CN114800532B - 机械臂控制参数确定方法、装置、设备、介质和机器人 - Google Patents

机械臂控制参数确定方法、装置、设备、介质和机器人 Download PDF

Info

Publication number
CN114800532B
CN114800532B CN202210734902.2A CN202210734902A CN114800532B CN 114800532 B CN114800532 B CN 114800532B CN 202210734902 A CN202210734902 A CN 202210734902A CN 114800532 B CN114800532 B CN 114800532B
Authority
CN
China
Prior art keywords
mechanical arm
time
interaction force
moment
parameter value
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
CN202210734902.2A
Other languages
English (en)
Other versions
CN114800532A (zh
Inventor
李敏
张榆
王家序
张童伟
张加衡
张森
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210734902.2A priority Critical patent/CN114800532B/zh
Publication of CN114800532A publication Critical patent/CN114800532A/zh
Application granted granted Critical
Publication of CN114800532B publication Critical patent/CN114800532B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)

Abstract

本申请涉及机械臂控制参数确定方法、装置、设备、介质和机器人，所述方法包括：获取机械臂在（k‑1）时刻的期望运动参数值、在k时刻与目标对象的实际交互力以及在（k+1）时刻与所述目标对象的期望交互力；构建所述机械臂在k时刻的期望运动参数值和所述机械臂在k时刻与所述目标对象的实际交互力的线性模型；迭代调整所述线性模型中的时变系统参数，直至所述机械臂在（k+1）时刻的期望交互力与所述机械臂在k时刻的实际交互力的交互力差值小于预设偏差阈值，并获取完成迭代调整时所述时变系统参数的参数值；基于所述机械臂在（k‑1）时刻的期望运动参数值、所述交互力差值以及所述参数值，确定所述机械臂在k时刻的期望运动参数值。

Description

机械臂控制参数确定方法、装置、设备、介质和机器人
技术领域
本申请涉及机器人控制技术领域，尤其涉及一种机械臂控制参数确定方法、装置、设备、介质和机器人。
背景技术
随着机器人技术的发展，机器人的应用领域、应用场景也越来越广泛、越来越复杂，面临的工作任务也不再局限于单纯的位置控制。例如移乘护理、装配作业、康复治疗等机器人越来越强调与环境的交互性能，机器人在这类受限环境中的运动，需要加入力控制保证机器人的柔顺性，使其满足与环境的交互要求。
相关技术中，机械臂柔顺控制主要包括PID力控制、力位混合控制、阻抗控制。PID力控制也称为显式力控制，不需要对机器人进行动力学建模，将期望力与实际力误差及其微分作为控制输入，即可实现目标力指令的跟踪。但对于移乘护理机器人、四足机器人、装配、打磨机器人等这类面向非线性环境，与环境接触要考虑能量损失的机器人时，上述柔顺控制方法无法对交互力进行准确跟踪，也不能实现安全、可靠的人机交互。
因此相关技术中亟需一种准确度较高适用范围较广泛的机械臂控制参数确定方法。
发明内容
本申请实施例提供了一种机械臂控制参数确定方法、装置、设备、介质和机器人，以至少解决相关技术中无法对接触力进行准确跟踪的问题以及未知环境下无法对接触力进行实时高精度建模的问题。
本申请第一方面提供了一种机械臂控制参数确定方法，所述方法包括：
获取机械臂在（k-1）时刻的期望运动参数值、在k时刻与目标对象的实际交互力以及在（k+1）时刻与所述目标对象的期望交互力；
构建所述机械臂在k时刻的期望运动参数值和所述机械臂在k时刻与所述目标对象的实际交互力的线性模型，所述线性模型包括随时间变化的时变系统参数；
迭代调整所述线性模型中的时变系统参数，直至所述机械臂在（k+1）时刻的期望交互力与所述机械臂在k时刻的实际交互力的交互力差值小于预设偏差阈值，并获取完成迭代调整时所述时变系统参数的参数值；
基于所述机械臂在（k-1）时刻的期望运动参数值、所述交互力差值以及所述时变系统参数的参数值，确定所述机械臂在k时刻的期望运动参数值。
本申请实施例提供的机械臂控制参数确定方法，可以在所述机械臂101与所述目标对象交互的非线性模型满足转换条件的情况下，可以将复杂的多变量强耦合的非线性系统转换成线性模型，不需要确定所述非线性模型中的各种参数，节省了计算资源。另外，由于所述线性模型更容易收敛，从而提高了所述线性模型的鲁棒性和自适应性。在确定所述线性模型后，可以根据所述机械臂在（k-1）时刻的期望运动参数值、所述交互力差值以及所述时变系统参数的参数值，确定所述机械臂在k时刻的期望运动参数值。这样可以将所述机械臂的力跟踪问题转换成期望位置、期望速度更新问题，从而提高了控制所述机械臂101的控制速度和效率。
可选的，在本申请的一个实施例中，在所述确定所述机械臂在k时刻的期望运动参数值之后，所述方法还包括：
根据所述期望运动参数值，确定对所述机械臂的控制力。
可选的，在本申请的一个实施例中，所述构建所述机械臂在k时刻的期望运动参数值和所述机械臂在k时刻与所述目标对象的实际交互力的线性模型，所述线性模型包括时变系统参数，包括：
构建所述机械臂在k时刻的期望运动参数值和所述机械臂在（k-1）时刻与所述目标对象的实际交互力的非线性模型；
在所述机械臂在k时刻的期望运动参数值和所述机械臂在（k-1）时刻的期望运动参数值之间的位移偏差小于预设位移偏差阈值，且所述机械臂在k时刻的实际交互力和在（k-1）时刻的实际交互力之间的交互力偏差小于预设交互力偏差阈值的情况下，将所述非线性模型转换成所述机械臂在k时刻的期望运动参数值和所述机械臂在k时刻与所述目标对象的实际交互力的线性模型，所述线性模型包括时变系统参数。
可选的，在本申请的一个实施例中，所述根据所述期望运动参数值，确定对所述机械臂的控制力，包括：
根据所述期望运动参数值，确定所述机械臂的运动轨迹；
确定所述运动轨迹与所述机械臂实时的实际位移的位移偏差；
根据所述运动轨迹和所述位移偏差，确定对所述机械臂的控制力。
可选的，在本申请的一个实施例中，所述线性模型还包括比例参数，所述比例参数用于确定所述时变系统参数的比例值，所述迭代调整所述线性模型中的时变系统参数，包括：
迭代调整所述线性模型中的时变系统参数和所述比例参数，其中，所述比例参数根据所述机械臂在多个历史时刻的累计交互力偏差及所述比例参数的初始值确定，所述累计交互力偏差包括所述机械臂分别在相邻两个所述历史时刻之间的实际交互力偏差的累计值。
可选的，在本申请的一个实施例中，所述线性模型还包括权重参数，所述权重参数用于调整所述机械臂在k时刻的期望运动参数值与所述机械臂在（k-1）时刻的期望运动参数值之间的位移偏差的权重值，所述迭代调整所述线性模型中的时变系统参数，包括：
迭代调整所述线性模型中的时变系统参数和权重参数，其中，所述权重参数根据所述机械臂在多个历史时刻的累计交互力偏差及所述权重参数的初始值确定，所述累计交互力偏差包括所述机械臂分别在相邻两个所述历史时刻之间的实际交互力偏差的累计值。
本申请第二方面还提供一种机械臂控制参数确定装置，所述装置包括：
获取模块，用于获取机械臂在（k-1）时刻的期望运动参数值、在k时刻与目标对象的实际交互力以及在（k+1）时刻与所述目标对象的期望交互力；
构建线性模型模块，用于构建所述机械臂在k时刻和所述目标对象的实际交互力和所述机械臂在k时刻的期望运动参数值的线性模型，所述线性模型包括随时间变化的时变系统参数；
迭代调整模块，用于迭代调整所述线性模型中的时变系统参数，直至所述机械臂在（k+1）时刻的期望交互力与所述机械臂在k时刻的实际交互力的交互力差值小于预设偏差阈值，并获取完成迭代调整时所述时变系统参数的参数值；
确定模块，用于基于所述机械臂在（k-1）时刻的期望运动参数值、所述交互力差值以及所述时变系统参数的参数值，确定所述机械臂在k时刻的期望运动参数值。
本申请第三方面还提供一种机器人，包括机械臂、处理器以及用于存储处理器可执行指令的存储器，其中，所述处理器用于被配置为执行所述指令时实现上述各个实施例所述的方法，所述处理器与所述机械臂耦合，用于确定对所述机械臂的控制力。
本申请第四方面还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述各个实施例所述的方法。
本申请第五方面还提供一种非易失性计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述各个实施例所述的方法。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请一实施例提供的应用场景示意图；
图2是本申请一实施例提供的机械臂控制参数确定方法的方法流程图；
图3是本申请实施例提供的移乘护理机器人抱人的示意图；
图4是本申请实施例提供的机械臂控制流程示意图；
图5是本申请实施例提供的机械臂控制参数确定装置103的模块结构示意图；
图6是本申请实施例提供的电子设备600的模块结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
为了清楚地示出本申请各个实施例的技术方案，下面通过图1对本申请实施例的其中一个示例性场景进行说明。
本申请提供的一种机械臂控制参数确定方法，可以应用于如图1所示的机器人系统中，该系统包括机械臂101以及机械臂控制参数确定装置103。其中，所述机械臂控制参数确定装置103可以与所述机械臂101进行通信，以将确定的控制参数发送至所述机械臂101，使得所述机械臂101可以按照所述控制参数对目标对象进行作用。其中，所述控制参数可以包括所述机械臂在k时刻的期望运动参数值以及对所述机械臂的控制力。所述机械臂控制参数确定装置103可以是具有数据处理能力和数据收发能力的电子设备，例如可以是服务器或者服务器集群等等。除了电子设备，所述机械臂控制参数确定装置103还可以包括非易失性计算机可读存储介质、计算机程序产品、芯片等多种形态。作为非易失性计算机可读存储介质、计算机程序产品、芯片，所述机械臂控制参数确定装置103可以耦合于所述机械臂101的内部，使得所述机械臂101具备确定机械臂控制参数的功能。
下面结合附图对本申请所述的机械臂控制参数确定方法进行详细的说明。图2是本申请提供的机械臂控制参数确定方法的一种实施例的流程示意图。虽然本申请提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述方法在实际中的机械臂控制参数确定过程中或者方法执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行（例如并行处理器或者多线程处理的环境）。
具体的，本申请提供的机械臂控制参数确定方法的一种实施例如图2所示，所述方法可以包括：
S201：获取机械臂在（k-1）时刻的期望运动参数值、在k时刻与目标对象的实际交互力以及在（k+1）时刻与所述目标对象的期望交互力。
本申请实施例中，所述目标对象可以是所述机械臂101作用的目标对象。例如，在所述机械臂101为移乘护理机器人的机械臂的情况下，所述目标对象可以是人或者动物。在所述机械臂101为装配作业机器人的机械臂的情况下，所述目标对象可以是货物、墙面、桌子等等。在本申请的一个实施例中，可以利用预先设置在所述机械臂101上的力传感器采集并获取所述机械臂101在k时刻与所述目标对象的实际交互力。所述实际交互力可以是所述机械臂101与所述目标对象之间的相互作用力，即所述机械臂101实际受到的外力。其中，所述力传感器可以是三维力传感器、六维力传感器等等。所述力传感器的数量和位置可以根据实际情况的具体需求确定。例如，可以在所述机械臂101的末端位置上可以设置多个所述力传感器，从而可以获取更加准确的实际交互力。在本申请的一个实施例中，所述机械臂101与所述目标对象的期望交互力可以根据所述机械臂101与所述目标对象的交互目的以及交互情况确定，也可以根据理论数据计算得到。所述期望运动参数值可以包括期望位置的参数值以及期望速度的参数值。具体的，对于控制所述机械臂101来说，控制的主要目的是要控制所述机械臂101的作用位置和作用速度。这时希望所述机械臂101所达到的位置称为所述期望位置，希望所述机械臂101作用的速度称为所述期望速度。其中，所述期望位置可以从所述机械臂101的任务空间中获取，也可以通过逆运动学关系计算得到。所述期望位置可以用笛卡尔坐标系表示，可以是二维的，也可以是三维的。例如所述机械臂101在k时刻的期望位置为（x，y，z）。在本申请的一个实施例中，可以基于所述期望位置对时间t进行差分或者求导即可得到对应的期望速度。
S203：构建所述机械臂在k时刻的期望运动参数值和所述机械臂在k时刻与所述目标对象的实际交互力的线性模型，所述线性模型包括随时间变化的时变系统参数。
本申请实施例中，可以构建所述机械臂101在k时刻的期望运动参数值和所述机械臂101在k时刻与所述目标对象的实际交互力的线性模型。所述线性模型可以用下述方程式表达：
Figure DEST_PATH_IMAGE001
其中，所述
Figure DEST_PATH_IMAGE002
，所述
Figure DEST_PATH_IMAGE003
，所述
Figure DEST_PATH_IMAGE004
可以用于表示相邻时刻的期望运动参数值的差值，例如可以表示k时刻的期望运动参数值u (k)与k-1时刻的期望运动参数值u(k-1)的差值。其中，所述期望运动参数值的差值可以包 括相邻时刻所述期望位置参数值的位置差值以及所述期望速度参数值的速度差值。所述
Figure DEST_PATH_IMAGE005
可以用于表示相邻时刻的实际交互力的差值，例如可以表示所述机械臂101在（k +1）时刻的实际交互力y(k+1)与k时刻的实际交互力y(k)的差值。所述
Figure DEST_PATH_IMAGE006
可以用于表示 所述时变系统参数。其中，所述时变系统参数可以随时间的变化更新其数值，所述时变系统 参数的参数值与所述线性模型的输入信息u(k)以及输出信息y(k)有关。在本申请的一个实 施例中，所述线性模型一般由非线性模型转换得到，而在转换过程中，需要判断所述非线性 模型是否满足转换条件。具体的，所述构建所述机械臂在k时刻的期望运动参数值和所述机 械臂在k时刻与所述目标对象的实际交互力的线性模型，所述线性模型包括时变系统参数， 可以包括：
S301：构建所述机械臂在k时刻的期望运动参数值和所述机械臂在（k-1）时刻与所述目标对象的实际交互力的非线性模型；
S303：在所述机械臂在k时刻的期望运动参数值和所述机械臂在（k-1）时刻的期望运动参数值之间的位移偏差小于预设位移偏差阈值，且所述机械臂101在k时刻的实际交互力和在（k-1）时刻的实际交互力之间的交互力偏差小于预设交互力偏差阈值的情况下，将所述非线性模型转换成所述机械臂101在k时刻的期望运动参数值和所述机械臂101在k时刻与所述目标对象的实际交互力的线性模型，所述线性模型包括时变系统参数。
在实际的应用中，可以利用非线性模型表征所述机械臂101与所述目标对象的交互作用。具体的，所述非线性模型可以利用下述方程式表达：
Figure DEST_PATH_IMAGE007
其中，所述非线性模型在k时刻的输入可以为所述机械臂101的期望运动参数值u(k)。所述非线性模型的输出可以为所述机械臂101在（k+1）时刻与所述目标对象的实际交互力y（k+1）。所述n y 可以用于表示未知的模型阶数，所述n u 可以用于表示未知的模型阶数；所述f(···)是未知的非线性函数。由于在通过所述非线性模型确定所述期望运动参数值的过程，需要确定非线性函数的结构以及模型阶数，过程比较复杂且运算量较大。因此，本申请实施例中，可以将所述非线性模型进行等价线性转换形成线性模型，保证转换前后输入信息和输出信息不变，从而提高了确定期望运动参数值的速度以及效率。在将所述非线性模型转换成线性模型之前，需要判断所述非线性模型的输入和输出是否满足预设条件。其中，所述预设条件可以包括相邻时刻的期望运动参数值的位移偏差小于预设位移偏差阈值以及实际交互力的交互力偏差小于预设交互力偏差。例如所述机械臂101在k时刻的期望运动参数值和所述机械臂101在（k-1）时刻的期望运动参数值的位移偏差小于预设位移偏差阈值。其中，所述预设位移偏差阈值可以基于理论计算得到，也可以根据所述机械臂101与所述目标对象交互的具体情况确定。此外，所述预设条件还可以包括所述机械臂101在k时刻的实际交互力和所述机械臂101在（k-1）时刻的实际交互力的交互力差值小于预设交互力偏差。所述预设交互力偏差可以根据所述机械臂101与所述目标对象的交互力情况确定，也可以由用户根据实际的应用需求确定。需要说明的是，在将上述非线性模型转换成所述线性模型的情况下，所述机械臂101与所述目标对象交互系统的非线性由所述时变系统参数决定。
通过上述实施例，可以通过判断所述非线性模型的输入输出信息是否满足要求，以此确定所述非线性模型是否可以转换成线性模型，从而保证了后续确定期望运动参数值的准确性。
S205：迭代调整所述线性模型中的时变系统参数，直至所述机械臂在（k+1）时刻的期望交互力与所述机械臂在k时刻的实际交互力的交互力差值小于预设偏差阈值，并获取完成迭代调整时所述时变系统参数的参数值。
本申请实施例中，为了使得所述线性模型可以更加准确地代替所述非线性模型，需要对所述时变系统参数进行迭代调整。在本申请的一个实施例中，可以根据随时间变化的所述交互力差值，迭代调整所述时变系统参数。由于本申请各个实施例所述的方法其主要目的在于使得所述机械臂101的实际交互力跟踪期望交互力，因此所述迭代调整的目的在于使得所述机械臂101在（k+1）时刻的期望交互力与所述机械臂101在k时刻的实际交互力的交互力差值小于预设偏差阈值。在完成所述迭代调整后，可以获得此时所述时变系统参数的参数值。在本申请的一个实施例中，也可以根据参数估计准则函数确定所述时变系统参数的参数值。具体的，所述参数估计准则函数可以为：
Figure DEST_PATH_IMAGE008
其中，所述
Figure DEST_PATH_IMAGE009
可以用于表示
Figure DEST_PATH_IMAGE010
的数值。所述µ可以为权重因子，其数值 大于零。所述权重因子主要用于限制所述时变系统参数的变化量。在本申请的一个实施例 中，为了提高运算速度以及计算效率，可以将
Figure DEST_PATH_IMAGE011
作为
Figure DEST_PATH_IMAGE012
的估计值。具体的，将所述 参数估计准则函数极小化，并使用改进的投影估计算法，可以确定所述
Figure DEST_PATH_IMAGE013
的参数值。 所述参数值如下式所示：
Figure DEST_PATH_IMAGE014
Figure DEST_PATH_IMAGE015
其中，所述
Figure DEST_PATH_IMAGE016
是步长因子，所述
Figure 251568DEST_PATH_IMAGE009
可以用于表示所述时变系统参
Figure DEST_PATH_IMAGE017
的估计值。需要说明的是，在本申请的一个实施例中，为了保证所述
Figure DEST_PATH_IMAGE018
的参数值 不为0或者不为负数，以此保证所述线性模型的稳定性，可以利用
Figure DEST_PATH_IMAGE019
重置算法对所述
Figure 840812DEST_PATH_IMAGE019
进行如下处理：在所述
Figure DEST_PATH_IMAGE020
或者在i=1、2，
Figure DEST_PATH_IMAGE021
的 情况下，
Figure DEST_PATH_IMAGE022
。
其中，
Figure DEST_PATH_IMAGE023
是
Figure DEST_PATH_IMAGE024
的初值，sign(·)为符号函数。所述机械臂101在（k+1）时刻 的期望交互力可以用y*（k+1）表示，此时，所述线性模型的输入信息u(k)可以表示为：
Figure DEST_PATH_IMAGE025
S207：基于所述机械臂在（k-1）时刻的期望运动参数值、所述交互力差值以及所述时变系统参数的参数值，确定所述机械臂在k时刻的期望运动参数值。
本申请实施例中，在确定所述线性模型后，可以根据所述机械臂101在k时刻的期望运动参数值、所述交互力差值以及所述时变系统参数的参数值，确定所述机械臂101在k时刻的期望运动参数值。在本申请的一个实施例中，为了使得所述非线性模型被所述线性模型合理地代替，需要控制所述非线性模型的输入变化量。具体的，可以利用控制输入准则函数限制所述输入变化量。所述控制输入准则函数可以利用下述表达式表示：
Figure DEST_PATH_IMAGE026
其中，所述λ为权重参数，可以用于表示所
Figure DEST_PATH_IMAGE027
的权重系数。也就 是说，所述λ可以用于调节所述
Figure DEST_PATH_IMAGE028
即输入变化量在所述控制输入准则 函数中的占比。所述y*(k+1)可以用于表示（k+1）时刻所述机械臂101的期望交互力。在本申 请的一个实施例中，根据所述控制输入准则函数以及所述线性模型，可以确定k时刻所述机 械臂101的期望运动参数值如下所示：
Figure DEST_PATH_IMAGE029
其中，所述ρ为比例参数，可以用于调节所述时变系统参数的比例值。由此可见，所 述机械臂101在k时刻的期望运动参数值u(k)可以根据所述机械臂101在（k-1）时刻的期望 运动参数值u(k-1)、所述时变系统参数的参数值
Figure DEST_PATH_IMAGE030
以及所述交互力差值y*(k+1)-y(k) 确定。
本申请实施例提供的机械臂控制参数确定方法，可以在所述机械臂101与所述目标对象交互的非线性模型满足转换条件的情况下，可以将复杂的多变量强耦合的非线性系统转换成线性模型，不需要确定所述非线性中的各种参数，节省了计算资源。另外，由于所述线性模型更容易收敛，从而提高了所述线性模型的鲁棒性和自适应性。在确定所述线性模型后，可以根据所述机械臂101在（k-1）时刻的期望运动参数值、所述交互力差值以及所述时变系统参数的参数值，确定所述机械臂101在k时刻的期望运动参数值。这样可以将所述机械臂101的力跟踪问题转换成期望位置、期望速度更新问题，从而提高了控制所述机械臂101的控制速度和效率。
在实际的应用中，由于所述机械臂101作用的目标对象是多样化的，因此不同的目标对象在不同的时刻的期望运动参数值不同。为了提高所述线性模型的准确性，需要根据时间的变化对所述比例参数进行迭代调整，实时更新所述比例参数的参数值，使得所述线性模型可以适用于各种情况。具体的，在本申请的一个实施例中，所述线性模型还包括比例参数，所述比例参数用于确定所述时变系统参数的比例值，所述迭代调整所述线性模型中的时变系统参数，包括：
S401：迭代调整所述线性模型中的时变系统参数和所述比例参数，其中，所述比例参数根据所述机械臂在多个历史时刻的累计交互力偏差及所述比例参数的初始值确定，所述累计交互力偏差包括所述机械臂分别在相邻两个所述历史时刻之间的实际交互力偏差的累计值。
本申请实施例中，所述比例参数可以用于确定所述时变系统参数的比例值。由于实际的一些因素，所述机械臂101在不同时刻的实际交互力和期望交互力存在一定的误差。这样会造成时变系统参数在不同的时刻下，其参数值并不相同。因此，需要根据时间的变化，迭代调整所述时变系统参数和所述比例参数，直至所述机械臂101在（k+1）时刻的期望交互力与所述机械臂101在k时刻的实际交互力的交互力差值小于预设偏差阈值。具体的，在本申请的一个实施例中，可以所述机械臂101在多个历史时刻的累计交互力偏差及所述比例参数的初始值确定所述比例参数。其中，所述比例参数的初始值可以基于所述机械臂101与所述目标对象的交互情况计算得到，也可以由用户自行设置。例如，在一个实例中，所述机械臂101在（k-2）时刻的实际交互力与期望交互力的交互力差值为e(k-2)，所述机械臂101在（k-1）时刻的实际交互力与期望交互力的交互力差值为e(k-1)，所述机械臂101在k时刻的实际交互力与期望交互力的交互力差值为e(k)，则所述比例参数的初始值为ρinit，则在k时刻的所述比例参数为：
Figure DEST_PATH_IMAGE031
其中，所述kp、所述ki、所述kd可以是常量，例如可以是用户设定的常量。需要说明的是，上述确定所述比例参数的参数值的方式仅是示意性的，本示例性实施方式中对此不做特殊限定。
通过上述实施例，可以迭代调整所述比例参数使得所述线性模型的适用范围更广泛，更具有一般性，从而提高了线性模型的鲁棒性。
当然，通过上述实施例可知，所述线性模型还可以包括权重参数，所述权重参数可以用来限制所述输入变化量的大小，使得所述线性模型的输入变化量是有界的。由于所述输入变化量是随着时间变化的，例如在（k-1）时刻的输入变化量与在k时刻的输入变化量是不同的。因此，需要根据时间的变化迭代调整所述权重参数，使得所述线性模型更加符合实际的应用情况。具体的，在本申请的一个实施例中，所述线性模型还包括权重参数，所述权重参数用于调整所述机械臂在k时刻的期望运动参数值与所述机械臂在（k-1）时刻的期望运动参数值之间的位移偏差的权重值，所述迭代调整所述线性模型中的时变系统参数，可以包括：
S501：迭代调整所述线性模型中的时变系统参数和权重参数，其中，所述权重参数根据所述机械臂在多个历史时刻的累计交互力偏差及所述权重参数的初始值确定，所述累计交互力偏差包括所述机械臂分别在相邻两个所述历史时刻之间的实际交互力偏差的累计值。
本申请实施例中，所述权重参数可以用来确定所述线性模型输入变化量如
Figure DEST_PATH_IMAGE032
的 权重系数。所述比例参数可以用于确定所述时变系统参数的比例值。由于所述机械臂101在 实际作业时，作用位置是不断变化的，因此所述机械臂101在不同的时刻其期望运动参数值 不同。为了保护所述机械臂101作用的目标对象不受伤害，需要限制所述机械臂101在相邻 时刻的期望运动参数值的位移偏差满足要求。基于此，在本申请的一个实施例中，可以通过 所述权重系数调整所述位移偏差。具体的，可以根据时间的变化，迭代调整所述时变系统参 数和所述权重参数，直至所述机械臂101在（k+1）时刻的期望交互力与所述机械臂101在k时 刻的实际交互力的交互力差值小于预设偏差阈值。在本申请的一个实施例中，可以所述机 械臂101在多个历史时刻的累计交互力偏差及所述权重参数的初始值确定所述比例参数。 其中，所述比例参数的初始值可以基于所述机械臂101与所述目标对象的交互情况计算得 到，也可以由用户自行设置。例如，在一个实例中，所述机械臂101在（k-2）时刻的实际交互 力与期望交互力的交互力差值为e(k-2)，所述机械臂101在（k-1）时刻的实际交互力与期望 交互力的交互力差值为e(k-1)，所述机械臂101在k时刻的实际交互力与期望交互力的交互 力差值为e(k)，则所述比例参数的初始值为λinit，则在k时刻的所述比例参数为：
Figure DEST_PATH_IMAGE033
其中，所述kp、所述ki、所述kd可以是常量，例如可以是用户设定的常量。需要说明的是，上述确定所述权重参数的参数值的方式仅是示意性的，本示例性实施方式中对此不做特殊限定。
通过上述实施例，可以通过迭代调整所述权重参数，限制所述线性模型的输入变化量，使得所述机械臂101前一时刻的位移与下一时刻的位移相差不多，从而保证了所述机械臂101作用的目标对象的安全性和舒适性。
在确定所述机械臂101在k时刻的期望运动参数值后，可以根据控制力与期望运动参数值的映射关系，确定所述机械臂101的控制力。具体的，在本申请的一个实施例中，在所述确定所述机械臂在k时刻的期望运动参数值之后，所述方法还可以包括：
S601：根据所述期望运动参数值，确定对所述机械臂的控制力。
本申请实施例中，在确定所述机械臂101的期望运动参数值之后，可以根据所述期望运动参数值确定对所述机械臂101的控制力。所述控制力可以控制所述机械臂101对所述目标对象进行交互。例如在所述机械臂101为写字机器人的机械臂的情况下，所述控制力可以控制所述机械臂101进行写字，并可以根据所述控制力的大小控制所述机械臂101的出力大小以实现笔画的轻重。在本申请的一个实施例中，可以根据所述期望运动参数值和所述控制力之间的映射关系，确定所述控制力，当然也可以基于理论模型计算得到所述机械臂101的控制力，本申请在此不做限制。具体的，在本申请的一个实施例中，可以建立所述机械臂101的阻抗控制模型，所述阻抗控制模型可以将所述机械臂101等效为弹簧阻尼系统，模拟二阶系统的机械特性。通过调节惯性参数、阻尼参数、刚度参数，建立所述控制力与所述期望运动参数值的映射关系，从而可以调节所述机械臂101与所述目标对象之间的动态响应。具体的，在本申请的一个实施例中，所述阻抗控制模型如下所示：
Figure DEST_PATH_IMAGE034
其中，所述M d 、所述B d 以及所述K d 分别为所述阻抗模型的惯性系数、阻尼系数和刚 度系数。以移乘护理机器人为例，如图3所示，将移乘护理机器人的机械臂101重心作为机械 臂末端，所述
Figure DEST_PATH_IMAGE035
、
Figure DEST_PATH_IMAGE036
、x分别为所述移乘护理机器人与所述目标对象301交互时，所述机械臂 末端重心沿人体垂直方向的实际加速度、实际速度和实际位移。所述
Figure DEST_PATH_IMAGE037
、
Figure DEST_PATH_IMAGE038
、x r 分别为所述 移乘护理机器人与所述目标对象301交互时，所述机械臂末端重心沿人体垂直方向的期望 加速度、期望速度和期望运动参数值。所述Fe可以用于表示所述机械臂101与所述目标对象 301之间的实际交互力。在建立所述阻抗控制模后，可以根据所述实际交互力，调整所述期 望运动参数值，并根据调整后的期望运动参数值确定对应的所述机械臂101的控制力。具体 的，在本申请的一个实施例中，所述根据所述期望运动参数值，确定对所述机械臂的控制 力，可以包括：
S701：根据所述期望运动参数值，确定所述机械臂的运动轨迹；
S703：确定所述运动轨迹与所述机械臂实时的实际位移的位移偏差；
S705：根据所述运动轨迹和所述位移偏差，确定对所述机械臂的控制力。
本申请实施例中，在建立所述阻抗控制模型后，可以根据所述机械臂101的期望运动参数值，确定所述机械臂101的运动轨迹。在本申请的一个实施例中，可以根据所述机械臂101与所述目标对象301之间的实际交互力，实时调整所述期望运动参数值形成所述运动轨迹，使得所述实际交互力跟踪所述期望交互力。所述运动轨迹可以包括调整后的期望位置和期望速度。在确定所述运动轨迹后，可以根据所述运动轨迹与所述机械臂101实时的实际位移的位移偏差以及所述运动轨迹，确定对所述机械臂101的控制力。在本申请的一个实施例中，为了更加清楚的说明确定对所述机械臂101的控制力的过程，下面以一个具体的实施例进行说明。在本申请的一个实施例中，如图4所示，所述机械臂控制参数确定装置103可以与阻抗控制器401的输入端连接，以将确定的所述期望运动参数值发送至所述阻抗控制器401，所述阻抗控制器401可以建立所述阻抗控制模型，并基于此对所述期望运动参数值进行修正，确定所述机械臂101的运动轨迹。需要说明的是，可以将所述阻抗控制器401的阻抗控制设置为力外环控制，这样所述阻抗控制器401能够根据不同阶段对阻抗参数的不同要求，实时调整阻抗参数，从而在减小冲击力的同时保证了过渡过程的稳定性。所述阻抗控制器401的输出端与滑模控制器403连接，以将所述运动轨迹发送至所述滑模控制器403，由所述滑模控制器403确定对所述机械臂101的控制力。在确定对所述机械臂101的控制力后，所述机械臂101可以按照确定的控制力对所述目标对象301进行作用，其实际作用力可以发送至所述机械臂控制参数确定装置103中。所述滑模控制器403的滑模函数可以为s(t)=ce(t)+e’(t)，其中，c＞0且满足Hurwitz条件，所述e(t)=xc(t)-x(t)。所述滑模控制器的控制率可以为：
Figure DEST_PATH_IMAGE039
其中，所述ε＞0。另外，在本申请的一个实施例中，可以将所述滑模控制器403的滑模控制设置为位置内环控制，这样能够有效地增强系统的鲁棒性。通过上述实施例，可以根据所述线性模型确定的期望运动参数值，确定对所述机械臂101的控制力，不仅有利于提高对所述机械臂101的控制精度，简化了所述机械臂101的控制复杂程度，同时也有利于提高所述机械臂101的柔顺性和安全性，有助于增强其在人机交互方面的应用。
本申请另一方面还提供一种机械臂控制参数确定装置103，如图5所示，所述装置可以包括：
获取模块501，用于获取机械臂在（k-1）时刻的期望运动参数值、在k时刻与目标对象的实际交互力以及在（k+1）时刻与所述目标对象的期望交互力；
构建线性模型模块503，用于构建所述机械臂在k时刻和所述目标对象的实际交互力和所述机械臂在k时刻的期望运动参数值的线性模型，所述线性模型包括随时间变化的时变系统参数；
迭代调整模块505，用于迭代调整所述线性模型中的时变系统参数，直至所述机械臂在（k+1）时刻的期望交互力与所述机械臂在k时刻的实际交互力的交互力差值小于预设偏差阈值，并获取完成迭代调整时所述时变系统参数的参数值；
确定模块507，用于基于所述机械臂在（k-1）时刻的期望运动参数值、所述交互力差值以及所述时变系统参数的参数值，确定所述机械臂在k时刻的期望运动参数值。
可选的，在本申请的一个实施例中，在所述确定所述机械臂在k时刻的期望运动参数值之后，所述装置还包括：
根据所述期望运动参数值，确定对所述机械臂的控制力。
可选的，在本申请的一个实施例中，所述构建所述机械臂在k时刻的期望运动参数值和所述机械臂在k时刻与所述目标对象的实际交互力的线性模型，所述线性模型包括时变系统参数，包括：
构建所述机械臂在k时刻的期望运动参数值和所述机械臂在（k-1）时刻与所述目标对象的实际交互力的非线性模型；
在所述机械臂在k时刻的期望运动参数值和所述机械臂在（k-1）时刻的期望运动参数值之间的位移偏差小于预设位移偏差阈值，且所述机械臂在k时刻的实际交互力和在（k-1）时刻的实际交互力之间的交互力偏差小于预设交互力偏差阈值的情况下，将所述非线性模型转换成所述机械臂在k时刻的期望运动参数值和所述机械臂在k时刻与所述目标对象的实际交互力的线性模型，所述线性模型包括时变系统参数。
可选的，在本申请的一个实施例中，所述根据所述期望运动参数值，确定对所述机械臂的控制力，包括：
根据所述期望运动参数值，确定所述机械臂的运动轨迹；
确定所述运动轨迹与所述机械臂实时的实际位移的位移偏差；
根据所述运动轨迹和所述位移偏差，确定对所述机械臂的控制力。
可选的，在本申请的一个实施例中，所述线性模型还包括比例参数，所述比例参数用于确定所述时变系统参数的比例值，所述迭代调整所述线性模型中的时变系统参数，包括：
迭代调整所述线性模型中的时变系统参数和所述比例参数，其中，所述比例参数根据所述机械臂在多个历史时刻的累计交互力偏差及所述比例参数的初始值确定，所述累计交互力偏差包括所述机械臂分别在相邻两个所述历史时刻之间的实际交互力偏差的累计值。
可选的，在本申请的一个实施例中，所述线性模型还包括权重参数，所述权重参数用于调整所述机械臂在k时刻的期望运动参数值与所述机械臂在（k-1）时刻的期望运动参数值之间的位移偏差的权重值，所述迭代调整所述线性模型中的时变系统参数，包括：
迭代调整所述线性模型中的时变系统参数和权重参数，其中，所述权重参数根据所述机械臂在多个历史时刻的累计交互力偏差及所述权重参数的初始值确定，所述累计交互力偏差包括所述机械臂分别在相邻两个所述历史时刻之间的实际交互力偏差的累计值。
另外需说明的是，以上所描述的实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
本申请另一方面还提供一种机器人，包括机械臂、处理器以及用于存储处理器可执行指令的存储器，其中，所述处理器用于被配置为执行所述指令时实现上述各个实施例所述的方法，所述处理器与所述机械臂耦合，用于确定对所述机械臂的控制力。
如图6所示，本申请的实施例还提供了一种电子设备600，该电子设备600包括：处理器以及用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令时实现上述方法。电子设备600包括存储器601、处理器603、总线605和通信接口607。存储器601、处理器603和通信接口607之间通过总线605通信。总线605可以是外设部件互连标准（peripheral component interconnect，PCI）总线或扩展工业标准结构（extendedindustry standard architecture，EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口607用于与外部通信。其中，处理器603可以为中央处理器(centralprocessing unit，CPU)。存储器601可以包括易失性存储器(volatile memory)，例如随机存取存储器(random access memory，RAM)。存储器601还可以包括非易失性存储器(non-volatile memory)，例如只读存储器(read-only memory，ROM)，快闪存储器，HDD或SSD。存储器601中存储有可执行代码，处理器603执行该可执行代码以执行前述机械臂控制参数确定方法。
本申请的实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述机械臂控制参数确定方法。
应该理解，这里描述的布置仅仅是用于示例的目的。因而，本领域技术人员将理解，其它布置和其它元素(例如，机器、接口、功能、顺序、和功能组等等)能够被取而代之地使用，并且一些元素可以根据所期望的结果而一并省略。另外，所描述的元素中的许多是可以被实现为离散的或者分布式的组件的、或者以任何适当的组合和位置来结合其它组件实施的功能实体。附图中的流程图和框图显示了根据本申请的多个实施例的装置、系统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，可以用执行相应的功能或动作的硬件（例如电路或ASIC（Application SpecificIntegrated Circuit，专用集成电路））来实现，或者可以用硬件和软件的组合，如固件等来实现。
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其它变化。单个处理器或其它单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
以上已经描述了本申请的各实施例，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的改进，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。

Claims (9)

1.一种机械臂控制参数确定方法，其特征在于，所述方法包括：
获取机械臂在（k-1）时刻的期望运动参数值、在k时刻与目标对象的实际交互力以及在（k+1）时刻与所述目标对象的期望交互力；
构建所述机械臂在k时刻的期望运动参数值和所述机械臂在k时刻与所述目标对象的实际交互力的线性模型，所述线性模型包括随时间变化的时变系统参数，包括：
构建所述机械臂在k时刻的期望运动参数值和所述机械臂在（k-1）时刻与所述目标对象的实际交互力的非线性模型；
在所述机械臂在k时刻的期望运动参数值和所述机械臂在（k-1）时刻的期望运动参数值之间的位移偏差小于预设位移偏差阈值，且所述机械臂在k时刻的实际交互力和在（k-1）时刻的实际交互力之间的交互力偏差小于预设交互力偏差阈值的情况下，将所述非线性模型转换成所述机械臂在k时刻的期望运动参数值和所述机械臂在k时刻与所述目标对象的实际交互力的线性模型；
迭代调整所述线性模型中的时变系统参数，直至所述机械臂在（k+1）时刻的期望交互力与所述机械臂在k时刻的实际交互力的交互力差值小于预设偏差阈值，并获取完成迭代调整时所述时变系统参数的参数值；
基于所述机械臂在（k-1）时刻的期望运动参数值、所述交互力差值以及所述时变系统参数的参数值，确定所述机械臂在k时刻的期望运动参数值。
2.根据权利要求1所述的方法，其特征在于，在所述确定所述机械臂在k时刻的期望运动参数值之后，所述方法还包括：
根据所述期望运动参数值，确定对所述机械臂的控制力。
3.根据权利要求2所述的方法，其特征在于，所述根据所述期望运动参数值，确定对所述机械臂的控制力，包括：
根据所述期望运动参数值，确定所述机械臂的运动轨迹；
确定所述运动轨迹与所述机械臂实时的实际位移的位移偏差；
根据所述运动轨迹和所述位移偏差，确定对所述机械臂的控制力。
4.根据权利要求1所述的方法，其特征在于，所述线性模型还包括比例参数，所述比例参数用于确定所述时变系统参数的比例值，所述迭代调整所述线性模型中的时变系统参数，包括：
迭代调整所述线性模型中的时变系统参数和所述比例参数，其中，所述比例参数根据所述机械臂在多个历史时刻的累计交互力偏差及所述比例参数的初始值确定，所述累计交互力偏差包括所述机械臂分别在相邻两个所述历史时刻之间的实际交互力偏差的累计值。
5.根据权利要求1所述的方法，其特征在于，所述线性模型还包括权重参数，所述权重参数用于调整所述机械臂在k时刻的期望运动参数值与所述机械臂在（k-1）时刻的期望运动参数值之间的位移偏差的权重值，所述迭代调整所述线性模型中的时变系统参数，包括：
迭代调整所述线性模型中的时变系统参数和权重参数，其中，所述权重参数根据所述机械臂在多个历史时刻的累计交互力偏差及所述权重参数的初始值确定，所述累计交互力偏差包括所述机械臂分别在相邻两个所述历史时刻之间的实际交互力偏差的累计值。
6.一种机械臂控制参数确定装置，其特征在于，所述装置包括：
获取模块，用于获取机械臂在（k-1）时刻的期望运动参数值、在k时刻与目标对象的实际交互力以及在（k+1）时刻与所述目标对象的期望交互力；
构建线性模型模块，用于构建所述机械臂在k时刻和所述目标对象的实际交互力和所述机械臂在k时刻的期望运动参数值的线性模型，所述线性模型包括随时间变化的时变系统参数，包括：
构建所述机械臂在k时刻的期望运动参数值和所述机械臂在（k-1）时刻与所述目标对象的实际交互力的非线性模型；
在所述机械臂在k时刻的期望运动参数值和所述机械臂在（k-1）时刻的期望运动参数值之间的位移偏差小于预设位移偏差阈值，且所述机械臂在k时刻的实际交互力和在（k-1）时刻的实际交互力之间的交互力偏差小于预设交互力偏差阈值的情况下，将所述非线性模型转换成所述机械臂在k时刻的期望运动参数值和所述机械臂在k时刻与所述目标对象的实际交互力的线性模型；
迭代调整模块，用于迭代调整所述线性模型中的时变系统参数，直至所述机械臂在（k+1）时刻的期望交互力与所述机械臂在k时刻的实际交互力的交互力差值小于预设偏差阈值，并获取完成迭代调整时所述时变系统参数的参数值；
确定模块，用于基于所述机械臂在（k-1）时刻的期望运动参数值、所述交互力差值以及所述时变系统参数的参数值，确定所述机械臂在k时刻的期望运动参数值。
7.一种机器人，其特征在于，包括机械臂、处理器以及用于存储处理器可执行指令的存储器，其中，所述处理器用于被配置为执行所述指令时实现权利要求1-5中任意一项所述的方法，所述处理器与所述机械臂耦合，用于确定对所述机械臂的控制力。
8.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1-5中任一项所述的方法。
9.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1-5中任意一项所述的方法。
CN202210734902.2A 2022-06-27 2022-06-27 机械臂控制参数确定方法、装置、设备、介质和机器人 Active CN114800532B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210734902.2A CN114800532B (zh) 2022-06-27 2022-06-27 机械臂控制参数确定方法、装置、设备、介质和机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210734902.2A CN114800532B (zh) 2022-06-27 2022-06-27 机械臂控制参数确定方法、装置、设备、介质和机器人

Publications (2)

Publication Number Publication Date
CN114800532A CN114800532A (zh) 2022-07-29
CN114800532B true CN114800532B (zh) 2022-09-16

Family

ID=82522557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210734902.2A Active CN114800532B (zh) 2022-06-27 2022-06-27 机械臂控制参数确定方法、装置、设备、介质和机器人

Country Status (1)

Country Link
CN (1) CN114800532B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024050729A1 (en) * 2022-09-07 2024-03-14 Shanghai Flexiv Robotics Technology Co., Ltd. Robot teleoperation system and method
CN116175594B (zh) * 2023-04-26 2023-06-30 北京宸普豪新科技有限公司 一种机器人的机械臂控制方法、设备及机器人

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109807902A (zh) * 2019-04-08 2019-05-28 青岛大学 一种基于反步法的双机械臂力/位模糊混合控制方法
CN110450156A (zh) * 2019-07-30 2019-11-15 洛阳润信机械制造有限公司 多自由度机械臂系统自适应模糊控制器的优化设计方法
CN111975771A (zh) * 2020-07-30 2020-11-24 华南理工大学 一种基于偏差重定义神经网络的机械臂运动规划方法
CN112428278A (zh) * 2020-10-26 2021-03-02 北京理工大学 机械臂的控制方法、装置及人机协同模型的训练方法
CN114102600A (zh) * 2021-12-02 2022-03-01 西安交通大学 一种多空间融合的人机技能迁移与参数补偿方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5966372B2 (ja) * 2012-01-17 2016-08-10 セイコーエプソン株式会社 ロボット制御装置、ロボットシステム、ロボット制御方法及びロボット
US11192243B2 (en) * 2016-03-29 2021-12-07 Cognibotics Ab Method, constraining device and system for determining geometric properties of a manipulator
CN111805537A (zh) * 2020-06-12 2020-10-23 季华实验室 多机械手协同控制方法、系统、设备及存储介质
CN114029954B (zh) * 2021-11-15 2023-04-28 中国北方车辆研究所 一种异构伺服的力反馈估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109807902A (zh) * 2019-04-08 2019-05-28 青岛大学 一种基于反步法的双机械臂力/位模糊混合控制方法
CN110450156A (zh) * 2019-07-30 2019-11-15 洛阳润信机械制造有限公司 多自由度机械臂系统自适应模糊控制器的优化设计方法
CN111975771A (zh) * 2020-07-30 2020-11-24 华南理工大学 一种基于偏差重定义神经网络的机械臂运动规划方法
CN112428278A (zh) * 2020-10-26 2021-03-02 北京理工大学 机械臂的控制方法、装置及人机协同模型的训练方法
CN114102600A (zh) * 2021-12-02 2022-03-01 西安交通大学 一种多空间融合的人机技能迁移与参数补偿方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Robot-to-Human Object Handover using a Behavioural Control Strategy;Paramin Neranon;《2018 IEEE 5th International Conference on Smart Instrumentation, Measurement and Application (ICSIMA)》;20181230;全文 *
模糊逻辑及神经网络动态摩擦和死区补偿的机器人滑模变控制;李敏、王家序 等;《重庆大学学报》;20130615;全文 *

Also Published As

Publication number Publication date
CN114800532A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN114800532B (zh) 机械臂控制参数确定方法、装置、设备、介质和机器人
Xia et al. A primal-dual neural network for online resolving constrained kinematic redundancy in robot motion control
CN108015763B (zh) 一种抗噪声干扰的冗余度机械臂路径规划方法
Zhang et al. A dual neural network for bi-criteria kinematic control of redundant manipulators
Zhang et al. A dual neural network for redundancy resolution of kinematically redundant manipulators subject to joint limits and joint velocity limits
Zhang et al. Neural-dynamic-method-based dual-arm CMG scheme with time-varying constraints applied to humanoid robots
CN108388114B (zh) 一种基于输出重定义的柔性机械臂复合控制方法
US11465281B2 (en) Dynamic planning controller
WO2022247169A1 (zh) 机器人的导纳控制方法、导纳控制系统和机器人
JP2010537831A (ja) 逆運動学
Sun et al. Learning impedance control of robots with enhanced transient and steady-state control performances
CN113814985B (zh) 一种机器人控制方法、控制柜及系统
CN113031579A (zh) 双足机器人的行走控制方法、装置及双足机器人
Ghiasi et al. Designing adaptive robust extended Kalman filter based on Lyapunov-based controller for robotics manipulators
Liu et al. A simultaneous learning and control scheme for redundant manipulators with physical constraints on decision variable and its derivative
Razmjooei et al. A novel continuous finite-time extended state observer design for a class of uncertain nonlinear systems
Zhang et al. Infinity-norm acceleration minimization of robotic redundant manipulators using the LVI-based primal–dual neural network
CN113954077B (zh) 带有能量优化的水下游动机械臂轨迹跟踪控制方法及装置
CN111993416B (zh) 一种控制机械臂运动的方法、设备、系统以及装置
CN112008731B (zh) 一种空中作业机器人的柔顺控制方法、装置、终端、系统及可读存储介质
Raouf et al. Workspace trajectory tracking control for two-flexible-link manipulator through output redefinition
CN114454981A (zh) 双足机器人的弹跳运动控制方法、装置及双足机器人
CN113848958A (zh) 基于四元数的全驱动抗退绕水下机器人有限时间容错轨迹跟踪控制方法
Sawada et al. A position control of 2 DOF flexible link robot arms based on computed torque method
Sheikhlar et al. Online policy iteration-based tracking control of four wheeled omni-directional robots

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