过各个关节的摩擦系数辨识轨迹，辨识各个关节的摩擦系数，以及基于各个关节的惯性参数辨识轨迹，辨识各个关节的惯性参数，避免了采用一次性辨识方案，激励轨迹难以找到最优轨迹的问题，采用这种分开辨识的方式，每个辨识过程都有特定的摩擦系数或惯性参数，避免出现一次性辨识中的大数吃小数的问题，提高了SCARA机器人动力学参数辨识精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了本申请实施例的SCARA机器人结构示意图；
图2示出了本申请实施例的SCARA机器人连杆坐标系图；
图3示出了根据本申请的一个实施例的SCARA机器人动力学参数辨识的方法的流程图；
图4示出了根据本申请的一个实施例的SCARA机器人动力学参数辨识的方法的流程图；
图5示出了根据本申请的一个实施例的SCARA机器人动力学参数辨识的方法的流程图；
图6示出了根据本申请的一个实施例的SCARA机器人动力学参数辨识的方法的流程图；
图7示出了根据本申请的一个实施例的SCARA机器人动力学参数辨识的方法的流程图；
图8示出了根据本申请的一个实施例的SCARA机器人动力学参数辨识的方法的流程图；
图9示出了根据本申请的一个实施例的SCARA机器人动力学参数辨识的方法的流程图；
图10示出了根据本申请的一个实施例的SCARA机器人动力学参数辨识的方法的流程图；
图11示出了根据本申请的一个实施例的辨识SCARA机器人的摩擦系数的方法的交互流程图；
图12示出了根据本申请的一个实施例的拟合得到的运动直线图；
图13示出了根据本申请的另一个实施例的拟合得到的运动直线图；
图14示出了根据本申请的一个实施例的SCARA机器人动力学参数辨识的装置的框图；
图15示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词进行说明，本申请实施例中涉及的名词适用于如下的解释。
SCARA机器人(Selective Compliance Assembly Robot Arm，选择顺应性装配机器手臂)，也叫平面关节型机器人，是一种圆柱坐标型的特殊类型的工业机器人，由3个旋转关节实现平面内的定位和定向，1个移动关节实现末端的垂直升降运动。
图1示出了本申请实施例的SCARA机器人结构示意图，图2示出了本申请实施例的SCARA机器人连杆坐标系图，由图1和图2可见，关节一、关节二和关节四为旋转关节，关节一绕轴旋转的角度为θ1、关节二绕轴旋转的角度为θ2、关节四绕轴旋转的角度为θ3，关节三为移动关节，关节一和关节二之间之间的连杆的长度为l1，关节二和关节三之间的连杆长度为l2，关节三和关节四共用一个连杆，长度为d3。
在工业机器人的动力学参数辨识研究领域，现有辨识方案主要是激励轨迹辨识方案，在这一方案中，首先建立机器人的动力学模型；然后选取合适的周期性有限项傅里叶级数作为激励轨迹，让机器人各关节按照激励轨迹运动，并通过编码器和力矩传感器采集、滤波并计算出关节角度，角速度，角加速度，关节力矩等参数；最后通过最小二乘法计算出动力学方程中的动力学参数。
为了得到更优的激励轨迹，现有技术方案中还有采用不同的优化方案对激励轨迹进行优化的方案，例如，利用d-最有标准最小化的方法来对所述工业机器人动力学模型的辨识轨迹进行优化，或者，利用排挤机制的小生境遗传算法对傅里叶级数的系数进行优化，尽可能减小观测矩阵的条件数，以得到优化后的激励轨迹。
然而，现有的激励轨迹辨识方案中会存在两个问题：
1.优化算法难以保证激励轨迹最优
对于优化傅里叶级数系数这类非线性优化问题，其求解复杂度随着关节数的增加将会指数倍增加。而且优化结果受各个优化参数设置的影响。如小生境遗传算中，适应度函数的设计，交叉变异的概率直接影响了激励轨迹的优化结果。参数设置不当就可能导致优化算法难以收敛或收敛于局部最优，最终得到一条较差的激励轨迹。
2.最终辨识出的动力学参数精度较差
采用激励轨迹的辨识方式，将所有关节的惯性参数及摩擦参数放在一个方程组中，并采用最小二乘法等方法进行求解。这就会导致在求解矩阵中，存在大数吃小数的情况：参数较大的动力学参数引起的力矩变化大，力矩噪声也大，而参数较小的动力学参数所引起的力矩变化会被这部分较大参数的力矩噪声掩盖掉。对于这类较小的动力学参数，无法辨识出精确的值。
为了解决SCARA机器人动力学参数辨识精度差的问题，本申请将SCARA机器人的各个关节的惯性参数和摩擦系数分开辨识，并采用分步辨识法，针对各个关节的惯性参数和摩擦系数设计特定的运动轨迹，依次辨识出各个关节的惯性参数和摩擦系数。图3示出了根据本申请的一个实施例的SCARA机器人动力学参数辨识的方法的流程图，参照图3所示，所述方法包括：
步骤S310、获取所述SCARA机器人带摩擦项的最小惯性参数集动力学模型；
步骤S320、根据所述最小惯性参数集动力学模型，确定各个关节的摩擦系数辨识轨迹，基于所述摩擦系数辨识轨迹，辨识所述各个关节的摩擦系数；
步骤S330、根据所述最小惯性参数集动力学模型，确定所述各个关节的惯性参数辨识轨迹，基于所述惯性参数辨识轨迹，辨识所述各个关节的惯性参数。
下面对这些步骤进行详细描述。
在步骤S310中，获取所述SCARA机器人带摩擦项的最小惯性参数集动力学模型。
如前所述，SCARA机器人包括了四个关节，其中，关节一、关节二和关节四为旋转关节，关节三为移动关节，在辨识SCARA机器人各个关节的惯性参数以及各个关节的摩擦系数之前，可以获取SCARA机器人带摩擦项的最小惯性参数集动力学模型。
在一个实施例中，获取到的SCARA机器人带摩擦项的最小惯性参数集动力学模型的方法可以包括：
建立所述SCARA机器人带摩擦项的动力学模型；
对所述动力学模型进行线性化处理，获得所述SCARA机器人带摩擦项的最小惯性参数集动力学模型。
在该实施例中，首先，采用经典的摩擦模型建立SCARA机器人带摩擦项的线性动力学模型Fc：
其中，Fc为关节摩擦力，fc为库伦摩擦系数，fv为粘性摩擦系数，为关节角速度(对于移动关节，为关节线速度)，sng(1)为阶跃函数。
其次，基于牛顿-欧拉动力学方程，可以推导得到SCARA机器人带摩擦项的动力学模型为τ：
其中，τ为关节力矩，为惯性项，D(q)为惯性矩阵，为各关节加速度矢量，为科氏项，为科氏力矩阵，q为关节位置矢量，为关节速度矢量，G(q)为重力项。
再次，对公式2进行线性化处理，可以推导出SCARA机器人的惯性参数最小参数集为：
IZZ4,mrx4,mry4
m3+m4
(IZZ2+IZZ3+2·l2·mrx3),(mrx2+mrx3),(mry2-mry3)
进而，根据惯性参数最小参数集相关的关节运动，得到SCARA机器人带摩擦项的最小惯性参数集动力学模型，其由SCARA机器人四个关节的动力学方程所构成，如下面公式(3)所示。
需要解释的是，Ixxi,Ixyi,Ixzi,Iyyi,Iyzi,Izzi为连杆i的惯性矩阵的6个参数，mrxi,mryi,mrzi为连杆质量mi和质心坐标三个分量rxi,ryi,rzi的乘积，qi为关节i位置矢量，为关节i速度矢量，为关节i加速度矢量，l1为连杆1的长度，l2为连杆2的长度，g为重力加速度，由于关节三为移动关节，所以为关节三的关节力，为关节三的线加速度。
步骤S320、根据所述最小惯性参数集动力学模型，确定各个关节的摩擦系数辨识轨迹，基于所述摩擦系数辨识轨迹，辨识所述各个关节的摩擦系数。
具体的，摩擦系数是指两表面间的摩擦力和作用在其一表面上的垂直力之比值，摩擦系数辨识轨迹是指为了辨识摩擦系数而为机器人设计的轨迹，SCARA机器人的摩擦系数包含有四个关节的摩擦系数，因此，可以根据最小惯性参数集动力学模型中四个关节的动力学方程，分别确定出SCARA机器人各个关节的摩擦系数辨识轨迹，然后，可以根据各个关节的摩擦系数辨识轨迹分步辨识出各个关节的摩擦系数。
可以理解的是，各个关节的摩擦系数辨识轨迹可以是任何为了辨识出各个关节的摩擦系数所设计出的机器人的运动轨迹，本申请实施例在此不做限定。在本申请的一个实施例中，为辨识各个关节的摩擦系数，设计的机器人的轨迹可以是满足关节摩擦力与关节输出力矩守恒关系的轨迹。
步骤S330、根据所述最小惯性参数集动力学模型，确定所述各个关节的惯性参数辨识轨迹，基于所述惯性参数辨识轨迹，辨识所述各个关节的惯性参数。
同样的，惯性参数辨识轨迹是指为了辨识惯性参数而为机器人设计的轨迹，对于SCARA机器人来说，每个关节都有对应的惯性参数，从最小惯性参数集动力学模型中四个关节的动力学方程可以看出，关节四的惯性参数为IZZ4,mrx4,mry4，关节三的惯性参数为m3+m4，关节二的惯性参数为(IZZ2+IZZ3+2·l2·mrx3),(mrx2+mrx3),(mry2-mry3)，关节一的惯性参数为(m2·l1 2+IZZ1)，因此，可以结合最小惯性参数集动力学模型中四个关节的动力学方程，分别确定出SCARA机器人的四个关节的惯性参数辨识轨迹，然后，基于四个关节的惯性参数辨识轨迹分步辨识出四个关节分别对应的惯性参数。
其中，各个关节的惯性参数辨识轨迹可以是任何为了辨识出各个关节的惯性参数所设计出的机器人的运动轨迹，本申请实施例在此不做限定。
通过以上实施例的技术方案，通过各个关节的摩擦系数辨识轨迹，辨识各个关节的摩擦系数，以及基于各个关节的惯性参数辨识轨迹，辨识各个关节的惯性参数，避免了采用一次性辨识方案，激励轨迹难以找到最优轨迹的问题，采用这种分开辨识的方式，每个辨识过程都有特定的摩擦系数或惯性参数，避免出现一次性辨识中的大数吃小数的问题，提高了SCARA机器人动力学参数辨识精度。
在本申请的一个实施例中，从最小惯性参数集动力学模型中的动力学方程可知，当SCARA机器人的单个关节进行匀速运动，且锁定其他三个关节时，这一关节的摩擦力和关节输出力矩守恒，因此，各个关节的摩擦系数辨识轨迹可以是各个关节进行正反向匀速运动时，其他三个关节被锁定的轨迹，从而，如图4所示，基于所述摩擦系数辨识轨迹，辨识所述各个关节的摩擦系数，可以包括步骤S410-步骤S440，现详细说明如下：
步骤S410、采集所述各个关节进行正反向匀速运动的运动数据。
在该实施例中，由于每个关节的摩擦系数辨识轨迹为该关节进行匀速运动，锁定其他三个关节的轨迹，因此，在辨识关节一的摩擦系数时，可以让关节一进行匀速运动，锁定关节二、关节三以及关节四；在辨识关节二的摩擦系数时，可以让关节二进行匀速运动，锁定关节一、关节三以及关节四；在辨识关节三的摩擦系数时，可以让关节三进行匀速运动，锁定关节一、关节二以及关节四；在辨识关节四的摩擦系数时，可以让关节四进行匀速运动，锁定关节一、关节二以及关节三。
其中，各个关节进行正反向匀速运动可以是多组不同速度的正反向匀速运动，例如，采集关节一进行正反向速度分别为(10，-10)，(20，-20)，(30，-30)，(40，-40)四组运动的运动数据。采集的运动数据可以包括关节力矩或关节力，其中，由于关节三为移动关节，运动速度为线速度，因此，采集进行正反向匀速运动的关节三的电流，经过滤波等处理可以转化成关节三的关节力，而关节一、关节二、关节四为旋转关节，运动速度为角速度，因此，采集进行正反向匀速运动的关节一的电流，经过滤波处理可以转化成关节一的关节力矩，采集进行正反向匀速运动的关节二的电流，经过滤波处理可以转化成关节二的关节力矩，采集进行正反向匀速运动的关节四的电流，经过滤波处理可以转化成关节四的关节力矩。
步骤S420、根据采集到的运动数据拟合得到所述各个关节的运动直线图。
如前所述，采集到的运动数据可以包括关节三的关节力，或者，可以包括关节一的关节力矩、关节二的关节力矩和关节四的关节力矩。
因此，在辨识关节一的摩擦系数时，也即在关节一进行匀速运动时，而关节二、关节三和关节四均被锁定时，可以根据关节一的关节力矩以及关节一的速度拟合得到运动直线图，该运动直线图也即为关节一的速度-力矩图。
在辨识关节二的摩擦系数时，也即在关节二进行匀速运动时，而关节一、关节三和关节四均被锁定时，可以根据关节二的关节力矩以及关节二的速度拟合得到运动直线图，该运动直线图也即为关节二的速度-力矩图。
在辨识关节三的摩擦系数时，也即在关节三进行匀速运动时，而关节一、关节二和关节四均被锁定时，可以根据关节三的关节力以及关节三的速度拟合得到运动直线图，该运动直线图也即为关节三的速度-力矩图。
在辨识关节四的摩擦系数时，也即在关节四进行匀速运动时，而关节一、关节二和关节三均被锁定时，可以根据关节四的关节力矩以及关节四的速度拟合得到运动直线图，该运动直线图也即为关节四的速度-力矩图。
可以理解的是，当采集的是各个关节的多组正反向匀速运动的运动数据时，可以根据采集的运动数据拟合得到各个关节的多组运动直线图。
步骤S430、将所述运动直线图的斜率作为所述各个关节的粘性摩擦系数，并根据所述运动直线图的纵截距，确定所述各个关节的库伦摩擦系数。
具体的，在拟合得到各个关节的运动直线图后，可以计算各个关节的运动直线图的斜率，将计算得到的斜率作为各个关节的粘性摩擦系数，并根据各个关节的运动直线图的纵截距，确定各个关节的库伦摩擦系数，例如，可以直接将运动直线图的两个纵截距中任意纵截距作为库伦摩擦系数，也可以将运动直线图的两个纵截距的平均值作为库伦摩擦系数。
在本申请的一个实施例中，根据所述运动直线图的纵截距，确定所述各个关节的库伦摩擦系数，可以包括：
若进行正反向匀速运动的关节为任一所述旋转关节，则将所述运动直线图的任一纵截距的绝对值作为该旋转关节的库伦摩擦系数；
若进行正反向匀速运动的关节为所述移动关节，则计算所述运动直线图的两个纵截距绝对值的平均值，将所述平均值作为所述移动关节的库伦摩擦系数。
在该实施例中，可以结合关节的性质进行确定关节的库伦摩擦系数，具体的，如果进行正反向匀速运动的关节为任一旋转关节，旋转关节包括了关节一，关节二和关节四，如前所述，通过采集进行正反向匀速运动的关节一的运动速度可以拟合得到关节一的速度-力矩图，通过采集进行正反向匀速运动的关节二的运动速度可以拟合得到关节二的速度-力矩图，通过采集进行正反向匀速运动的关节四的运动速度可以拟合得到关节四的速度-力矩图，因此，如果进行正反向匀速运动的关节为关节一或者为关节二或者为关节四，则可以将对应的速度-力矩图的任一纵截距的绝对值作为对应关节的库伦摩擦系数。
需要说明的是，在旋转关节的速度-力矩图中，两个纵截距的绝对值是近似相等的，因此可以将任一纵截距的绝对值作为库伦摩擦系数。
反之，如果进行正反向匀速运动的关节为移动关节，也即关节三，如前所述，通过关节三的运动数据可以拟合得到关节三的速度-力图，由于关节三运动受重力项影响，因此，关节三的速度-力图中的两个纵截距的绝对值不相等，因此，可以计算两个纵截距绝对值的平均值，将计算得到的平均值作为移动关节三的库伦摩擦系数。
步骤S440、根据所述各个关节的粘性摩擦系数以及所述各个关节的库伦摩擦系数，得到所述各个关节的摩擦系数。
需要解释的是，各个关节的摩擦系数均包括了粘性摩擦系数和库伦摩擦系数，因此，通过步骤S430得到各个关节的粘性摩擦系数以及库伦摩擦系数之后，也即得到了各个关节的摩擦系数。
在本申请的一个实施例中，除了可以根据最小惯性参数集动力学模型，确定各个关节的摩擦系数辨识轨迹之外，还可以根据最小惯性参数集动力学模型，确定各个关节的惯性参数辨识轨迹，并基于各个关节的惯性参数辨识轨迹，辨识各个关节的惯性参数，如图5所示，步骤S330具体包括：
步骤S510、根据所述最小惯性参数集动力学模型中所述关节四的动力学方程，确定所述关节四的第一惯性参数辨识轨迹，所述关节四的第一惯性参数辨识轨迹为所述关节四进行匀加速运动时，所述关节一、所述关节二和所述关节三均被锁定的轨迹；
步骤S520、采集所述关节四进行匀加速运动产生的电流，并将所述电流转化为所述关节四的第一关节力矩；
步骤S530、根据所述关节四的第一关节力矩，计算所述关节四的第一惯性参数。
在步骤S510中，如前所述，关节四的惯性参数包括有IZZ4,mrx4,mry4，从上述公式(3)中关节四的动力学方程，可以确定出关节四的第一惯性参数辨识轨迹，容易理解的是，惯性参数辨识轨迹是为了辨识惯性参数而为机器人设计的轨迹，而关节四的第一惯性参数辨识轨迹是为了辨识惯性参数IZZ4而为机器人设计的轨迹，根据公式(3)中关节四的动力学方程，可以确定关节四的第一惯性参数辨识轨迹为使得SCARA机器人的关节四进行匀加速运动，关节一、关节二和关节三均被锁定的轨迹。
步骤S520、采集所述关节四进行匀加速运动产生的电流，并将所述电流转化为所述关节四的第一关节力矩。
由于在关节四的第一惯性参数辨识轨迹中只有关节四进行匀加速运动，因此，可以采集关节四进行匀加速运动产生的电流，并将采集到的电流经过滤波等处理转化成关节四的第一关节力矩。
步骤S530、根据所述第一关节力矩，计算所述关节四的第一惯性参数。
根据关节四的第一惯性参数辨识轨迹可知，关节一、关节二以及关节三均被锁定时，关节一、关节二以及关节三的位置矢量，速度矢量以及加速度矢量均为零，因此，可以将上述公式(3)中关节四的动力学方程简化为其中，Fc4为关节四的摩擦力，Fc4为已知项。
由于在步骤S520中获得了关节四的第一关节力矩τ4，且Fc4为已知项的情况下，可以对简化后的关节四的动力学方程进行求解，得到关节四的第一惯性参数IZZ4。
在本申请的一个实施例中，在辨识出关节四的第一惯性参数IZZ4后，可以继续基于最小惯性参数集动力学模型中关节四的动力学方程，确定关节四的第二惯性参数辨识轨迹，进而基于关节四的第二惯性参数辨识轨迹，辨识关节四的第二惯性参数mrx4,mry4，如图6所示，步骤S330具体包括步骤S610-步骤S630，现详细说明如下：
步骤S610、根据所述最小惯性参数集动力学模型中所述关节四的动力学方程，确定所述关节四的第二惯性参数辨识轨迹，所述关节四的第二惯性参数辨识轨迹为所述关节二和所述关节四均进行匀速运动时，所述关节一和所述关节三均被锁定的轨迹。
为了辨识关节四的第二惯性参数mrx4,mry4，首先，可以根据上述公式(3)中关节四的动力学方程，确定关节四的第二惯性参数辨识轨迹，关节四的第二惯性参数辨识轨迹是为了辨识关节四的第二惯性参数而为机器人设计的轨迹，其中，根据关节四的动力学方程可以确定关节四的第二惯性参数辨识轨迹为使得SCARA机器人的关节二和关节四均进行匀速运动，关节一和关节三均被锁定的轨迹。
步骤S620、采集所述关节四进行匀速运动产生的电流，并将所述电流转化为所述关节四的第二关节力矩。
虽然在关节四的第二惯性参数辨识轨迹中关节四和关节二均进行匀速运动，然而，由于只需要通过关节四的第二惯性参数辨识轨迹辨识关节四的第二惯性参数，因此，可以仅采集关节四进行匀速运动产生的电流，并将采集到的电流经过滤波等处理转化成关节四的第二关节力矩。
步骤S630、根据所述关节四的第二关节力矩，计算所述关节四的第二惯性参数。
根据关节四的第二惯性参数辨识轨迹可知，关节一以及关节三均被锁定时，关节一以及关节三的位置矢量，速度矢量以及加速度矢量均为零，此时，根据上述公式(3)可以得到关节四的动力学方程为：
由于在步骤S620中获得了关节四的第二关节力矩τ4，而在关节四的动力学方程中q4,l2,Fc4均为已知项，因此，可以通过求解关节四的动力学方程，得到关节四的第二惯性参数mrx4,mry4。
在本申请的一个实施例中，在辨识出关节四的第一惯性参数IZZ4以及关节四的第二惯性参数mrx4,mry4后，可以基于最小惯性参数集动力学模型中关节二的动力学方程，确定关节二的惯性参数辨识轨迹，进而基于关节二的惯性参数辨识轨迹，辨识关节二的惯性参数，如图7所示，步骤S330具体包括步骤S710-步骤S730，现详细说明如下：
步骤S710、根据所述最小惯性参数集动力学模型中所述关节二的动力学方程，确定所述关节二的第一惯性参数辨识轨迹，所述关节二的第一惯性参数辨识轨迹为所述关节二进行匀加速运动时，所述关节一、所述关节三以及所述关节四被锁定的轨迹。
关节二的惯性参数包括(IZZ2+IZZ3+2·l2·mrx3),(mrx2+mrx3),(mry2-mry3)，从上述公式(3)中关节二的动力学方程，可以首先确定出关节二的第一惯性参数辨识轨迹，而关节二的第一惯性参数辨识轨迹是为了辨识惯性参数(IZZ2+IZZ3+2·l2·mrx3)而为机器人设计的轨迹，根据公式(3)中关节二的动力学方程，可以确定关节二的第一惯性参数辨识轨迹为让SCARA机器人的关节二进行匀加速运动，关节一、关节三和关节四均被锁定的轨迹。
步骤S720、采集所述关节二进行匀加速运动产生的电流，并将所述电流转化为所述关节二的第一关节力矩。
由于在关节二的第一惯性参数辨识轨迹中只有关节二进行匀加速运动，因此，可以采集关节二进行匀加速运动产生的电流，并将采集到的电流经过滤波等处理转化成关节二的第一关节力矩。
步骤S730、根据所述关节二的第一关节力矩、所述关节四的第一惯性参数以及所述关节四的第二惯性参数，计算所述关节二的第一惯性参数。
根据关节二的第一惯性参数辨识轨迹可知，关节一、关节三以及关节四均被锁定时，关节一、关节三以及关节四的位置矢量，速度矢量以及加速度矢量均为零，此时，可以得到关节二的动力学方程为：
由于在步骤S720中获得了关节二的第一关节力矩，也就是关节二的动力学方程中τ2为已知的，而关节二的动力学方程中IZZ4为关节四的第一惯性参数，mrx4,mry4为关节四的第二惯性参数，其他项q4,Fc2均为已知项，因此，可以根据第二关节的第一关节力矩，关节四的第一惯性参数以及关节四的第二惯性参数，对关节二的动力学方程进行求解得到关节二的第一惯性参数(IZZ2+IZZ3+2·l2·mrx3)。
在本申请的一个实施例中，在辨识出关节二的第一惯性参数后，可以继续基于最小惯性参数集动力学模型中关节二的动力学方程，确定关节二的第二惯性参数辨识轨迹，进而基于关节二的第二惯性参数辨识轨迹，辨识关节二的第二惯性参数(mrx2+mrx3),(mry2-mry3)，如图8所示，步骤S330具体包括步骤S810-步骤S830，现详细说明如下：
步骤S810、根据所述最小惯性参数集动力学模型中所述关节二的动力学方程，确定所述关节二的第二惯性参数辨识轨迹，所述关节二的第二惯性参数辨识轨迹为所述关节一和所述关节二均进行匀速运动时，所述关节三以及所述关节四均被锁定的轨迹。
为了辨识关节二的第二惯性参数(mrx2+mrx3),(mry2-mry3)，首先，可以根据上述公式(3)中关节二的动力学方程，确定关节二的第二惯性参数辨识轨迹，第二惯性参数辨识轨迹是为了辨识关节二的第二惯性参数而为机器人设计的轨迹，根据关节二的动力学方程，可以确定关节四的第二惯性参数辨识轨迹为使得SCARA机器人的关节一和关节二均进行匀速运动，关节三和关节四均被锁定的轨迹。
步骤S820、采集所述关节二进行匀速运动产生的电流，并将所述电流转化为所述关节二的第二关节力矩。
虽然在关节二的第二惯性参数辨识轨迹中关节一和关节二均进行匀速运动，然而，由于只需要通过关节二的第二惯性参数辨识轨迹辨识关节二的第二惯性参数，因此，可以仅采集关节二进行匀速运动产生的电流，并将采集到的电流经过滤波等处理转化成关节二的第二关节力矩。
步骤S830、根据所述关节二的第二关节力矩以及所述关节四的第二惯性参数，计算所述关节二的第二惯性参数。
根据关节二的第二惯性参数辨识轨迹可知，关节三以及关节四均被锁定时，关节三以及关节四的位置矢量，速度矢量以及加速度矢量均为零，此时，可以得到关节二的动力学方程为：
由于在步骤S820中获得了关节二的第二关节力矩τ2，也就是关节二的动力学方程中τ2为已知的，而mrx4,mry4为关节四的第二惯性参数，其他项l1,q2,Fc2均为已知项，因此，可以根据第二关节的第二关节力矩以及关节四的第二惯性参数，对关节二的动力学方程进行求解，得到关节二的第二惯性参数(mrx2+mrx3),(mry2-mry3)。
在本申请的一个实施例中，为了辨识关节一的惯性参数，可以基于最小惯性参数集动力学模型中关节一的动力学方程，确定关节一的惯性参数辨识轨迹，进而基于关节一的惯性参数辨识轨迹，辨识关节一的惯性参数，如图9所示，步骤S330具体包括步骤S910-步骤S930，现详细说明如下：
步骤S910、根据所述最小惯性参数集动力学模型中所述关节一的动力学方程，确定所述关节一的惯性参数辨识轨迹，所述关节一的惯性参数辨识轨迹为所述关节一进行匀加速运动时，所述关节二、所述关节三以及所述关节四均被锁定的轨迹。
如前所述，关节一的惯性参数为从上述公式(3)中关节一的动力学方程，可以确定出关节一的惯性参数辨识轨迹为使得SCARA机器人的关节一进行匀加速运动，关节二、关节三和关节四均被锁定的轨迹。
步骤S920、采集所述关节一进行匀加速运动产生的电流，并将所述电流转化为所述关节一的关节力矩。
由于在关节一的惯性参数辨识轨迹中只有关节一进行匀加速运动，因此，可以采集关节一进行匀加速运动产生的电流，并将采集到的电流经过滤波等处理转化成关节一的关节力矩。
步骤S930、根据所述关节一的关节力矩、所述关节四的第一惯性参数、所述关节四的第二惯性参数、所述关节二的第一惯性参数以及所述关节二的第二惯性参数，计算所述关节一的惯性参数。
根据关节一的惯性参数辨识轨迹可知，关节二、关节三以及关节四均被锁定时，关节二、关节三以及关节四的位置矢量，速度矢量以及加速度矢量均为零，此时，可以得到关节一的动力学方程为：
由于在步骤S920中获得了关节一的关节力矩τ1，IZZ4为关节四的第一惯性参数，mrx4,mry4为关节四的第二惯性参数，(IZZ2+IZZ3+2·l2·mrx3)为关节二的第一惯性参数，(mrx2+mrx3),(mry2-mry3)为关节二的第二惯性参数，其他项l1,q2,q4,Fc1均为已知项，因此，可以根据关节一的关节力矩、关节四的第一惯性参数、关节四的第二惯性参数、关节二的第一惯性参数以及关节二的第二惯性参数，对关节一的动力学方程进行求解，得到关节一的惯性参数
在本申请的一个实施例中，为了辨识关节三的惯性参数，可以基于最小惯性参数集动力学模型中关节三的动力学方程，确定关节三的惯性参数辨识轨迹，进而基于关节三的惯性参数辨识轨迹，辨识关节三的惯性参数，如图10所示，步骤S330具体包括步骤S1010-步骤S1030，现详细说明如下：
步骤S1010、根据所述最小惯性参数集动力学模型中所述关节三的动力学方程，确定所述关节三的惯性参数辨识轨迹，所述关节三的惯性参数辨识轨迹为所述关节三进行匀加速运动时，所述关节一、所述关节二以及所述关节四均被锁定的轨迹。
如前所述，关节三的惯性参数为m3+m4，从上述公式(3)中关节三的动力学方程，可以确定出关节三的惯性参数辨识轨迹为使得SCARA机器人的关节三进行匀加速运动，关节一、关节二和关节四均被锁定的轨迹。
步骤S1020、采集所述关节三进行匀速运动产生的电流，并将所述电流转化为所述关节三的关节力。
由于在关节三的惯性参数辨识轨迹中只有关节三进行匀速运动，因此，可以采集关节三进行匀速运动产生的电流，并将采集到的电流经过滤波等处理转化成关节三的关节力矩。
步骤S1030、根据所述关节三的关节力，计算所述关节三的惯性参数。
根据关节三的惯性参数辨识轨迹可知，关节一、关节二以及关节四均被锁定时，关节一、关节二以及关节四的位置矢量，速度矢量以及加速度矢量均为零，此时，可以得到关节三的动力学方程为：
由于在步骤S1020中获得了关节三的关节力f3，其他项g,Fc3均为已知项，因此，可以根据关节三的关节力，对关节三的动力学方程进行求解，得到关节三的惯性参数m3+m4。
图11示出了根据本申请的一个实施例的辨识SCARA机器人的摩擦系数的方法的交互流程图。如图11所示，辨识SCARA机器人的摩擦系数的方法主要包括以下步骤：
步骤S1、选择单个关节；
步骤S2、单个关节进行正反向匀速运动，其他关节被锁定；
步骤S3、采集单个关节进行正反向匀速运动的运动数据；
运动数据可以包括关节力矩或关节力，若单个关节为关节三，由于关节三为移动关节，运动速度为线速度，因此，采集的运动数据可以为关节三的关节力；若单个关节为关节一、关节二和关节四中任意一个，因为关节一、关节二、关节四为旋转关节，运动速度为角速度，因此，采集的运动数据为相应关节的关节力矩。
步骤S4、拟合运动直线图；
在步骤S4中，可以根据采集到的运动数据，拟合得到速度-力图或者速度-力矩图，如果选择的一个关节为一个旋转关节，则可以拟合得到如图12所示的速度-力矩图，如果选择的一个关节为一个移动关节，则可以拟合得到如图13所示的速度-力图。
步骤S5、求解单个关节的粘性摩擦系数和库伦摩擦系数；
如果通过步骤S4得到如图12所示的速度-力矩图，直线A和直线B的斜率相等，则可以将该速度-力矩图的斜率可以作为单个关节的粘性摩擦系数，截距K、M的绝对值相等，K或M的绝对值即为单个关节的库伦摩擦系数。
如果通过步骤S4得到如图13所示的速度-力图，直线A和直线B的斜率相等，则可以将该速度-力图的斜率可以作为单个关节的粘性摩擦系数，截距K、M的绝对值不相等，可以将K和M的绝对值之和的平均值作为单个关节的库伦摩擦系数。
步骤S6、判断是否为SCARA机器人的最后一个关节，若是，则进入步骤S7，若否，则进入步骤S8；
步骤S7、结束；
步骤S8、选择下一个关节，重复执行步骤S2-步骤S6。
图14示出了根据本申请的一个实施例的SCARA机器人动力学参数辨识的装置的框图，参照图14所示，根据本申请的一个实施例的SCARA机器人动力学参数辨识的装置1400，所述SCARA机器人包括四个关节，关节一、关节二和关节四为旋转关节，关节三为移动关节，包括：获取单元1402，第一确定辨识单元1404以及第二确定辨识单元1406。
其中，获取单元1402，配置为获取所述SCARA机器人带摩擦项的最小惯性参数集动力学模型；第一确定辨识单元1404，配置为根据所述最小惯性参数集动力学模型，确定各个关节的摩擦系数辨识轨迹，基于所述摩擦系数辨识轨迹，辨识所述各个关节的摩擦系数；第二确定辨识单元1406，配置为根据所述最小惯性参数集动力学模型，确定所述各个关节的惯性参数辨识轨迹，基于所述惯性参数辨识轨迹，辨识所述各个关节的惯性参数。
在本申请的一些实施例中，所述第一确定辨识单元1404配置为所述各个关节的摩擦系数辨识轨迹为所述各个关节进行正反向匀速运动时，其他三个关节被锁定的轨迹，所述第一确定辨识单元包括：采集子单元，配置为采集所述各个关节进行正反向匀速运动的运动数据；拟合子单元，配置为根据采集到的运动数据拟合得到所述各个关节的运动直线图；摩擦系数确定子单元，配置为将所述运动直线图的斜率作为所述各个关节的粘性摩擦系数，并根据所述运动直线图的纵截距，确定所述各个关节的库伦摩擦系数；处理子单元，配置为根据所述各个关节的粘性摩擦系数以及所述各个关节的库伦摩擦系数，得到所述各个关节的摩擦系数。
在本申请的一些实施例中，所述摩擦系数确定子单元配置为：若进行正反向匀速运动的关节为任一所述旋转关节，则将所述运动直线图的任一纵截距的绝对值作为该旋转关节的库伦摩擦系数；若进行正反向匀速运动的关节为所述移动关节，则计算所述运动直线图的两个纵截距绝对值的平均值，将所述平均值作为所述移动关节的库伦摩擦系数。
在本申请的一些实施例中，所述第二确定辨识单元1406配置为：根据所述最小惯性参数集动力学模型中所述关节四的动力学方程，确定所述关节四的第一惯性参数辨识轨迹，所述关节四的第一惯性参数辨识轨迹为所述关节四进行匀加速运动时，所述关节一、所述关节二和所述关节三均被锁定的轨迹；采集所述关节四进行匀加速运动产生的电流，并将所述电流转化为所述关节四的第一关节力矩；根据所述关节四的第一关节力矩，计算所述关节四的第一惯性参数。
在本申请的一些实施例中，所述第二确定辨识单元1406配置为：根据所述最小惯性参数集动力学模型中所述关节四的动力学方程，确定所述关节四的第二惯性参数辨识轨迹，所述关节四的第二惯性参数辨识轨迹为所述关节二和所述关节四均进行匀速运动时，所述关节一和所述关节三均被锁定的轨迹；采集所述关节四进行匀速运动产生的电流，并将所述电流转化为所述关节四的第二关节力矩；根据所述关节四的第二关节力矩，计算所述关节四的第二惯性参数。
在本申请的一些实施例中，所述第二确定辨识单元1406配置为：根据所述最小惯性参数集动力学模型中所述关节二的动力学方程，确定所述关节二的第一惯性参数辨识轨迹，所述关节二的第一惯性参数辨识轨迹为所述关节二进行匀加速运动时，所述关节一、所述关节三以及所述关节四被锁定的轨迹；采集所述关节二进行匀加速运动产生的电流，并将所述电流转化为所述关节二的第一关节力矩；根据所述关节二的第一关节力矩、所述关节四的第一惯性参数以及所述关节四的第二惯性参数，计算所述关节二的第一惯性参数。
在本申请的一些实施例中，所述第二确定辨识单元1406配置为：根据所述最小惯性参数集动力学模型中所述关节二的动力学方程，确定所述关节二的第二惯性参数辨识轨迹，所述关节二的第二惯性参数辨识轨迹为所述关节一和所述关节二均进行匀速运动时，所述关节三以及所述关节四均被锁定的轨迹；采集所述关节二进行匀速运动产生的电流，并将所述电流转化为所述关节二的第二关节力矩；根据所述关节二的第二关节力矩以及所述关节四的第二惯性参数，计算所述关节二的第二惯性参数。
在本申请的一些实施例中，所述第二确定辨识单元1406配置为：根据所述最小惯性参数集动力学模型中所述关节一的动力学方程，确定所述关节一的惯性参数辨识轨迹，所述关节一的惯性参数辨识轨迹为所述关节一进行匀加速运动时，所述关节二、所述关节三以及所述关节四均被锁定的轨迹；采集所述关节一进行匀加速运动产生的电流，并将所述电流转化为所述关节一的关节力矩；根据所述关节一的关节力矩、所述关节四的第一惯性参数、所述关节四的第二惯性参数、所述关节二的第一惯性参数以及所述关节二的第二惯性参数，计算所述关节一的惯性参数。
在本申请的一些实施例中，所述第二确定辨识单元1406配置为：根据所述最小惯性参数集动力学模型中所述关节三的动力学方程，确定所述关节三的惯性参数辨识轨迹，所述关节三的惯性参数辨识轨迹为所述关节三进行匀加速运动时，所述关节一、所述关节二以及所述关节四均被锁定的轨迹；采集所述关节三进行匀速运动产生的电流，并将所述电流转化为所述关节三的关节力；根据所述关节三的关节力，计算所述关节三的惯性参数。
图15示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图15示出的电子设备的计算机系统1500仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图15所示，计算机系统1500包括中央处理单元(Central Processing Unit，CPU)1501，其可以根据存储在只读存储器(Read-Only Memory，ROM)1502中的程序或者从存储部分1508加载到随机访问存储器(Random Access Memory，RAM)1503中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1503中，还存储有系统操作所需的各种程序和数据。CPU 1501、ROM 1502以及RAM 1503通过总线1504彼此相连。输入/输出(Input/Output，I/O)接口1505也连接至总线1504。
以下部件连接至I/O接口1505：包括键盘、鼠标等的输入部分1506；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1507；包括硬盘等的存储部分1508；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1509。通信部分1509经由诸如因特网的网络执行通信处理。驱动器1510也根据需要连接至I/O接口1505。可拆卸介质1511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1510上，以便于从其上读出的计算机程序根据需要被安装入存储部分1508。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1509从网络上被下载和安装，和/或从可拆卸介质1511被安装。在该计算机程序被中央处理单元(CPU)1501执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码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。也应当注意，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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (9)

1.一种SCARA机器人动力学参数辨识的方法，所述SCARA机器人包括四个关节，关节一、关节二和关节四为旋转关节，关节三为移动关节，其特征在于，所述方法包括：
获取所述SCARA机器人带摩擦项的最小惯性参数集动力学模型；
根据所述最小惯性参数集动力学模型，确定各个关节的摩擦系数辨识轨迹，基于所述摩擦系数辨识轨迹，辨识所述各个关节的摩擦系数；
根据所述最小惯性参数集动力学模型，确定所述各个关节的惯性参数辨识轨迹，基于所述惯性参数辨识轨迹，辨识所述各个关节的惯性参数；
所述各个关节的摩擦系数辨识轨迹为所述各个关节进行正反向匀速运动时，其他三个关节被锁定的轨迹，所述基于所述摩擦系数辨识轨迹，辨识所述各个关节的摩擦系数，包括：
采集所述各个关节进行正反向匀速运动的运动数据；
根据采集到的运动数据拟合得到所述各个关节的运动直线图，所述运动直线图为速度与力矩关系图；
将所述运动直线图的斜率作为所述各个关节的粘性摩擦系数，并根据所述运动直线图的纵截距，确定所述各个关节的库伦摩擦系数；
根据所述各个关节的粘性摩擦系数以及所述各个关节的库伦摩擦系数，得到所述各个关节的摩擦系数。
2.根据权利要求1所述的方法，其特征在于，根据所述运动直线图的纵截距，确定所述各个关节的库伦摩擦系数，包括：
若进行正反向匀速运动的关节为任一所述旋转关节，则将所述运动直线图的任一纵截距的绝对值作为该旋转关节的库伦摩擦系数；
若进行正反向匀速运动的关节为所述移动关节，则计算所述运动直线图的两个纵截距绝对值的平均值，将所述平均值作为所述移动关节的库伦摩擦系数。
3.根据权利要求1所述的方法，其特征在于，根据所述最小惯性参数集动力学模型，确定所述各个关节的惯性参数辨识轨迹，包括：
根据所述最小惯性参数集动力学模型中所述关节四的动力学方程，确定所述关节四的第一惯性参数辨识轨迹，所述关节四的第一惯性参数辨识轨迹为所述关节四进行匀加速运动时，所述关节一、所述关节二和所述关节三均被锁定的轨迹；
基于所述惯性参数辨识轨迹，辨识所述各个关节的惯性参数，包括：
采集所述关节四进行匀加速运动产生的电流，并将所述电流转化为所述关节四的第一关节力矩；
根据所述关节四的第一关节力矩，计算所述关节四的第一惯性参数。
4.根据权利要求3所述的方法，其特征在于，根据所述最小惯性参数集动力学模型，确定所述各个关节的惯性参数辨识轨迹，包括：
根据所述最小惯性参数集动力学模型中所述关节四的动力学方程，确定所述关节四的第二惯性参数辨识轨迹，所述关节四的第二惯性参数辨识轨迹为所述关节二和所述关节四均进行匀速运动时，所述关节一和所述关节三均被锁定的轨迹；
基于所述惯性参数辨识轨迹，辨识所述各个关节的惯性参数，包括：
采集所述关节四进行匀速运动产生的电流，并将所述电流转化为所述关节四的第二关节力矩；
根据所述关节四的第二关节力矩，计算所述关节四的第二惯性参数。
5.根据权利要求4所述的方法，其特征在于，根据所述最小惯性参数集动力学模型，确定所述各个关节的惯性参数辨识轨迹，包括：
根据所述最小惯性参数集动力学模型中所述关节二的动力学方程，确定所述关节二的第一惯性参数辨识轨迹，所述关节二的第一惯性参数辨识轨迹为所述关节二进行匀加速运动时，所述关节一、所述关节三以及所述关节四被锁定的轨迹；
基于所述惯性参数辨识轨迹，辨识所述各个关节的惯性参数，包括：
采集所述关节二进行匀加速运动产生的电流，并将所述电流转化为所述关节二的第一关节力矩；
根据所述关节二的第一关节力矩、所述关节四的第一惯性参数以及所述关节四的第二惯性参数，计算所述关节二的第一惯性参数。
6.根据权利要求5所述的方法，其特征在于，根据所述最小惯性参数集动力学模型，确定所述各个关节的惯性参数辨识轨迹，包括：
根据所述最小惯性参数集动力学模型中所述关节二的动力学方程，确定所述关节二的第二惯性参数辨识轨迹，所述关节二的第二惯性参数辨识轨迹为所述关节一和所述关节二均进行匀速运动时，所述关节三以及所述关节四均被锁定的轨迹；
基于所述惯性参数辨识轨迹，辨识所述各个关节的惯性参数，包括：
采集所述关节二进行匀速运动产生的电流，并将所述电流转化为所述关节二的第二关节力矩；
根据所述关节二的第二关节力矩以及所述关节四的第二惯性参数，计算所述关节二的第二惯性参数。
7.根据权利要求6所述的方法，其特征在于，根据所述最小惯性参数集动力学模型，确定所述各个关节的惯性参数辨识轨迹，包括：
根据所述最小惯性参数集动力学模型中所述关节一的动力学方程，确定所述关节一的惯性参数辨识轨迹，所述关节一的惯性参数辨识轨迹为所述关节一进行匀加速运动时，所述关节二、所述关节三以及所述关节四均被锁定的轨迹；
基于所述惯性参数辨识轨迹，辨识所述各个关节的惯性参数，包括：
采集所述关节一进行匀加速运动产生的电流，并将所述电流转化为所述关节一的关节力矩；
根据所述关节一的关节力矩、所述关节四的第一惯性参数、所述关节四的第二惯性参数、所述关节二的第一惯性参数以及所述关节二的第二惯性参数，计算所述关节一的惯性参数。
8.根据权利要求1所述的方法，其特征在于，根据所述最小惯性参数集动力学模型，确定所述各个关节的惯性参数辨识轨迹，包括：
根据所述最小惯性参数集动力学模型中所述关节三的动力学方程，确定所述关节三的惯性参数辨识轨迹，所述关节三的惯性参数辨识轨迹为所述关节三进行匀加速运动时，所述关节一、所述关节二以及所述关节四均被锁定的轨迹；
基于所述惯性参数辨识轨迹，辨识所述各个关节的惯性参数，包括：
采集所述关节三进行匀速运动产生的电流，并将所述电流转化为所述关节三的关节力；
根据所述关节三的关节力，计算所述关节三的惯性参数。
9.一种SCARA机器人动力学参数辨识的装置，所述SCARA机器人包括四个关节，关节一、关节二和关节四为旋转关节，关节三为移动关节，其特征在于，所述装置包括：
获取单元，配置为获取所述SCARA机器人带摩擦项的最小惯性参数集动力学模型；
第一确定辨识单元，配置为根据所述最小惯性参数集动力学模型，确定各个关节的摩擦系数辨识轨迹，基于所述摩擦系数辨识轨迹，辨识所述各个关节的摩擦系数；
第二确定辨识单元，配置为根据所述最小惯性参数集动力学模型，确定所述各个关节的惯性参数辨识轨迹，基于所述惯性参数辨识轨迹，辨识所述各个关节的惯性参数；
所述各个关节的摩擦系数辨识轨迹为所述各个关节进行正反向匀速运动时，其他三个关节被锁定的轨迹，所述第一确定辨识单元基于所述摩擦系数辨识轨迹，辨识所述各个关节的摩擦系数，包括：
采集所述各个关节进行正反向匀速运动的运动数据；
根据采集到的运动数据拟合得到所述各个关节的运动直线图，所述运动直线图为速度与力矩关系图；
将所述运动直线图的斜率作为所述各个关节的粘性摩擦系数，并根据所述运动直线图的纵截距，确定所述各个关节的库伦摩擦系数；
根据所述各个关节的粘性摩擦系数以及所述各个关节的库伦摩擦系数，得到所述各个关节的摩擦系数。
CN202010421010.8A 2020-05-18 2020-05-18 Scara机器人动力学参数辨识的方法、装置 Active CN113681551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010421010.8A CN113681551B (zh) 2020-05-18 2020-05-18 Scara机器人动力学参数辨识的方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010421010.8A CN113681551B (zh) 2020-05-18 2020-05-18 Scara机器人动力学参数辨识的方法、装置

Publications (2)

Publication Number Publication Date
CN113681551A CN113681551A (zh) 2021-11-23
CN113681551B true CN113681551B (zh) 2024-11-12

Family

ID=78575610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010421010.8A Active CN113681551B (zh) 2020-05-18 2020-05-18 Scara机器人动力学参数辨识的方法、装置

Country Status (1)

Country Link
CN (1) CN113681551B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108297093A (zh) * 2017-12-29 2018-07-20 中国海洋大学 一种机械臂动力学参数的分步辨识方法
CN110539302A (zh) * 2019-07-18 2019-12-06 南京航空航天大学 一种工业机器人整体动力学建模及动力学参数辨识方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10556336B1 (en) * 2017-01-30 2020-02-11 X Development Llc Determining robot inertial properties
CN110531707B (zh) * 2019-09-16 2022-03-18 无锡信捷电气股份有限公司 Scara机器人的摩擦模型改进以及动力学参数辨识方法
CN110561438B (zh) * 2019-09-19 2021-02-05 华中科技大学 基于动力学参数辨识的工业机器人力/位柔顺控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108297093A (zh) * 2017-12-29 2018-07-20 中国海洋大学 一种机械臂动力学参数的分步辨识方法
CN110539302A (zh) * 2019-07-18 2019-12-06 南京航空航天大学 一种工业机器人整体动力学建模及动力学参数辨识方法

Also Published As

Publication number Publication date
CN113681551A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN107671861B (zh) 一种改进的scara机器人动力学参数辨识方法
Li et al. Calib-Net: Calibrating the low-cost IMU via deep convolutional neural network
CN109724602A (zh) 一种基于硬件fpu的姿态解算系统及其解算方法
Chu et al. Design and implementation of model predictive control for a gyroscopic inverted pendulum
Odry An open-source test environment for effective development of marg-based algorithms
CN113001542B (zh) 一种机器人轨迹规划方法、装置、可读存储介质及机器人
CN108731676A (zh) 一种基于惯性导航技术的姿态融合增强测量方法及系统
CN116000936A (zh) 基于状态转移算法的工业机器人自适应阻抗控制方法、设备及介质
CN117207194A (zh) 机械臂控制方法、装置、设备及存储介质
Xu et al. A robust incremental-quaternion-based angle and axis estimation algorithm of a single-axis rotation using MARG sensors
Kopniak et al. Natural interface for robotic arm controlling based on inertial motion capture
Vertzberger et al. Adaptive attitude estimation using a hybrid model-learning approach
CN113681551B (zh) Scara机器人动力学参数辨识的方法、装置
CN116079697B (zh) 一种基于图像的单目视觉伺服方法、装置、设备及介质
CN105509748A (zh) 机器人的导航方法及装置
Yang et al. Multi‐inertial sensor‐based arm 3D motion tracking using Elman neural network
CN109048995B (zh) 一种三自由度Delta并联机器人的非线性关节摩擦力补偿方法
CN119115942B (zh) 一种机械臂动力学参数的辨识方法
Zeinali et al. IMUNet: Efficient regression architecture for IMU navigation and positioning
CN117325149B (zh) 基于卡尔曼滤波的姿态调整方法及系统
CN107741228A (zh) 一种基于重心拉格朗日插值法的捷联惯导姿态解算方法
CN115562288B (zh) 一种有限信息下的多机协同搬运控制方法及其系统、装置
CN116652967B (zh) 工业机器人动力学参数辨识方法
Urrea et al. Evaluation of parameter identification of a real manipulator robot
Lee et al. Development of a control architecture for a parallel three-axis robotic arm mechanism using CANopen communication protocol

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