CN113771044A

CN113771044A - 一种机器人末端负载动态受力感知方法

Info

Publication number: CN113771044A
Application number: CN202111176472.9A
Authority: CN
Inventors: 胡瑞钦; 董悫; 张成立; 孟少华; 张立建
Original assignee: Beijing Institute of Spacecraft Environment Engineering
Current assignee: Beijing Institute of Spacecraft Environment Engineering
Priority date: 2021-10-09
Filing date: 2021-10-09
Publication date: 2021-12-10
Anticipated expiration: 2041-10-09
Also published as: CN113771044B

Abstract

本发明公开了一种机器人末端负载动态受力感知方法，包括机器人末端与负载之间安装六维力传感器，同时在机器人末端安装惯性测量单元，包括以下步骤：S1.确定机样本采集机器人运动路径：a.确定机器人各轴允许的运动范围，保证机器人在该范围运动时各部分不会发生干涉碰撞；b.对机器人各轴，对各自的运动范围均匀分为N份(N≥2)，并将各分割点位置作为该轴备选位置点。本发明中，采用机器学习方式，进行机器人末端动态受力感知，与已有方式相比，无需对相关物理量进行预先标定，对于难以进行解析建模的非线性误差(如机器人末端位姿误差)也可以进行精确的拟合，能够提高机器人末端负载受力感知精度。

Description

一种机器人末端负载动态受力感知方法

技术领域

本发明涉及机器人控制技术领域，尤其涉及一种机器人末端负载动态受力感知方法。

背景技术

为实现对机器人末端负载的精确受力感知，通常在机器人末端法兰与机器人末负载之间安装六维力力传感器。六维力传感器能够精确测量空间任意力系中的三维正交力(Fx,Fy,Fz)和三维正交力矩(Mx,My,Mz)。

在机器人动态调整过程中，机器人腕部六维力传感器测得的力与力矩数据由四部分造成，即：1、传感器自身系统误差；2、负载重力影响；3、负载所受惯性力与惯性力矩；4、负载所受外部作用力。

可知，若要得到负载所受外部作用力，需要消除腕力传感器数据中传感器系统误差、负载重力、负载惯性力与力矩三方面因素的影响。在已有研究中，通常采用解析方式建立机器人末端的受力感知模型，即考虑影响受力感知各因素的间的物理关系，推导得到感知力与个已知量间的数学模型，进行机器人末端的受力感知。但影响机器人末端受里感知的因素较多，主要包括：机器人底座安装角度、传感器在机器人上的安装角度、机器人位姿反馈误差等。采用解析方式难以将这些因素全部考虑在内，而往往忽略部分因素的影响以进行简化，使得数学推导得以顺利进行，这也不可避免的带来了受力感知误差。

近年来，随着计算机运算能力的提高，机器学习、人工智能等技术飞快发展，对于影响因素复杂、无法进行显式建模的情况，通过采集数据样本、迭代优化的方式得到最优模型，无需关心模型内部的具体参数，可获得较高的预测精度，本发明采用机器学习方式，进行机器人末端动态受力感知，旨在解决传统解析方式难以实现的问题。

发明内容

本发明的目的在于：为了解决上述问题，而提出的一种机器人末端负载动态受力感知方法。

为了实现上述目的，本发明采用了如下技术方案：

一种机器人末端负载动态受力感知方法，包括机器人末端与负载之间安装六维力传感器，机器人末端安装惯性测量单元，包括以下步骤：

S1.确定机样本采集机器人运动路径：

a.确定机器人各轴允许的运动范围，保证机器人在该范围运动时各部分不会发生干涉碰撞；

b.对机器人各轴，对各自的运动范围均匀分为N份(N≥2)，并将各分割点位置作为该轴备选位置点；

c.按照正交试验方法，从机器人各轴备选位置中选择位置，确定出机器人运动路径的路径点序列；

S2.样本数据采集：在机器人末端负载不受外界作用力的情况下，根据S1确定的机器人运动路径关键点序列，驱动机器人运动，机器人在相邻路径点的运动方式为直线，并在达到各路径点时停留指定的时间T，在机器人执行样本采集路径的同时，使用计算机实时周期性采集如下数据：

a.机器人末端位置数据(x，y，z)；

b.机器人末端欧拉角数据(a，b，c)；

c.六维力传感器反馈的力数据(Fx，Fy，Fz)；

d.六维力传感器反馈的力矩数据(Mx，My，Mz)；

e.惯性测量单元反馈的加速度数据(ax，ay，az)；

f.惯性测量单元反馈的角速度数据(ωx，ωy，ωz)；

g.惯性测量单元反馈的角加速度数据(rx，ry，rz)；

S3.受力预测模型训练：受力预测模型采用单隐藏层的BP神经网络结构，输入层采用S2中采集的机器人末端位置数据(x，y，z)、机器人末端欧拉角数据(a，b，c)、惯性测量单元反馈的加速度数据(ax，ay，az)、角速度数据(ωx，ωy，ωz)、角加速度数据(rx，ry，rz)，输出层采用S2中采集的六维力传感器反馈的力数据(Fx，Fy，Fz)、力矩数据(Mx，My，Mz)，采用梯度下降法对该神经网络进行训练，得到受力预测模型；

S4.实时受力感知实现：在机器人应用中，实时周期性采集S2中所列数据，并应用S3中训练得到的受力预测模型，利用实时采集的机器人末端位置数据(x，y，z)、机器人末端欧拉角数据(a，b，c)、加速度数据(ax，ay，az)、角速度数据(ωx，ωy，ωz)、角加速度数据(rx，ry，rz)作为输入，得到受力预测力数据(Fx0，Fy0，Fz0)、力矩数据(Mx0，My0，Mz0)，进一步利用六维力传感器的实时反馈数据减去受力预测数据，得到机器人末端负载所受的外界作用力为(Fx-Fx0，Fy-Fy0，Fz-Fz0)、力矩数据(Mx-Mx0，My-My0，Mz-Mz0)。

优选地，所述安装六维力传感器测量得到的数据有六个分量，包括在六维力传感器自身坐标系中的三个坐标轴方向的力分量，以及三个坐标轴方向的力矩分量。

优选地，所述惯性测量单元是一种成熟的可购买的惯性测量模块(简称IMU)，能够测量空间三个方向的加速度、角速度和角加速度。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本申请通过采用机器学习方式，进行机器人末端动态受力感知，与已有方式相比，无需对相关物理量进行预先标定，对于难以进行解析建模的非线性误差(如机器人末端位姿误差)也可以进行精确的拟合，能够提高机器人末端负载受力感知精度。

附图说明

图1示出了根据本发明实施例提供的机器人末端六维力传感器和惯性测量单元的安装关系示意图；

图2示出了根据本发明实施例提供的机器人末端受力预测神经网络模型示意图；

图例说明：

1、机器人；2、六维力传感器；3、负载；4、惯性测量单元。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1-2，本发明提供一种技术方案：

一种机器人末端负载动态受力感知方法，包括机器人1末端与负载3之间安装六维力传感器2，同时在机器人1末端安装惯性测量单元4，包括以下步骤：

S1.确定机样本采集机器人1运动路径：

a.确定机器人1各轴允许的运动范围，保证机器人1在该范围运动时各部分不会发生干涉碰撞；

b.对机器人1各轴，对各自的运动范围均匀分为N份(N≥2)，并将各分割点位置作为该轴备选位置点；

c.按照正交试验方法，从机器人1各轴备选位置中选择位置，确定出机器人1运动路径的路径点序列；

S2.样本数据采集：在机器人1末端负载3不受外界作用力的情况下，根据S1确定的机器人1运动路径关键点序列，驱动机器人1运动，机器人1在相邻路径点的运动方式为直线，并在达到各路径点时停留指定的时间T，在机器人1执行样本采集路径的同时，使用计算机实时周期性采集如下数据：

a.机器人1末端位置数据(x，y，z)；

b.机器人1末端欧拉角数据(a，b，c)；

c.六维力传感器2反馈的力数据(Fx，Fy，Fz)；

d.六维力传感器2反馈的力矩数据(Mx，My，Mz)；

e.惯性测量单元4反馈的加速度数据(ax，ay，az)；

f.惯性测量单元4反馈的角速度数据(ωx，ωy，ωz)；

g.惯性测量单元4反馈的角加速度数据(rx，ry，rz)；

S3.受力预测模型训练：受力预测模型采用单隐藏层的BP神经网络结构，输入层采用S2中采集的机器人1末端位置数据(x，y，z)、机器人1末端欧拉角数据(a，b，c)、惯性测量单元4反馈的加速度数据(ax，ay，az)、角速度数据(ωx，ωy，ωz)、角加速度数据(rx，ry，rz)，输出层采用S2中采集的六维力传感器2反馈的力数据(Fx，Fy，Fz)、力矩数据(Mx，My，Mz)，采用梯度下降法对该神经网络进行训练，得到受力预测模型；

S4.实时受力感知实现：在机器人1应用中，实时周期性采集S2中所列数据，并应用S3中训练得到的受力预测模型，利用实时采集的机器人1末端位置数据(x，y，z)、机器人1末端欧拉角数据(a，b，c)、加速度数据(ax，ay，az)、角速度数据(ωx，ωy，ωz)、角加速度数据(rx，ry，rz)作为输入，得到受力预测力数据(Fx0，Fy0，Fz0)、力矩数据(Mx0，My0，Mz0)，进一步利用六维力传感器2的实时反馈数据减去受力预测数据，得到机器人1末端负载3所受的外界作用力为(Fx-Fx0，Fy-Fy0，Fz-Fz0)、力矩数据(Mx-Mx0，My-My0，Mz-Mz0)。

安装六维力传感器2测量得到的数据有六个分量，包括在六维力传感器2自身坐标系中的三个坐标轴方向的力分量，以及三个坐标轴方向的力矩分量。

惯性测量单元4是一种成熟的可购买的惯性测量模块(简称IMU)，能够测量空间三个方向的加速度、角速度和角加速度。

实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种机器人末端负载动态受力感知方法，包括机器人（1）末端与负载（3）之间安装六维力传感器（2），机器人（1）末端安装惯性测量单元（4），其特征在于，包括以下步骤：

S1.确定机样本采集机器人（1）运动路径：

a.确定机器人（1）各轴允许的运动范围，保证机器人（1）在该范围运动时各部分不会发生干涉碰撞；

b.对机器人（1）各轴，对各自的运动范围均匀分为N份（N≥2），并将各分割点位置作为该轴备选位置点；

c.按照正交试验方法，从机器人（1）各轴备选位置中选择位置，确定出机器人（1）运动路径的路径点序列；

S2.样本数据采集：在机器人（1）末端负载（3）不受外界作用力的情况下，根据S1确定的机器人（1）运动路径关键点序列，驱动机器人（1）运动，机器人（1）在相邻路径点的运动方式为直线，并在达到各路径点时停留指定的时间T，在机器人（1）执行样本采集路径的同时，使用计算机实时周期性采集如下数据：

a.机器人（1）末端位置数据（x，y，z）；

b.机器人（1）末端欧拉角数据（a，b，c）；

c.六维力传感器（2）反馈的力数据（Fx，Fy，Fz）；

d.六维力传感器（2）反馈的力矩数据(Mx，My，Mz)；

e.惯性测量单元（4）反馈的加速度数据（ax，ay，az）；

f.惯性测量单元（4）反馈的角速度数据（ωx，ωy，ωz）；

g.惯性测量单元（4）反馈的角加速度数据（rx，ry，rz）；

S3.受力预测模型训练：受力预测模型采用单隐藏层的BP神经网络结构，输入层采用S2中采集的机器人（1）末端位置数据（x，y，z）、机器人（1）末端欧拉角数据（a，b，c）、惯性测量单元（4）反馈的加速度数据（ax，ay，az）、角速度数据（ωx，ωy，ωz）、角加速度数据（rx，ry，rz），输出层采用S2中采集的六维力传感器（2）反馈的力数据（Fx，Fy，Fz）、力矩数据(Mx，My，Mz)，采用梯度下降法对该神经网络进行训练，得到受力预测模型；

S4.实时受力感知实现：在机器人（1）应用中，实时周期性采集S2中所列数据，并应用S3中训练得到的受力预测模型，利用实时采集的机器人（1）末端位置数据（x，y，z）、机器人（1）末端欧拉角数据（a，b，c）、加速度数据（ax，ay，az）、角速度数据（ωx，ωy，ωz）、角加速度数据（rx，ry，rz）作为输入，得到受力预测力数据（Fx0，Fy0，Fz0）、力矩数据(Mx0，My0，Mz0)，进一步利用六维力传感器（2）的实时反馈数据减去受力预测数据，得到机器人（1）末端负载（3）所受的外界作用力为（Fx -Fx0，Fy -Fy0，Fz -Fz0）、力矩数据(Mx -Mx0，My -My0，Mz -Mz0)。

2.根据权利要求1所述的一种机器人末端负载动态受力感知方法，其特征在于，所述安装六维力传感器（2）测量得到的数据有六个分量，包括在六维力传感器（2）自身坐标系中的三个坐标轴方向的力分量，以及三个坐标轴方向的力矩分量。

3.根据权利要求1所述的一种机器人末端负载动态受力感知方法，其特征在于，所述惯性测量单元（4）是一种成熟的可购买的惯性测量模块（简称IMU），能够测量空间三个方向的加速度、角速度和角加速度。