CN114179126A - 机械臂在线动力学辨识的方法、设备及存储介质 - Google Patents

Abstract

本发明提供了一种机械臂在线动力学辨识的方法、设备及存储介质，方法包括根据预设的机械臂动力学模型，输出用于调整若干机械臂关节的第一力矩参数集；周期性地检测第一力矩参数集与实际测量得到的第二力矩参数集之间的第一模型误差；当第一模型误差大于预设的误差设定值时，在循环学习周期内对每一机械臂关节循环学习，得到每一机械臂关节的多个模型更新量集；根据多个模型更新量集，在第一时间更新机械臂动力学模型并结束循环学习周期的循环学习并根据更新后的机械臂动力学模型输出的第三力矩参数集，更新第一模型误差以根据更新后第一模型误差判断是否在重新进行循环学习。本发明的实施例优化了在线辨识过程中修正时的算法的空间复杂度。

Description

机械臂在线动力学辨识的方法、设备及存储介质

技术领域

本发明实施例涉及但不限于机器人技术领域，尤其涉及一种机械臂在线动力学辨识的方法、设备及存储介质。

背景技术

机械臂可以看作一组连杆通过关节串联而成的一个机械结构。因此，每一机械臂包括若干机械臂关节，通过控制每一机械臂关节的力矩来实现机械臂的运动。相关技术中，通过离线辨识的方法对机械臂的动力学模型进行训练，并在实际的运动过程中，通过采集实时在线数据对动力学模型重新训练，进而根据实际的在线数据进行动力学模型的修正，以解决动力学参数漂移的问题，其中，动力学参数表示动力学模型输入与输出的关系。但是这种方式，其算法的空间复杂度较高。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供了一种机械臂在线动力学辨识的方法、设备及存储介质，能够优化了在线辨识过程中修正时的算法的空间复杂度。

第一方面，本发明实施例提供了一种机械臂在线动力学辨识的方法，所述方法包括：

根据预设的机械臂动力学模型，输出用于调整若干机械臂关节的第一力矩参数集；

周期性地检测所述第一力矩参数集与实际测量得到的第二力矩参数集之间的第一模型误差；

当所述第一模型误差大于预设的误差设定值时，在循环学习周期内对每一所述机械臂关节循环学习，得到每一所述机械臂关节的多个模型更新量集；

根据多个所述模型更新量集，在第一时间更新所述机械臂动力学模型并结束所述循环学习周期的循环学习；

在所述第一时间，根据更新后的所述机械臂动力学模型输出的第三力矩参数集，更新所述第一模型误差以根据更新后所述第一模型误差判断是否在下一循环学习周期重新进行循环学习。

第三方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行第一方面任意一项所述的机械臂在线动力学辨识的方法。

根据本发明的上述实施例，至少具有如下有益效果：当第一模型误差大于预设的误差设定值，进入第一轮的循环学习周期的循环学习，以获得该循环学习周期内连续多个模型更新量集。在第一时间更新机械臂动力学模型，可以得到更新后的动力模型在第一时间输出的第三力矩参数集，此时通过第三力矩参数集更新第一模型误差进而判断是否需要从第一时间开始进行第二轮的循环学习，实现多次增量调整。相对于传统的在线辨识修正的方式，本发明的实施例是根据实时在线数据的更新量进行机械臂动力学模型的增量更新，优化了在线辨识过程中修正时的算法的空间复杂度。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1是本发明实施例的机械臂在线动力学辨识的方法的流程示意图；

图2是本发明实施例的机械臂在线动力学辨识的方法的模型更新量集获取的流程示意图；

图3是本发明实施例的机械臂在线动力学辨识的方法的中创建机械臂动力学模型流程示意图；

图4是本发明实施例的机械臂动力学模型的模型示意图。

具体实施方式

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用以解释本发明，并不用于限定本发明。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

需说明的是，机械臂可以看作一组连杆通过关节串联而成的一个机械结构。因此，每一机械臂包括若干机械臂关节，通过控制每一机械臂关节的力矩实现机械臂的运动。相关技术中，通过离线辨识的方法对机械臂的动力学模型进行训练，并在实际的运动过程中，通过采集实时在线数据对动力学模型重新训练，进而根据实际的在线数据进行动力学模型的修正，以解决动力学参数漂移的问题，其中，动力学参数表示动力学模型输入与输出的关系。但是这种方式，其算法的空间复杂度较高。基于此，本发明实施例提出一种机械臂在线动力学辨识的方法、设备及存储介质，能够优化了在线辨识过程中修正时的算法的空间复杂度。

下面参照附图，描述本发明实施例的机械臂在线动力学辨识的方法、设备及存储介质。

参照图1所示的流程图，本发明提出一种机械臂在线动力学辨识的方法，包括：

步骤S100、根据预设的机械臂动力学模型，输出用于调整若干机械臂关节的第一力矩参数集。

需说明的是，机械臂动力学模型是已经训练好的神经网络模型，第一力矩参数集由若干第一力矩参数组成，第一力矩参数均与机械臂关节一一对应，第一力矩参数可以为力矩值，在另一些实施例也可以为控制机械臂关节活动所需力矩的电流或电压值。

需说明的是，机械臂动力学模型的输入包括机械臂关节的若干关节角度，在另一些实施例中，还包括加速度等关节相关的参数。在另一些实施例中，机械臂动力学模型的输入为关节角度与上一时刻的输出组成的向量。

步骤S200、周期性地检测第一力矩参数集与实际测量得到的第二力矩参数集之间的第一模型误差。

需说明的是，周期性地检测表示每间隔时间T对每个机械臂关节的第一力矩参数和第二力矩参数的差值进行检测，以力矩参数为力矩值为例，第二力矩参数表示将第一力矩参数设置到对应机械臂关节后，实际检测到该机械臂关节的力矩值。机械臂关节的数量与第一力矩参数、第二力矩参数均一一对应。第一模型误差通过所有机械臂关节的误差值计算得到的。

示例性的，以检测时间nT_c为例，第一误差模型为e(nT_c)，每个第一力矩参数和第二力矩参数的差值的集合为{e_i(nT_c)}，则

其中N_d表示最大的机械臂关节数，i表示为第i个机械臂关节；

其中

表示在当前检测时间nT_c对应的第一力矩参数，τ(nT_c)表示当前检测时间nT_c下发第一力矩参数后检测得到的实际的第二力矩参数。

步骤S300、当第一模型误差大于预设的误差设定值时，在循环学习周期内对每一机械臂关节循环学习，得到每一机械臂关节的多个模型更新量集。

需说明的是，在一些实施例中，会在检测周期中设置多个循环学习周期，进而在第一个循环周期无法调整到位时，通过连续多个循环周期的循环学习进行调整，进而实现多次少量计算，进一步减少计算的复杂度。

需说明的是，假设每个检测周期T内均包括n个循环学习周期为T_c，当该检测周期的内检测到第一模型误差大于预设的误差设定值，在下一检测周期开始依次进入下一检测周期的多个循环学习周期中进行学习。

需说明的是，每个模型更新变量集表示循环学习周期内对应机械臂关节的模型参数变化的集合。其中，模型参数表征机械臂动力学模型的该机械臂关节的输入与输出的关系。

需说明的是，在一些实施例中，机械臂动力学模型为建立的机械臂关节的关节参数、上一时刻的第一输出与当前时刻的第二输出的关系模型，即将当前时刻的检测的N_d个关节参数、上一时刻的N_d个第一输出作为输入，输出N_d个当前时刻的第一力矩参数，因此，对于机械臂动力学模型而言，假设模型参数设置为w_i,j，则i的取值为1至N_d，j的取值为1至2N_d，表示连接第i个输入关节参数与第j个输出的第一力矩参数的权重。此时，对于第k个机械臂关节而言，其模型参数集为{w_k,j}，j的取值为1至2N_d，则{Δw_k,j}表示第k个机械臂关节的模型更新量集。需说明的是，当模型参数变化时，对应的模型更新变量集相应的改变。

步骤S400、根据多个模型更新量集，在第一时间更新机械臂动力学模型并结束此次循环学习周期的循环学习。

需说明的是，更新后的每一模型参数w'_i,j＝w_i,j+Δw_i,j，i的取值为1至N_d，j的取值为1至2N_d，此时，通过更新后的机械臂动力学模型输出当前时刻的第三力矩参数并作用到对应的机械臂关节中，既可实现解决该模型参数飘移问题导致输出的第一力矩参数与预期的偏差较大的问题。

步骤S500、在第一时间，根据更新后的机械臂动力学模型输出的第三力矩参数集，更新第一模型误差以根据更新后的第一模型误差判断是否在下移循环学习周期重新进行循环学习。

需说明的是，假设第一时间为t，在会在t时间重新输出第三力矩参数集并设置到若干机械臂关节中。

需说明的是，第三力矩参数是相对于第一力矩参数、第二力矩参数而言，第三力矩参数表示更新后的机械动力学模型输出的力矩参数。

需说明的是，步骤S300～步骤S400表示循环学习的过程，当第一轮循环学习完成后，根据步骤S500判断t时刻(即第一时间)的第一模型误差不满足要求，则会进入下一轮的循环学习中，即重新执行步骤S300～步骤S400。当第一模型误差在误差设定值内，则停止进入下一循环学习周期的循环学习，并在t所在的检测周期T1结束时间开始，重新进行周期为T的第一模型误差检测。

因此，当第一模型误差大于预设的误差设定值，进入第一轮的循环学习周期的循环学习，以获得该循环学习周期内连续多个模型更新量集。在第一时间更新机械臂动力学模型，可以得到更新后的动力模型在第一时间输出的第三力矩参数集，此时通过第三力矩参数集更新第一模型误差进而判断是否需要从第一时间开始进行第二轮的循环学习，实现多次增量调整。相对于传统的在线辨识修正的方式，本发明的实施例是根据实时在线数据的更新量进行机械臂动力学模型的增量更新，优化了在线辨识过程中修正时的算法的空间复杂度。

需说明的是，本发明实施例是通过连续多个循环学习周期进行实时循环学习，进而实现对模型参数的增量调整，能进一步减少输出的第一力矩参数发生抖变的概率。

可理解的是，步骤S200、周期性地检测第一力矩参数集与实际测量得到的第二力矩参数集之间的第一模型误差，包括：计算第一力矩参数集中每一第一力矩参数与第二力矩参数集中对应的第二力矩参数差值的绝对值，得到若干第一误差；计算若干第一误差的误差均值，将所述误差均值作为第一模型误差。

示例性的，假设第一力矩参数为

第二力矩参数为τ_i，则对于第i个机械臂关节，第一误差为

第一模型误差为

其中，N_d表示机械臂关节的总数量。

需说明的是，采用误差均值作为第一模型误差，综合考虑了机械臂上所有机械臂关节的实际与预理论的力矩参数之差，更能体现机械臂的运动状态。因此，通过第一模型误差与预设误差设定值进行比较，能及时进行机械臂动力学模型更新并降低过调的概率。

可理解的是，参照图2所示，步骤S300中在循环学习周期内对每一机械臂关节循环学习，得到每一机械臂关节的多个模型更新量集，包括：

步骤S310、在检测周期内确定循环学习周期对应的第一单位时间。

需说明的是，检测周期包括多个循环学习周期，每个循环学习周期内均包括m个第一力矩参数的求取。当进入到第一轮的循环学习中，第一单位时间为检测周期内第一个循环学习周期，当为第二轮进入到循环学习中，则第一单位时间为检测周期内第二个循环学习周期。

步骤S320、根据第一单位时间的每一第二时间的输入参数以及第二时间的前一时刻下机械臂动力学模型的第一中间输出函数集、第一损失函数偏导集，得到第二时间对应的第二损失函数偏导集。

需说明的是，每个第一单位时间内均会对每个机械臂进行多次第一力矩参数的下发，第二时间为每个第一力矩参数求取的时间。

需说明的是，第一中间输出函数集对应前一次求取第一力矩函数时的机械臂动力模型的中间输出函数的集合。

需说明的是，在一些实施例中，第一中间输出函数集的每一第一中间输出函数均可以表示为

其中，k表示第k个机械臂关节，N_d表示机械臂关节总数。w_k,i(t)表示在t时间连接第k个机械臂关节的关节参数和第i个机械臂动力学模型输出的权重。其中2N_d个输出包含N_d个作为输入参数的第一输出以及N_d个t时间的第二输出。x_k,i(t)表示与第k个机械臂关节有关的输入参数。第一输出为t前一刻的输出。输入参数由关节参数和第一输出组成。

需说明的是，第一损失函数偏导集中第一损失函数偏导表示p_i,j(t)，t表示第二时间的前一刻。

步骤S330、对于每一第二时间，计算每个机械臂关节的第二模型误差。

示例性的，第二模型误差

其中，nT_c表示判定第一模型误差的检测周期。t1表示第二时间。

步骤S340、根据第二模型误差、第二损失函数偏导集中对应的第二损失函数偏导子集，得到每一第二时间下每个机械臂关节对应的第一更新量集。

需说明的是，第一更新量集中每一第一更新量均为

其中，γ∈[0,1]表示当前时刻的参数更新权值。则第i个机械臂关节的第一更新量集为{Δw_i,j(nTc+t1)}，其中j的取值为1至2N_d。

表示第k个机械臂关节的第二损失函数偏导子集，i的取值为1至N_d，j的取值为1至2N_d。

步骤S350、累计每个机械臂关节在第一单位时间对应的多个所述第一更新量集中的第一更新量，得到每个机械臂关节的模型更新量集。

需说明的是，假设第二时间为(n+1)Tc对应的循环学习周期，则模型更新量集中每个第一更新量为

即表示对第一更新量进行累加计算。此时第i个机械臂关节的模型更新量集为{Δw_i,j}，j的取值为1至2N_d。

对应的，步骤S400中，更新后的模型参数w'_i,j＝w_i,j+Δw_i,j。

因此，通过在每个第二时间内计算每个机械臂关节的第一更新量集，进而通过第一更新量集对机械臂动力学模型进行增量更新，相对于现有的动力学辨识技术中必须根据流程自上往下计算进行更新的方式，本发明实施例的机械臂动力学模型每次迭代计算的空间复杂度更低。

可理解的是，步骤S320包括：获取第二时间的前一时刻下每一机械臂关节对应的模型参数集，其中，若干机械臂关节对应的若干模型参数集表征机械臂动力学模型以在第二时间的输入参数与在第二时间的输出之间的关系；根据每一模型参数集、第一损失函数偏导集中对应的第一损失函数偏导子集，得到与每一机械臂关节对应的第一数值集；根据若干第一数值集、第一中间输出函数集、输入参数，计算得到每一机械臂关节对应的第二损失函数偏导子集；将每一机械臂关节对应的第二损失函数偏导子集组合，得到第二损失函数偏导集。

需说明的是，第二损失函数偏导集表示所有机械臂关节对应的第二损失函数的集合。

需说明的是，第二时间为(n+1)Tc，以N_d为12为例，在一些实施例中，输入参数

其中q_j表示当前时刻的关节参数，

表示前一时刻t的机械臂动力学模型的输出。此时，第二损失函数偏导集中每一机械臂关节的第二损失函数偏导与第一中间输出函数的关系表达式为：

其中，k表示第k个机械臂关节，i,k＝1,2,...,N_d,j＝1,2,...,2N_d。σ′表示激活函数的偏导数。当σ′为双曲正切函数时，σ′＝1-σ²，δ_i,k是一个符号函数，表示如下：

因此，在每个第二时间内，直接利用了上一第二时间的计算过程中的第一中间输出函数集以及第一损失函数偏导集，进而通过简单运算直接求得当前时刻的损失函数关于模型参数的第二损失函数偏导集，不需要在每个第二时间重新对损失函数求导，因而简化了第二损失函数偏导集的计算过程。

可理解的是，参照图2所示，步骤S300还包括：

步骤S360、将第一损失函数偏导集中每一第一损失函数偏导、第一中间输出函数集中每一第一中间输出函数、模型参数集中每一模型参数保存。

因此，在每个第二时间结束后，通过将第一损失函数偏导、第一中间输出函数、模型参数进行少量存储，提供下一第二时间的第一更新量集的计算，从而降低每次迭代计算的空间复杂度且对空间存储要求低，进而提升机械臂动力学模型在线辨识过程的效率。

需说明的是，将机械臂动力学模型参数的第一损失函数偏导、第一中间输出函数、模型参数进行保存，可以提供给下一时刻继续循环学习的执行更新。

需说明的是，步骤S360可以在步骤S320之后的任意一个步骤执行。

可理解的是，步骤S340、根据第二模型误差、第二损失函数偏导集中对应的第二损失函数偏导子集，得到每一第二时间下每个机械臂关节对应的第一更新量集，包括：根据第二模型误差与误差设定值，确定模型更新量集权重值；根据模型更新量集权重值、第二模型误差、第二损失函数偏导集中对应的第二损失函数偏导子集，得到每一第二时间下每个机械臂关节对应的第一更新量集。

需说明的是，对于

中的γ，其在设置初始值后，可以根据第二模型误差进行放大或缩小，如第二误差模型小于误差设定值时，γ缩小2倍；当第二误差模型大于等于误差设定值时，γ放大2倍。此时，能在第二模型误差较小时，相应的模型参数的更新量减少；当第二模型误差较大，相应的模型参数的更新量增大。进而根据第二模型误差大小变化，自适应地改变模型参数的更新量。

因此，通过设置模型更新量集权重值，实现自适应地改变模型参数的更新量。

可理解的是，参照图3所示，在步骤S100前，方法还包括：

步骤S610、基于循环网络模型、建立以双曲正切函数为激活函数的机械臂动力学模型。

步骤S620、将每个机械臂关节的关节参数、前一时刻的机械臂动力学模型的输出的理论力矩参数作为当前时刻机械臂动力学模型的输入参数。

需说明的是，机械臂动力学模型参照如图4所示。其中，图4中，t表示时间变量。N_d表示机械臂关节数。

表示在t时刻的机械臂实际关节力矩，是一个N_d维的向量，可通过力传感器测量得到。

表示在t时刻的机械臂理论力矩，是一个N_d维的向量。

表示在t时刻机械臂关节角度，可通过编码器测量得到。参照图4所示的实施例，t时刻的输入是t时刻的关节角度向量和t-1时刻的理论力矩向量连接得到的新向量

在t时刻的输出，是当前时刻的理论力矩

此时，机械臂动力学模型的输出和机械臂动力学模型的输入之间的数学关系如下式所示：

其中，W(即图4所示的w_i,j)表示所述动力学模型的模型参数，即动力学参数。

是一个N_d×2N_d维的参数矩阵。W与模型输入x(t)的乘积，通过函数映射得到模型输出。函数σ(x)为双曲正切函数。

步骤S630、通过牛顿法对机械臂动力学模型进行训练，得到训练好的机械臂动力学模型以及机械臂动力学模型的模型参数。

需说明的是，牛顿法对机械臂动力学模型进行训练是通过离线参数辨识实现的，即首先设计一条辨识轨迹。然后，控制机械臂跟随辨识轨迹进行运动，在运动过程中采集关节角度和力矩数据。通过这些关节角度、力矩数据输入到机械臂动力学模型中，得到训练好的机械臂动力学模型。

需说明的是，在一些实施例中，损失函数定义为

因此，采用牛顿法作为离线辨识算法，优势是在计算动力学参数的过程中引入了二阶梯度的信息(海森矩阵)。与现有的梯度下降法相比，牛顿法确保机械臂动力学模型的动力学参数的收敛能力，且收敛精度更高。

可理解的是，关节参数为关节角度。

需说明的是，现有技术的动力学模型，需要：关节角度、角速度、角加速度，作为械臂动力学模型的输入。假设机械臂关节的数量为N，现有技术的动力学模型输入大小为3N，而本方案的模型输入为仅为N，输入量仅为现有技术的1/3。

因此，相对于现有技术的动力学模型，本发明实施例采用关节角度计算更为简单，大大减少了输入量，从而降低了模型复杂度。

需说明的是，将当前时刻的关节角度与上一时刻的第一力矩参数，作为机械臂动力学模型的输入，预测当前时刻的第一力矩参数。利用了循环神经网络的特点，将上一时刻的机械臂动力学模型输出，引入到当前时刻的机械臂动力学模型输入进行计算。因此，在使用该模型进行预测时，只需要输入关节角度，就能够预测力矩值。采用关节角度的方式，可以避开传统无法通过传感器直接测量角速度

与角加速度

进而无法得到力矩相关参数的缺点，鲁棒性更高。

可理解为，本发明实施例还提出一种设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时上述机械臂在线动力学辨识的方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

需要说明的是，本实施例中的网络设备，可以应用为如图1所示实施例的网络架构的设备，本实施例中的设备和如图1所示的机械臂在线动力学辨识的方法具有相同的发明构思，因此这些实施例具有相同的实现原理以及技术效果，此处不再详述。

实现上述实施例的信息处理方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的信息处理方法。

可理解为，本发明还提供一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行上述第一机械臂在线动力学辨识的方法。例如，执行以上描述的图1中的方法步骤。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

Claims (10)

1.一种机械臂在线动力学辨识的方法，所述方法包括：

根据预设的机械臂动力学模型，输出用于调整若干机械臂关节的第一力矩参数集；

周期性地检测所述第一力矩参数集与实际测量得到的第二力矩参数集之间的第一模型误差；

当所述第一模型误差大于预设的误差设定值时，在循环学习周期内对每一所述机械臂关节循环学习，得到每一所述机械臂关节的多个模型更新量集；

根据多个所述模型更新量集，在第一时间更新所述机械臂动力学模型并结束所述循环学习周期的循环学习；

在所述第一时间，根据更新后的所述机械臂动力学模型输出的第三力矩参数集，更新所述第一模型误差以根据更新后所述第一模型误差判断是否在下一循环学习周期重新进行循环学习。

2.根据权利要求1所述的方法，其特征在于，所述在循环学习周期内对每一所述机械臂关节循环学习，得到每一所述机械臂关节的多个模型更新量集，包括：

在检测周期内确定所述循环学习周期对应的第一单位时间；

根据所述第一单位时间的每一第二时间的输入参数以及所述第二时间的前一时刻下所述机械臂动力学模型的第一中间输出函数集、第一损失函数偏导集，得到所述第二时间对应的第二损失函数偏导集；

对于每一所述第二时间，计算每个所述机械臂关节的第二模型误差；

根据所述第二模型误差、所述第二损失函数偏导集中对应的第二损失函数偏导子集，得到每一所述第二时间下每个机械臂关节对应的第一更新量集；

累计每个机械臂关节在所述第一单位时间对应的多个所述第一更新量集中的第一更新量，得到每个所述机械臂关节的所述模型更新量集。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一单位时间的每一第二时间的输入参数以及所述第二时间的前一时刻下所述机械臂动力学模型的第一中间输出函数集、第一损失函数偏导集，得到所述第二时间对应的第二损失函数偏导集，包括：

获取所述第二时间的前一时刻下每一所述机械臂关节对应的模型参数集，其中，所述若干机械臂关节对应的若干所述模型参数集表征所述机械臂动力学模型以在第二时间的输入参数与在所述第二时间的输出之间的关系；

根据每一所述模型参数集、所述第一损失函数偏导集中对应的第一损失函数偏导子集，得到与每一所述机械臂关节对应的第一数值集；

根据若干所述第一数值集、所述第一中间输出函数集、所述输入参数，计算得到每一所述机械臂关节对应的第二损失函数偏导子集；

将每一所述机械臂关节对应的第二损失函数偏导子集组合，得到所述第二损失函数偏导集。

4.根据权利要求3所述的方法，其特征在于，所述在循环学习周期内对每一所述机械臂关节循环学习，得到每一所述机械臂关节的多个模型更新量集，还包括：

将所述第一损失函数偏导集中每一第一损失函数偏导、所述第一中间输出函数集中每一第一中间输出函数、所述模型参数集中每一模型参数保存。

5.根据权利要求2所述的方法，其特征在于，所述根据所述第二模型误差、所述第二损失函数偏导集中对应的第二损失函数偏导子集，得到每一所述第二时间下每个机械臂关节对应的第一更新量集，包括：

根据所述第二模型误差与所述误差设定值，确定模型更新量集权重值；

根据所述模型更新量集权重值、所述第二模型误差、所述第二损失函数偏导集中对应的第二损失函数偏导子集，得到每一所述第二时间下每个机械臂关节对应的第一更新量集。

6.根据权利要求1所述的方法，其特征在于，

所述周期性地检测所述第一力矩参数集与实际测量得到的第二力矩参数集之间的第一模型误差，包括：

计算所述第一力矩参数集中每一第一力矩参数与所述第二力矩参数集中对应的第二力矩参数之间差值的绝对值，得到若干第一误差；

计算所述若干第一误差的误差均值；

将所述误差均值作为第一模型误差。

7.根据权利要求1所述的方法，其特征在于，在所述输出用于调整若干机械臂关节的第一力矩参数之前，所述方法还包括：

基于循环网络模型、建立以双曲正切函数为激活函数的机械臂动力学模型；

将每个所述机械臂关节的关节参数、前一时刻的所述机械臂动力学模型的输出的理论力矩参数作为当前时刻所述机械臂动力学模型的输入参数；

通过牛顿法对所述机械臂动力学模型进行训练，得到训练好的所述机械臂动力学模型以及所述机械臂动力学模型的模型参数。

8.根据权利要求7所述的方法，其特征在于，所述关节参数为关节角度。

9.一种设备，包括：存储器、处理器及存储在存储器上并可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计算机程序时如权利要求1至8中任意一项所述的机械臂在线动力学辨识的方法。

10.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行至少如权利要求1至8中任意一项所述的机械臂在线动力学辨识的方法。

Images