CN114970374B - 一种基于增量式动力学的负载辨识方法、系统和介质 - Google Patents

一种基于增量式动力学的负载辨识方法、系统和介质 Download PDF

Info

Publication number
CN114970374B
CN114970374B CN202210896738.5A CN202210896738A CN114970374B CN 114970374 B CN114970374 B CN 114970374B CN 202210896738 A CN202210896738 A CN 202210896738A CN 114970374 B CN114970374 B CN 114970374B
Authority
CN
China
Prior art keywords
conveyed
load
key
information
dynamics
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
CN202210896738.5A
Other languages
English (en)
Other versions
CN114970374A (zh
Inventor
熊清平
周盈
李�杰
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.)
Shenzhen Huazhong Numerical Control Co Ltd
Original Assignee
Shenzhen Huashu Robot 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 Shenzhen Huashu Robot Co ltd filed Critical Shenzhen Huashu Robot Co ltd
Priority to CN202210896738.5A priority Critical patent/CN114970374B/zh
Publication of CN114970374A publication Critical patent/CN114970374A/zh
Application granted granted Critical
Publication of CN114970374B publication Critical patent/CN114970374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Manipulator (AREA)

Abstract

本发明公开的一种基于增量式动力学的负载辨识方法、系统和介质，其中方法包括：获取机器人历史负载试验中的负载参数信息；将机器人历史负载试验中的负载参数进行预处理，得到训练样本；将训练样本发送至预设的空载神经网络模型进行训练，得到负载动力学辨识神经网络模型；获取待搬运物体信息，并将待搬运物体信息发送至负载动力学辨识神经网络模型，得到负载参数。本发明以机器人历史负载试验中的负载参数为基础，基于预设的空载神经网络模型，结合待搬运物体信息，提前预测待搬运物体的运动轨迹，并在运动轨迹上进行关键点标记，方便了机器人各关节杆件的调节，提高了负载参数的准确率。

Description

一种基于增量式动力学的负载辨识方法、系统和介质
技术领域
本申请涉及机器人技术领域，更具体的，涉及一种基于增量式动力学的负载辨识方法、系统和介质。
背景技术
随着科学技术的进步，机器人在越来越多的领域中担任重要角色，比如：服务机器人、农业机器人、水下机器人等，在不同领域发挥着不同的功能。应用领域的拓展以及质量的提升要求对机器人的精度、稳定性和持续性提出了更高的要求。目前，机器人的负载辨识有：惯性参数、力矩参数和质量参数等，在计算负载时未考虑空气阻力因素；特别是当机器人的关节增多时，机器人的各关节参数辨识难度增加。
因此，现有技术存在缺陷，亟待改进。
发明内容
鉴于上述问题，本发明的目的是提供一种增量式动力学的负载辨识方法、系统和介质，能够更加有效、更加精准的得到机器人负载参数。
本发明第一方面提供了一种基于增量式动力学的负载辨识方法，包括：
获取机器人历史负载试验中的负载参数信息；
将机器人历史负载试验中的负载参数进行预处理，得到训练样本；
将训练样本发送至预设的空载神经网络模型进行训练，得到负载动力学辨识神经网络模型；
获取待搬运物体信息，并将待搬运物体信息发送至负载动力学辨识神经网络模型，得到负载参数；
将负载参数发送至预设的机器人控制终端以进行调控。
本方案中，还包括：
获取待搬运物体的初始位置和终点位置信息；
根据待搬运物体的初始位置和终点位置，得到待搬运物体的多条运动轨迹信息；
将待搬运物体的运动轨迹发送至预设的运动轨迹库进行存储。
本方案中，所述待搬运物体的运动轨迹，还包括：
将机器人在待搬运物体的运动轨迹进行模拟演练，得到运动轨迹的转折角个数；
将运动轨迹按照转折角个数进行排列，得到待搬运物体的关键运动轨迹；
将待搬运物体的关键运动轨迹发送至负载动力学辨识神经网络模型进行存储。
本方案中，所述待搬运物体的关键运动轨迹，还包括：
提取待搬运物体的关键运动轨迹上的关键点信息；
将待搬运物体的关键运动轨迹上的关键点进行标记；
将所述关键点发送至预设的机器人控制终端以示提醒；
所述关键点为待搬运物体在运动过程中的速度变化点或力/力矩数据变化点。
本方案中，还包括：
根据待搬运物体信息，得到待搬运物体的重量数值m；
判断待搬运物体的重量数值m是否大于第一预设阈值，若是，则触发警示；
将待搬运物体的重量m超过搬运限值信息发送至预设的机器人控制终端。
本方案中，还包括：
根据待搬运物体信息，得到待搬运物体的迎风面面积S；
获取待搬运物体在模拟演练中的速度V；
根据待搬运物体的迎风面面积S和模拟演练中的速度V，得到搬运物体在运动中的空气阻力
Figure 209692DEST_PATH_IMAGE001
;
其公式为：
Figure 130243DEST_PATH_IMAGE002
,其中C表示空气阻力系数，p表示空气密度，
Figure 883436DEST_PATH_IMAGE003
表示为待搬运物体的迎风面和水平面的夹角。
本发明第二方面提供了一种基于增量式动力学的负载辨识系统，包括存储器和处理器，所述存储器中存储有基于增量式动力学的负载辨识方法程序，所述基于增量式动力学的负载辨识方法程序被所述处理器执行时实现如下步骤：
获取机器人历史负载试验中的负载参数信息；
将机器人历史负载试验中的负载参数进行预处理，得到训练样本；
将训练样本发送至预设的空载神经网络模型进行训练，得到负载动力学辨识神经网络模型；
获取待搬运物体信息，并将待搬运物体信息发送至负载动力学辨识神经网络模型，得到负载参数；
将负载参数发送至预设的机器人控制终端以进行调控。
本方案中，还包括：
获取待搬运物体的初始位置和终点位置信息；
根据待搬运物体的初始位置和终点位置，得到待搬运物体的多条运动轨迹信息；
将待搬运物体的运动轨迹发送至预设的运动轨迹库进行存储。
本方案中，所述待搬运物体的运动轨迹，还包括：
将机器人在待搬运物体的运动轨迹进行模拟演练，得到运动轨迹的转折角个数；
将运动轨迹按照转折角个数进行排列，得到待搬运物体的关键运动轨迹；
将待搬运物体的关键运动轨迹发送至负载动力学辨识神经网络模型进行存储。
本方案中，所述待搬运物体的关键运动轨迹，还包括：
提取待搬运物体的关键运动轨迹上的关键点信息；
将待搬运物体的关键运动轨迹上的关键点进行标记；
将所述关键点发送至预设的机器人控制终端以示提醒；
所述关键点为待搬运物体在运动过程中的速度变化点或力/力矩数据变化点。
本方案中，还包括：
根据待搬运物体信息，得到待搬运物体的重量数值m；
判断待搬运物体的重量数值m是否大于第一预设阈值，若是，则触发警示；
将待搬运物体的重量m超过搬运限值信息发送至预设的机器人控制终端。
本方案中，还包括：
根据待搬运物体信息，得到待搬运物体的迎风面面积S；
获取待搬运物体在模拟演练中的速度V；
根据待搬运物体的迎风面面积S和模拟演练中的速度V，得到搬运物体在运动中的空气阻力
Figure 889438DEST_PATH_IMAGE001
;
其公式为：
Figure 386278DEST_PATH_IMAGE002
,其中C表示空气阻力系数，p表示空气密度，
Figure 302282DEST_PATH_IMAGE003
表示为待搬运物体的迎风面和水平面的夹角。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于增量式动力学的负载辨识方法程序，所述一种基于增量式动力学的负载辨识方法程序被处理器执行时，实现如上述任一项所述的一种基于增量式动力学的负载辨识方法的步骤。
本发明公开的一种基于增量式动力学的负载辨识方法、系统和介质。本发明以机器人历史负载试验中的负载参数为基础，基于预设的空载神经网络模型，结合待搬运物体信息，提前预测待搬运物体的运动轨迹，并在运动轨迹上进行关键点标记，方便了机器人各关节杆件的调节，提高了负载参数的准确率。另外，本发明还通过计算出待搬运物体的空气阻力，提高了负载参数的精确度。
附图说明
图1示出了本发明一种基于增量式动力学的负载辨识方法的流程图；
图2示出了本发明中的主要步骤图；
图3示出了本发明一种基于增量式动力学的负载辨识系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于增量式动力学的负载辨识方法的流程图。
如图1所示，本发明公开了一种基于增量式动力学的负载辨识方法，包括：
S102，获取机器人历史负载试验中的负载参数信息；
S104，将机器人历史负载试验中的负载参数进行预处理，得到训练样本；
S106，将训练样本发送至预设的空载神经网络模型进行训练，得到负载动力学辨识神经网络模型；
S108，获取待搬运物体信息，并将待搬运物体信息发送至负载动力学辨识神经网络模型，得到负载参数；
S110，将负载参数发送至预设的机器人控制终端以进行调控。
需要说明的是，机器人历史负载试验中的负载参数包含机器人在负载过程中的运动和力/力矩数据、惯性参数和搬运物体质量参数等数据；预设的空载神经网络模型中存储有机器人在空载过程中运动和力/力矩数据、惯性参数等数据，还存储有一种基于运动方程，所述运动方程为一种二阶积分系统，将关节运动关联到关节力矩，是一种理想化环境下的运动方程。将机器人历史负载试验中的负载参数输入至预设的空载神经网络模型进行训练，再将空气阻力加入到运动方程，对运动方程进行进一步优化。其中，训练样本数据越多，则得到的负载参数越精准。
根据本发明实施例，还包括：
获取待搬运物体的初始位置和终点位置信息；
根据待搬运物体的初始位置和终点位置，得到待搬运物体的多条运动轨迹信息；
将待搬运物体的运动轨迹发送至预设的运动轨迹库进行存储。
需要说明的是，提取带搬运物体的初始位置和终点位置，基于带搬运物体的环境，在确保将待搬运物体进行精准搬运的基础上，得到待搬运物体的多条运动轨迹。
根据本发明实施例，所述待搬运物体的运动轨迹，还包括：
将机器人在待搬运物体的运动轨迹进行模拟演练，得到运动轨迹的转折角个数；
将运动轨迹按照转折角个数进行排列，得到待搬运物体的关键运动轨迹；
将待搬运物体的关键运动轨迹发送至负载动力学辨识神经网络模型进行存储。
需要说明的是，在模拟演练中，待搬运物体在运动过程中出现一次角度变化时，记录一次转折角个数，若运动轨迹为曲线，则说明对应运动轨迹上存在无数个转折角；运动轨迹上的转折角越多，说明机器人的关节杆件在运动过程中变动的次数越多，负载参数辨识难度越高。将运动轨迹按照转折角个数进行排列，提取最少转折角个数的运动轨迹，并将对应轨迹设为待搬运物体的关键运动轨迹。
根据本发明实施例，所述待搬运物体的关键运动轨迹，还包括：
提取待搬运物体的关键运动轨迹上的关键点信息；
将待搬运物体的关键运动轨迹上的关键点进行标记；
将所述关键点发送至预设的机器人控制终端以示提醒；
所述关键点为待搬运物体在运动过程中的速度变化点或力/力矩数据变化点。
需要说明的是，将待搬运物体在运动过程中的速度变化点或力/力矩数据变化点设为关键点，将关键点在关键运动轨迹上进行标记，并设为提示点。当待搬运物体在实际运动过程中，若实际运动轨迹的关键点与模拟演练的关键运动轨迹上的关键点重合，则说明负载参数正确；若实际运动轨迹的关键点与模拟演练的关键运动轨迹上的关键点不重合，则提示点触发警示，并计算出误差值，将误差值发送至预设的机器人控制终端进行调整。
根据本发明实施例，还包括：
根据待搬运物体信息，得到待搬运物体的重量数值m；
判断待搬运物体的重量数值m是否大于第一预设阈值，若是，则触发警示；
将待搬运物体的重量m超过搬运限值信息发送至预设的机器人控制终端。
需要说明的是，机器人根据不同生产用途、材质或大小等原因，将机器人划分为不同类别和型号。通过机器人的类别以及型号，得到机器人的限值负重，比如，机器人A的限值负重为100公斤，则说明第一预设阈值为100（KG）,若检测到待搬运物体的重量数值为120KG，则说明待搬运物体的重量数值大于机器人A的限值负重，触发警示，将待搬运物体的重量超过搬运限值信息发送至预设的机器人控制终端，机器人暂停对待搬运物体的搬运工作。
根据本发明实施例，还包括：
根据待搬运物体信息，得到待搬运物体的迎风面面积S；
获取待搬运物体在模拟演练中的速度V；
根据待搬运物体的迎风面面积S和模拟演练中的速度V，得到搬运物体在运动中的空气阻力
Figure 351009DEST_PATH_IMAGE001
;
其公式为：
Figure 719674DEST_PATH_IMAGE002
,其中C表示空气阻力系数，p表示空气密度，
Figure 144839DEST_PATH_IMAGE003
表示为待搬运物体的迎风面和水平面的夹角。
需要说明的是，待搬运物体的迎风面面积是待搬运物体的迎风面和运动方向垂直的面积，若待搬运物体的迎风面和运动方向不是垂直，则获取待搬运物体的迎风面和水平面的夹角
Figure 649769DEST_PATH_IMAGE003
，得到有效的迎风面面积
Figure 869398DEST_PATH_IMAGE004
,若待搬运物体的迎风面和运动方向垂直，则有效的迎风面面积
Figure 725359DEST_PATH_IMAGE005
。提取待搬运物体在模拟演练中的速度V，其中待搬运物体在模拟演练中的速度包含：加速阶段、匀速阶段和减速阶段。其中，待搬运物体在加速阶段和减速阶段的空气阻力是变化的，在匀速阶段的空气阻力是保持不变的，其公式为：
Figure 564002DEST_PATH_IMAGE002
,其中C表示空气阻力系数，p表示空气密度。
根据本发明实施例，还包括：
获取关键运动路线的长度L;
根据关键运动路线的长度L和速度V,得到关键运动路线消耗的时间T；
判断待搬运物体在关键运动路线消耗的时间是否小于第二预设阈值，若否，则得到提高待搬运物体的速度信息；
将提高待搬运物体的速度信息发送至预设的机器人控制终端以进行调节。
需要说明的是，将待搬运物体在加速阶段的速度设为
Figure 313652DEST_PATH_IMAGE006
,匀速阶段的速度设为
Figure 579548DEST_PATH_IMAGE007
，减速阶段的速度设为
Figure 47439DEST_PATH_IMAGE008
，待搬运物体在加速阶段的加速度a，其公式为：
Figure 689773DEST_PATH_IMAGE009
，其中
Figure 434875DEST_PATH_IMAGE010
，
Figure 996306DEST_PATH_IMAGE011
，其中
Figure 826859DEST_PATH_IMAGE012
为机器人施加至待搬运物体上的力，角度
Figure 866359DEST_PATH_IMAGE013
表示为
Figure 731547DEST_PATH_IMAGE012
与水平面的夹角，加速度a的方向与速度方向相同，若在减速阶段，则加速度a的方向与速度方向相反。通过公式：
Figure 604825DEST_PATH_IMAGE014
,
Figure 781728DEST_PATH_IMAGE015
，
Figure 765865DEST_PATH_IMAGE016
，T=
Figure 219980DEST_PATH_IMAGE017
+
Figure 388793DEST_PATH_IMAGE018
，其中
Figure 193938DEST_PATH_IMAGE019
表示加速阶段的时间，
Figure 575241DEST_PATH_IMAGE020
表示加速阶段的运动轨迹长度，
Figure 883862DEST_PATH_IMAGE021
表示匀速阶段的时间，
Figure 98943DEST_PATH_IMAGE018
表示减速阶段的时间且和加速阶段的时间相等。关键运动路线消耗的时间T和速度成反比例关系，比如，第一预设阈值为10（秒），T=11秒，则待搬运物体在关键运动路线消耗的时间大于预设周期，说明需要提高运动速度以减少关键运动路线消耗的时间。
根据本发明实施例，还包括：
将机器人首尾端连杆设为一级调整连杆；
将机器人中间部位的连杆设为二级调整连杆；
所述一级调整连杆优先于二级调整连杆。
需要说明的是，基于负载运动完成过程中，优先调整机器人首尾两端的关节连杆，其中尾端连杆表示和机器人身子或基座直接连接的关节连杆，首端连杆是和待搬运物体直接接触的关节连杆，在调整首尾段连杆时，其他关节连杆可以保持原来状态，以减少误差。
根据本发明实施例，还包括：
获取机器人的连杆长度；
将机器人的连杆按照长度进行先后排序；
将同级调整连杆中长度较长的连杆进行优先调整。
需要说明的是，在同级调整连杆中，优先调整长度较长的关节连杆，由于关节连杆长，则在同距离调整时，长度较长的连杆调整的角度小。
图2示出了本发明中的主要步骤图。
如图2所示，本发明通过历史负载试验参数，基于预设的空载神经网络模型，得到负载动力学辨识神经网络模型。通过待搬运物体的初始位置和终点位置，得到多条运动轨迹，再通过模拟演练结合转折角判定，得到运动轨迹以及待搬运物体在运动过程中的迎风面面积，根据预设公式，确定空气阻力；再将空气阻力和待搬运物体的重量发送至负载动力学辨识神经网络模型，得到待搬运物体的负载参数。
图3示出了本发明一种基于增量式动力学的负载辨识系统的框图。
如图3所示，本发明第二方面提供了一种基于增量式动力学的负载辨识系统3，包括存储器31和处理器32，所述存储器中存储有基于增量式动力学的负载辨识方法程序，所述基于增量式动力学的负载辨识方法程序被所述处理器执行时实现如下步骤：
获取机器人历史负载试验中的负载参数信息；
将机器人历史负载试验中的负载参数进行预处理，得到训练样本；
将训练样本发送至预设的空载神经网络模型进行训练，得到负载动力学辨识神经网络模型；
获取待搬运物体信息，并将待搬运物体信息发送至负载动力学辨识神经网络模型，得到负载参数；
将负载参数发送至预设的机器人控制终端以进行调控。
需要说明的是，机器人历史负载试验中的负载参数包含机器人在负载过程中的运动和力/力矩数据、惯性参数和搬运物体质量参数等数据；预设的空载神经网络模型中存储有机器人在空载过程中运动和力/力矩数据、惯性参数等数据，还存储有一种基于运动方程，所述运动方程为一种二阶积分系统，将关节运动关联到关节力矩，是一种理想化环境下的运动方程。将机器人历史负载试验中的负载参数输入至预设的空载神经网络模型进行训练，再将空气阻力加入到运动方程，对运动方程进行进一步优化。其中，训练样本数据越多，则得到的负载参数越精准。
根据本发明实施例，还包括：
获取待搬运物体的初始位置和终点位置信息；
根据待搬运物体的初始位置和终点位置，得到待搬运物体的多条运动轨迹信息；
将待搬运物体的运动轨迹发送至预设的运动轨迹库进行存储。
需要说明的是，提取带搬运物体的初始位置和终点位置，基于带搬运物体的环境，在确保将待搬运物体进行精准搬运的基础上，得到待搬运物体的多条运动轨迹。
根据本发明实施例，所述待搬运物体的运动轨迹，还包括：
将机器人在待搬运物体的运动轨迹进行模拟演练，得到运动轨迹的转折角个数；
将运动轨迹按照转折角个数进行排列，得到待搬运物体的关键运动轨迹；
将待搬运物体的关键运动轨迹发送至负载动力学辨识神经网络模型进行存储。
需要说明的是，在模拟演练中，待搬运物体在运动过程中出现一次角度变化时，记录一次转折角个数，若运动轨迹为曲线，则说明对应运动轨迹上存在无数个转折角；运动轨迹上的转折角越多，说明机器人的关节杆件在运动过程中变动的次数越多，负载参数辨识难度越高。将运动轨迹按照转折角个数进行排列，提取最少转折角个数的运动轨迹，并将对应轨迹设为待搬运物体的关键运动轨迹。
根据本发明实施例，所述待搬运物体的关键运动轨迹，还包括：
提取待搬运物体的关键运动轨迹上的关键点信息；
将待搬运物体的关键运动轨迹上的关键点进行标记；
将所述关键点发送至预设的机器人控制终端以示提醒；
所述关键点为待搬运物体在运动过程中的速度变化点或力/力矩数据变化点。
需要说明的是，将待搬运物体在运动过程中的速度变化点或力/力矩数据变化点设为关键点，将关键点在关键运动轨迹上进行标记，并设为提示点。当待搬运物体在实际运动过程中，若实际运动轨迹的关键点与模拟演练的关键运动轨迹上的关键点重合，则说明负载参数正确；若实际运动轨迹的关键点与模拟演练的关键运动轨迹上的关键点不重合，则提示点触发警示，并计算出误差值，将误差值发送至预设的机器人控制终端进行调整。
根据本发明实施例，还包括：
根据待搬运物体信息，得到待搬运物体的重量数值m；
判断待搬运物体的重量数值m是否大于第一预设阈值，若是，则触发警示；
将待搬运物体的重量m超过搬运限值信息发送至预设的机器人控制终端。
需要说明的是，机器人根据不同生产用途、材质或大小等原因，将机器人划分为不同类别和型号。通过机器人的类别以及型号，得到机器人的限值负重，比如，机器人A的限值负重为100公斤，则说明第一预设阈值为100（KG）,若检测到待搬运物体的重量数值为120KG，则说明待搬运物体的重量数值大于机器人A的限值负重，触发警示，将待搬运物体的重量超过搬运限值信息发送至预设的机器人控制终端，机器人暂停对待搬运物体的搬运工作。
根据本发明实施例，还包括：
根据待搬运物体信息，得到待搬运物体的迎风面面积S；
获取待搬运物体在模拟演练中的速度V；
根据待搬运物体的迎风面面积S和模拟演练中的速度V，得到搬运物体在运动中的空气阻力
Figure 984860DEST_PATH_IMAGE001
;
其公式为：
Figure 576378DEST_PATH_IMAGE002
,其中C表示空气阻力系数，p表示空气密度，
Figure 5085DEST_PATH_IMAGE003
表示为待搬运物体的迎风面和水平面的夹角。
需要说明的是，待搬运物体的迎风面面积是待搬运物体的迎风面和运动方向垂直的面积，若待搬运物体的迎风面和运动方向不是垂直，则获取待搬运物体的迎风面和水平面的夹角
Figure 250122DEST_PATH_IMAGE003
，得到有效的迎风面面积
Figure 29859DEST_PATH_IMAGE004
,若待搬运物体的迎风面和运动方向垂直，则有效的迎风面面积
Figure 159489DEST_PATH_IMAGE005
。提取待搬运物体在模拟演练中的速度V，其中待搬运物体在模拟演练中的速度包含：加速阶段、匀速阶段和减速阶段。其中，待搬运物体在加速阶段和减速阶段的空气阻力是变化的，在匀速阶段的空气阻力是保持不变的，其公式为：
Figure 301757DEST_PATH_IMAGE002
,其中C表示空气阻力系数，p表示空气密度。
根据本发明实施例，还包括：
获取关键运动路线的长度L;
根据关键运动路线的长度L和速度V,得到关键运动路线消耗的时间T；
判断待搬运物体在关键运动路线消耗的时间是否小于第二预设阈值，若否，则得到提高待搬运物体的速度信息；
将提高待搬运物体的速度信息发送至预设的机器人控制终端以进行调节。
需要说明的是，将待搬运物体在加速阶段的速度设为
Figure 124220DEST_PATH_IMAGE006
,匀速阶段的速度设为
Figure 125674DEST_PATH_IMAGE007
，减速阶段的速度设为
Figure 918049DEST_PATH_IMAGE008
，待搬运物体在加速阶段的加速度a，其公式为：
Figure 55770DEST_PATH_IMAGE009
，其中
Figure 49133DEST_PATH_IMAGE010
，
Figure 408657DEST_PATH_IMAGE011
，其中
Figure 880090DEST_PATH_IMAGE012
为机器人施加至待搬运物体上的力，角度
Figure 137896DEST_PATH_IMAGE013
表示为
Figure 161215DEST_PATH_IMAGE012
与水平面的夹角，加速度a的方向与速度方向相同，若在减速阶段，则加速度a的方向与速度方向相反。通过公式：
Figure 871682DEST_PATH_IMAGE014
,
Figure 146806DEST_PATH_IMAGE015
，
Figure 118173DEST_PATH_IMAGE016
，T=
Figure 453339DEST_PATH_IMAGE017
+
Figure 510157DEST_PATH_IMAGE018
，其中
Figure 588971DEST_PATH_IMAGE019
表示加速阶段的时间，
Figure 821370DEST_PATH_IMAGE020
表示加速阶段的运动轨迹长度，
Figure 61858DEST_PATH_IMAGE021
表示匀速阶段的时间，
Figure 871551DEST_PATH_IMAGE018
表示减速阶段的时间且和加速阶段的时间相等。关键运动路线消耗的时间T和速度成反比例关系，比如，第一预设阈值为10（秒），T=11秒，则待搬运物体在关键运动路线消耗的时间大于预设周期，说明需要提高运动速度以减少关键运动路线消耗的时间。
根据本发明实施例，还包括：
将机器人首尾端连杆设为一级调整连杆；
将机器人中间部位的连杆设为二级调整连杆；
所述一级调整连杆优先于二级调整连杆。
需要说明的是，基于负载运动完成过程中，优先调整机器人首尾两端的关节连杆，其中尾端连杆表示和机器人身子或基座直接连接的关节连杆，首端连杆是和待搬运物体直接接触的关节连杆，在调整首尾段连杆时，其他关节连杆可以保持原来状态，以减少误差。
根据本发明实施例，还包括：
获取机器人的连杆长度；
将机器人的连杆按照长度进行先后排序；
将同级调整连杆中长度较长的连杆进行优先调整。
需要说明的是，在同级调整连杆中，优先调整长度较长的关节连杆，由于关节连杆长，则在同距离调整时，长度较长的连杆调整的角度小。
本发明公开的一种基于增量式动力学的负载辨识方法、系统和介质，其中方法包括：获取机器人历史负载试验中的负载参数信息；将机器人历史负载试验中的负载参数进行预处理，得到训练样本；将训练样本发送至预设的空载神经网络模型进行训练，得到负载动力学辨识神经网络模型；获取待搬运物体信息，并将待搬运物体信息发送至负载动力学辨识神经网络模型，得到负载参数。本发明以机器人历史负载试验中的负载参数为基础，基于预设的空载神经网络模型，结合待搬运物体信息，提前预测待搬运物体的运动轨迹，并在运动轨迹上进行关键点标记，方便了机器人各关节杆件的调节，提高了负载参数的准确率。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (6)

1.一种基于增量式动力学的负载辨识方法，其特征在于，包括：
获取机器人历史负载试验中的负载参数信息；
将机器人历史负载试验中的负载参数进行预处理，得到训练样本；
将训练样本发送至预设的空载神经网络模型进行训练，得到负载动力学辨识神经网络模型；
获取待搬运物体信息，并将待搬运物体信息发送至负载动力学辨识神经网络模型，得到负载参数；
将负载参数发送至预设的机器人控制终端以进行调控；
将机器人在待搬运物体的运动轨迹进行模拟演练，得到运动轨迹的转折角个数；
将运动轨迹按照转折角个数进行排列，得到待搬运物体的关键运动轨迹；
将待搬运物体的关键运动轨迹发送至负载动力学辨识神经网络模型进行存储；
所述待搬运物体的关键运动轨迹，还包括：
提取待搬运物体的关键运动轨迹上的关键点信息；
将待搬运物体的关键运动轨迹上的关键点进行标记；
将所述关键点发送至预设的机器人控制终端以示提醒；
所述关键点为待搬运物体在运动过程中的速度变化点或力/力矩数据变化点；
根据待搬运物体信息，得到待搬运物体的迎风面面积S；
获取待搬运物体在模拟演练中的速度V；
根据待搬运物体的迎风面面积S和模拟演练中的速度V，得到搬运物体在运动中的空气阻力
Figure 407127DEST_PATH_IMAGE001
：
其公式为：
Figure 995366DEST_PATH_IMAGE002
,其中C表示空气阻力系数，p表示空气密度，
Figure 233580DEST_PATH_IMAGE003
表示为待搬运物体的迎风面和水平面的夹角；
获取关键运动路线的长度L；
根据关键运动路线的长度L和速度V ,得到关键运动路线消耗的时间T；
判断待搬运物体在关键运动路线消耗的时间是否小于第二预设阈值，若否，则得
到提高待搬运物体的速度信息；
将提高待搬运物体的速度信息发送至预设的机器人控制终端以进行调节。
2.根据权利要求1所述的一种基于增量式动力学的负载辨识方法，其特征在于，还包括：
获取待搬运物体的初始位置和终点位置信息；
根据待搬运物体的初始位置和终点位置，得到待搬运物体的多条运动轨迹信息；
将待搬运物体的运动轨迹发送至预设的运动轨迹库进行存储。
3.根据权利要求1所述的一种基于增量式动力学的负载辨识方法，其特征在于，还包括：
根据待搬运物体信息，得到待搬运物体的重量数值m；
判断待搬运物体的重量数值m是否大于第一预设阈值，若是，则触发警示；
将待搬运物体的重量m超过搬运限值信息发送至预设的机器人控制终端。
4.一种基于增量式动力学的负载辨识系统，其特征在于，包括存储器和处理器，所述存储器中存储有基于增量式动力学的负载辨识方法程序，所述基于增量式动力学的负载辨识方法程序被所述处理器执行时实现如下步骤：
获取机器人历史负载试验中的负载参数信息；
将机器人历史负载试验中的负载参数进行预处理，得到训练样本；
将训练样本发送至预设的空载神经网络模型进行训练，得到负载动力学辨识神经网络模型；
获取待搬运物体信息，并将待搬运物体信息发送至负载动力学辨识神经网络模型，得到负载参数；
将负载参数发送至预设的机器人控制终端以进行调控；
将机器人在待搬运物体的运动轨迹进行模拟演练，得到运动轨迹的转折角个数；
将运动轨迹按照转折角个数进行排列，得到待搬运物体的关键运动轨迹；
将待搬运物体的关键运动轨迹发送至负载动力学辨识神经网络模型进行存储；
所述待搬运物体的关键运动轨迹，还包括：
提取待搬运物体的关键运动轨迹上的关键点信息；
将待搬运物体的关键运动轨迹上的关键点进行标记；
将所述关键点发送至预设的机器人控制终端以示提醒；
所述关键点为待搬运物体在运动过程中的速度变化点或力/力矩数据变化点；
根据待搬运物体信息，得到待搬运物体的迎风面面积S；
获取待搬运物体在模拟演练中的速度V；
根据待搬运物体的迎风面面积S和模拟演练中的速度V，得到搬运物体在运动中的空气阻力
Figure 987778DEST_PATH_IMAGE001
：
其公式为：
Figure 286036DEST_PATH_IMAGE002
,其中C表示空气阻力系数，p表示空气密度，
Figure 876417DEST_PATH_IMAGE003
表示为待搬运物体的迎风面和水平面的夹角；
获取关键运动路线的长度L；
根据关键运动路线的长度L和速度V ,得到关键运动路线消耗的时间T；
判断待搬运物体在关键运动路线消耗的时间是否小于第二预设阈值，若否，则得
到提高待搬运物体的速度信息；
将提高待搬运物体的速度信息发送至预设的机器人控制终端以进行调节。
5.根据权利要求4所述的一种基于增量式动力学的负载辨识系统，其特征在于，还包括：
获取待搬运物体的初始位置和终点位置信息；
根据待搬运物体的初始位置和终点位置，得到待搬运物体的多条运动轨迹信息；
将待搬运物体的运动轨迹发送至预设的运动轨迹库进行存储。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种基于增量式动力学的负载辨识方法程序，所述一种基于增量式动力学的负载辨识方法程序被处理器执行时，实现如权利要求1至3中任一项所述的一种基于增量式动力学的负载辨识方法的步骤。
CN202210896738.5A 2022-07-28 2022-07-28 一种基于增量式动力学的负载辨识方法、系统和介质 Active CN114970374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210896738.5A CN114970374B (zh) 2022-07-28 2022-07-28 一种基于增量式动力学的负载辨识方法、系统和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210896738.5A CN114970374B (zh) 2022-07-28 2022-07-28 一种基于增量式动力学的负载辨识方法、系统和介质

Publications (2)

Publication Number Publication Date
CN114970374A CN114970374A (zh) 2022-08-30
CN114970374B true CN114970374B (zh) 2022-10-28

Family

ID=82968785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210896738.5A Active CN114970374B (zh) 2022-07-28 2022-07-28 一种基于增量式动力学的负载辨识方法、系统和介质

Country Status (1)

Country Link
CN (1) CN114970374B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010011680A (ja) * 2008-06-30 2010-01-14 Yamaha Motor Co Ltd 負荷同定方法およびロボットの制御システム
CN106346477A (zh) * 2016-11-05 2017-01-25 上海新时达电气股份有限公司 六轴机器人的负载辨识方法及模块
CN108621159A (zh) * 2018-04-28 2018-10-09 首都师范大学 一种基于深度学习的机器人动力学建模方法
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
CN110941884A (zh) * 2019-11-24 2020-03-31 深圳华数机器人有限公司 一种基于增量式动力学的负载辨识方法
CN111037568A (zh) * 2019-12-30 2020-04-21 上海新时达机器人有限公司 四轴机器人末端负载辨识方法及模块
CN111300491A (zh) * 2019-11-20 2020-06-19 深圳市烨嘉为技术有限公司 基于协作化驱控一体机器人的人机协作安全系统
CN113610218A (zh) * 2021-07-23 2021-11-05 广州大学 基于极限学习机的负载识别方法、系统、装置及存储介质
CN113894792A (zh) * 2021-11-05 2022-01-07 遨博（北京）智能科技有限公司 一种机器人负载辨识方法、控制柜及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006073835A (ja) * 2004-09-02 2006-03-16 Dainippon Screen Mfg Co Ltd 基板搬送装置およびそれを用いた基板処理装置
CN110900597B (zh) * 2018-09-14 2023-04-11 上海沃迪智能装备股份有限公司 一种竖直高度和弯角高度可设置的跳跃运动轨迹规划方法
CN116795097A (zh) * 2019-09-12 2023-09-22 北京极智嘉科技股份有限公司 机器人路径调度方法、装置、服务器及存储介质
CN110788861B (zh) * 2019-11-15 2023-06-06 上海新时达机器人有限公司 机器人翻转折弯的方法及折弯机器人

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010011680A (ja) * 2008-06-30 2010-01-14 Yamaha Motor Co Ltd 負荷同定方法およびロボットの制御システム
CN106346477A (zh) * 2016-11-05 2017-01-25 上海新时达电气股份有限公司 六轴机器人的负载辨识方法及模块
CN108621159A (zh) * 2018-04-28 2018-10-09 首都师范大学 一种基于深度学习的机器人动力学建模方法
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
CN111300491A (zh) * 2019-11-20 2020-06-19 深圳市烨嘉为技术有限公司 基于协作化驱控一体机器人的人机协作安全系统
CN110941884A (zh) * 2019-11-24 2020-03-31 深圳华数机器人有限公司 一种基于增量式动力学的负载辨识方法
CN111037568A (zh) * 2019-12-30 2020-04-21 上海新时达机器人有限公司 四轴机器人末端负载辨识方法及模块
CN113610218A (zh) * 2021-07-23 2021-11-05 广州大学 基于极限学习机的负载识别方法、系统、装置及存储介质
CN113894792A (zh) * 2021-11-05 2022-01-07 遨博（北京）智能科技有限公司 一种机器人负载辨识方法、控制柜及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
六自由度工业机器人动力学参数辨识与控制系统设计;赵帅;《中国优秀硕士学位论文全文数据库信息科技辑》;20200815(第08期);I140-257 *
机器人末端臂惯性参数辨识的人工神经网络方法;陈恩伟 等;《中国机械工程》;20060228;第17卷(第3期);268-271 *

Also Published As

Publication number Publication date
CN114970374A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN100475460C (zh) 机器人的离线示教装置
EP3733355A1 (en) Robot motion optimization system and method
US11130236B2 (en) Robot movement teaching apparatus, robot system, and robot controller
CN108890650A (zh) 基于动力学参数辨识的ptp加速度优化方法及装置
Thakar et al. Accounting for part pose estimation uncertainties during trajectory generation for part pick-up using mobile manipulators
CN111438687A (zh) 判定装置
JP2007061121A (ja) 身体の動作解析方法、システムおよびプログラム
Bottarel et al. GRASPA 1.0: GRASPA is a robot arm grasping performance benchmark
CN112123341B (zh) 机器人双臂协调运动控制方法、装置和电子设备
CN113510698B (zh) 一种机械臂控制方法、装置、机械臂和可读存储介质
Rocchi et al. Stable simulation of underactuated compliant hands
CN114970374B (zh) 一种基于增量式动力学的负载辨识方法、系统和介质
CN115781685A (zh) 一种基于强化学习的高精度机械臂控制方法及系统
Hebecker et al. Towards real-world force-sensitive robotic assembly through deep reinforcement learning in simulations
Mishani et al. Real-time non-visual shape estimation and robotic dual-arm manipulation control of an elastic wire
CN116225029B (zh) 一种机器人路径规划方法
Joukov et al. Gaussian process based model predictive controller for imitation learning
CN112236272B (zh) 把持姿态评价装置和把持姿态评价程序
CN115918377A (zh) 树果自动采摘机的控制方法、控制装置及树果自动采摘机
Lowrey et al. Real-time state estimation with whole-body multi-contact dynamics: A modified UKF approach
CN116383041A (zh) 用于自动驾驶仿真测试的车道线拟合方法及装置
CN114995137A (zh) 基于深度强化学习的绳驱并联机器人控制方法
JP3188130B2 (ja) マニピュレーターの曲面なぞり制御方法
Tian et al. A dual-six-dimensional force sensors calibration method for pHRI based on ridge regression
Zorić et al. H2AMI: Intuitive Human to Aerial Manipulator Interface

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 518000, Building 9, 101, 102, 201, 202, 301, 302, Yunli Intelligent Park, Shutianpu Community, Matian Street, Guangming District, Shenzhen City, Guangdong Province

Patentee after: SHENZHEN HUAZHONG NUMERICAL CONTROL Co.,Ltd.

Address before: A1101, A1102, A1103, 11th Floor, Building A, Shenzhen Industry-University-Research Base Building, Huazhong University of Science and Technology, South District, High-tech Zone, Nanshan District, Shenzhen, Guangdong 518057

Patentee before: SHENZHEN HUASHU ROBOT Co.,Ltd.