CN115070768A - 机器人恒定力控及负载自辨识方法、系统、介质及计算机 - Google Patents
机器人恒定力控及负载自辨识方法、系统、介质及计算机 Download PDFInfo
- Publication number
- CN115070768A CN115070768A CN202210799907.3A CN202210799907A CN115070768A CN 115070768 A CN115070768 A CN 115070768A CN 202210799907 A CN202210799907 A CN 202210799907A CN 115070768 A CN115070768 A CN 115070768A
- Authority
- CN
- China
- Prior art keywords
- data set
- model
- robot
- load
- load data
- 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.)
- Pending
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
-
- 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
- B25J9/1612—Programme controls characterised by the hand, wrist, grip control
-
- 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
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种机器人恒定力控及负载自辨识方法、系统、介质及计算机,该方法包括:构建机器人的动力学模型及动力学参数辨识规则;基于动力学模型和动力学辨识规则采集机器人在预设运动周期内按照预设激励轨迹进行运动时各个时间下的理论数据集;分别采集机器人在空载状态及负载状态下,在预设运动周期内按照不同激励轨迹进行运动各个时间下的空载数据集和负载数据集;利用预设的预测模型计算出空载数据集和负载数据集的预测数据集,并根据预测数据集、理论数据集、空载数据集和负载数据集建立优化模型;将动力学模型、预测模型以及优化模型进行融合,以得到最终模型,并利用最终模型完成机器人的恒定力控输出及负载自适应辨识。
Description
技术领域
本发明涉及机器人技术领域,特别涉及一种机器人恒定力控及负载自辨识方法、系统、介质及计算机。
背景技术
随着科技的飞速发展和人们生活水平的提高,工业水平也在逐步上升,机器人手臂已经成为生产制造和智能产线中常见的工具之一,由于机器人手臂在生产制造和智能产线中不同情况下需要使用不同的末端执行器(夹具),同时夹取的物品的重量及形状也不同,而智能产线中无人化操作无法人为测量末端执行器及物品的重量;同时在焊接、喷涂等产线中往往需要末端以恒定的力、不同的姿态持续运动。
目前主流的机械臂在更换末端执行器时都是通过手动输入其质量,在产线中会大大降低效率,并且在夹持物品运动时,负载的变化会导致机器人动力学模型受到影响,如果不能自动优化调整会对碰撞检测等造成一定影响;而在末端恒定力矩输出方面,目前还是采用并联机器人,无法达到串联机器人的灵活性,同时还需要多个力矩传感器,成本过高。
发明内容
基于此,本发明的目的是提供一种机器人恒定力控及负载自辨识方法、系统、介质及计算机,以至少解决上述相关技术中的不足。
本发明提出一种机器人恒定力控及负载自辨识方法,包括:
步骤一:构建机器人的动力学模型以及动力学参数辨识规则;
步骤二:基于所述动力学模型和所述动力学辨识规则采集所述机器人在预设运动周期内按照预设激励轨迹进行运动时,所述机器人在所述预设运动周期的各个时间下的理论数据集;
步骤三:分别采集所述机器人在空载状态及负载状态下,在所述预设运动周期内按照不同激励轨迹进行运动时,所述机器人在所述预设运动周期的各个时间下的空载数据集和负载数据集;
步骤四:利用预设的预测模型计算出所述空载数据集和所述负载数据集的预测数据集,并根据所述预测数据集、所述理论数据集、所述空载数据集和所述负载数据集建立优化模型;
步骤五:将所述动力学模型、所述预测模型以及所述优化模型进行融合,以得到最终模型,并利用所述最终模型完成所述机器人的恒定力控输出及负载自适应辨识。
进一步的,所述步骤一中,所述机器人的动力学模型的表达式为:
τ=τf+τd;
式中,τ为关节驱动力矩,τf为关节摩擦力矩,τd为关节动态力矩,q、依次为关节的角度、角速度、角加速度,D(q)为惯性项,为科式力及离心力项,G(q)为重力项,D(q)、G(q)均为机器人惯性参数与关节运动参数的函数。
进一步的,所述步骤一中,所述动力学参数辨识规则采用线性摩擦模型:
式中:σ为黏性摩擦系数,单位为N·m·s/rad;
f为库仑摩擦常数,单位为N·m;
μ为库伦摩擦动态力矩因数。
进一步的,所述步骤二中,所述预设激励轨迹采用傅里叶级数型的轨迹:
其中,qi表示关节转角,qi0表示关节转角常量,al、bl表示轨迹的常系数,ωf为轨迹的基频,ωfl表示第1阶的频率。
进一步的,所述步骤四包括:
根据正逆雅克比矩阵构建预测模型,并以所述空载数据集和所述负载数据集作为输入计算出对应的预测数据集;
将所述理论数据集与所述预测数据集、所述空载数据集以及所述负载数据集进行数据对比,以计算出对应的偏差值,并以所述偏差值作为优化目标建立优化模型。
进一步的,所述步骤五中,所述优化模型的建立采用鲸鱼算法,其表达式为:
D=|CX*(t)-X(t)|
X(t+1)=X*(t)-AD;
式中,t表示当前模型的迭代次数,A、C表示系数,X*(t)表示当前最佳的鲸鱼位置向量,X(t)表示当前鲸鱼的位置向量;
进一步的,所述系数A、C的计算公式为:
A=2ar1-a;
C=2r2;
式中,r1、r2为(0,1)中的随机数,a的值从2到0线性下降,Tmax为最大迭代次数。
本发明还提出一种机器人恒定力控及负载自辨识系统,包括:
第一模型构建模块,用于构建机器人的动力学模型以及动力学参数辨识规则;
第一数据计算模块,用于基于所述动力学模型和所述动力学辨识规则采集所述机器人在预设运动周期内按照预设激励轨迹进行运动时,所述机器人在所述预设运动周期的各个时间下的理论数据集;
第二数据计算模块,用于分别采集所述机器人在空载状态及负载状态下,在所述预设运动周期内按照不同激励轨迹进行运动时,所述机器人在所述预设运动周期的各个时间下的空载数据集和负载数据集;
第二模型构建模块,用于利用预设的预测模型计算出所述空载数据集和所述负载数据集的预测数据集,并根据所述预测数据集、所述理论数据集、所述空载数据集和所述负载数据集建立优化模型;
处理模块,用于将所述动力学模型、所述预测模型以及所述优化模型进行融合,以得到最终模型,并利用所述最终模型完成所述机器人的恒定力控输出及负载自适应辨识。
进一步的,所述第二模型构建模块包括:
数据计算单元,用于根据正逆雅克比矩阵构建预测模型,并以所述空载数据集和所述负载数据集作为输入计算出对应的预测数据集;
模型构建单元,用于将所述理论数据集与所述预测数据集、所述空载数据集以及所述负载数据集进行数据对比,以计算出对应的偏差值,并以所述偏差值作为优化目标建立优化模型。
本发明还提出一种介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的机器人恒定力控及负载自辨识方法。
本发明还提出一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的机器人恒定力控及负载自辨识方法。
与现有技术相比,本发明的有益效果是:通过建立动力学模型、预测模型以及优化模型,进而得到最终模型,并利用最终模型的自适应及学习功能,使得机器人在运动过程中实时纠正误差,在负载自适应的同时优化动力学模型,使得轨迹运动更为顺畅和安全;并且无需在各个关节处加装力矩传感器,通过模型即可实现恒定力控输出,节约生产成本;另外,针对机器人末端的恒定力矩的输出,仅仅需要各关节的数据推递,运算量小,响应速度快。
附图说明
图1为本发明第一实施例中机器人恒定力控及负载自辨识方法的流程图;
图2为图1中步骤S104的详细流程图;
图3为本发明第二实施例中机器人恒定力控及负载自辨识系统的结构框体;
图4为本发明第三实施例中计算机的结构框体。
主要元件符号说明:
存储器 | 10 | 第一数据计算模块 | 12 |
处理器 | 20 | 第二数据计算模块 | 13 |
计算机程序 | 30 | 第二模型构建模块 | 14 |
第一模型构建模块 | 11 | 处理模块 | 15 |
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1,所示为本发明第一实施例中的机器人恒定力控及负载自辨识方法,所述方法具体包括步骤S101至S105:
S101,构建机器人的动力学模型以及动力学参数辨识规则;
在具体实施时,根据所使用的机器人进行机器人动力学建模及动力学参数辨识;
协作机器人动力学模型为:
τ=τf+τd;
式中,τ为关节驱动力矩,τf为关节摩擦力矩,τd为关节动态力矩,q、依次为关节的角度、角速度、角加速度,D(q)为惯性项,为科式力及离心力项,G(q)为重力项,D(q)、G(q)均为机器人惯性参数与关节运动参数的函数。
进一步的,协作机器人的动力学参数辨识规则采用线性摩擦模型:
式中:σ为黏性摩擦系数,单位为N·m·s/rad;
f为库仑摩擦常数,单位为N·m;
μ为库伦摩擦动态力矩因数。
根据上述公式可知,完整的动力学参数如下:
pd=[Ixx,Ixv,Iyy,Ixz,Iyz,Izz,Hx,Hy,Hz,m,σ,fc,μ];
使用牛顿欧拉法推导机械臂的动力学:首先从基座开始,依次计算每一个连杆的速度、加速度,一直到末端执行器;齐次从末端执行器所受的外力开始依次算回来求出每个关节的扭矩/力。其中,Ixx,Ixy,Iyy,Ixz,Iyz,Izz为连杆的惯性张量,Hx,Hy,Hz为连杆的质心向量,m为连杆质量。
每一根连杆的角速度都等于上一根连杆的角速度加上它的关节转动带来的角速度(对平移关节此项为0);由此得到连杆角速度的传递公式。公式两边求导,则可以进一步得到角加速度的传递公式:
对于线速度,每个连杆的线速度等于上一根连杆(质心)的线速度、上一根连杆转动造成的线速度以及平移关节的线速度之和。等式两边求导可以得到线性加速度的传递公式:
vi+1=vi+1+vi+1×vi+1+vi+1Zi+1;
根据欧拉运动方程求出每个连杆的惯性力和惯性矩:
每个关节的扭矩可表示为:
式中,Z为每个关节的Z轴向量,f为惯性力,n为惯性矩。
S102,基于所述动力学模型和所述动力学辨识规则采集所述机器人在预设运动周期内按照预设激励轨迹进行运动时,所述机器人在所述预设运动周期的各个时间下的理论数据集;
S103,分别采集所述机器人在空载状态及负载状态下,在所述预设运动周期内按照不同激励轨迹进行运动时,所述机器人在所述预设运动周期的各个时间下的空载数据集和负载数据集;
在具体实施时,设定一个机器人的运动周期,并在该运动周期里控制机器人按照预设激励轨迹进行运动,该预设激励轨迹采用傅里叶级数型的轨迹:
其中,qi表示关节转角,qi0表示关节转角常量,al、bl表示轨迹的常系数,ωf为轨迹的基频,ωfl表示第l阶的频率。
同时记录下每个时间下的机器人各个参数(角速度、角加速度、电流值等)作为无扰动输入集(在数据采集过程中采用卡尔曼滤波处理,同时需要采用最小二乘法进行推导得到机器人动力学模型)。
进一步的,在机器人末端贴合一个柔性力矩传感器,对机器人进行不同轨迹的激励,同时采集每一时间周期以内的数据集(角速度、角加速度、电流值、柔性力矩传感器值)作为空载数据集;添加不同的末端执行器(负载)重复上述步骤,采集数据集作为负载数据集;
S104,利用预设的预测模型计算出所述空载数据集和所述负载数据集的预测数据集,并根据所述预测数据集、所述理论数据集、所述空载数据集和所述负载数据集建立优化模型;
进一步的,请参阅图2,所述步骤S104具体包括S1041~S1042:
S1041,根据正逆雅克比矩阵构建预测模型,并以所述空载数据集和所述负载数据集作为输入计算出对应的预测数据集;
S1042,将所述理论数据集与所述预测数据集、所述空载数据集以及所述负载数据集进行数据对比,以计算出对应的偏差值,并以所述偏差值作为优化目标建立优化模型。
在具体实施时,根据上述得到的空载数据集以及负载数据集与理论数据集进行比较,同时根据正逆雅克比矩阵构建预测模型,并将负载数据集和力矩数据集作为预测模型的输入,将预测模型的输出值(即预测数据集)和空载数据集以及负载数据集比较,以误差作为优化目标,进行自优化学习后形成模型;
具体的,根据正逆雅克比矩阵将辨识到的瞬时参数进行推导和反推导。
对于正向传递:
对于反向传递:
在上述公式中,公式左上角的i代表当前关节连杆的参考坐标系,公式右下角的i代表当前关节连杆所在的坐标系,表示由坐标系i+1到i的变换,表示由坐标系i到i+1的变换,ipi+1为i+1坐标系中p点在i坐标系中的表示。
从瞬时运动学使用雅克比矩阵可以将关节空间与操作空间联系起来,将关节空间的速度映射到操作空间的速度:
将每个关节的输出力矩定义为:
τ=[τ1 τ2 …τx]T;
关节速度为:
整个系统输出的功率(等于力乘速度)在关节空间即表示为:
对于操作空间,设此时末端执行器对外界输出的力矩为:
F[f1 f2 f3 n1 n2 n3]T;
其中,f表示力,n表示扭矩。
末端执行器的速度则为:
求得施加在末端执行器上的外力对整个系统做功的功率为:
根据能量守恒定律得到:
将瞬时运动学带入得到:
τT=FTJ=(JTF)T;
τ=JTF;
至此,能够实现关节空间力矩与操作空间力矩输出的转换。
进一步的,将动力学模型与正逆雅克比推导出的预测数据集与空载数据集和负载数据集进行比较,并依据鲸鱼算法对其建立优化模型:
将鲸鱼算法的原理应用于机器人动力学优化,依照座头鲸在狩猎时要包围猎物,建立如下模型:
D=|CX*(t)-X(t)|
X(t+1)=X*(t)-AD;
式中,t表示当前模型的迭代次数,A、C表示系数,X*(t)表示当前最佳的鲸鱼位置向量,X(t)表示当前鲸鱼的位置向量;
上述系数A、C的计算公式为:
A=2ar1-a;
C=2r2;
式中,r1、r2为(0,1)中的随机数,a的值从2到0线性下降,Tmax为最大迭代次数。
将座头鲸以螺旋运动捕猎的狩猎行为建立数学模型:
X(t+1)=X*(t)+Dpeblcos(2πl);
其中,Dp=|X*(t)-X(t)|表示鲸鱼和猎物之间的距离,即目前动力学模型理论推导值与实际值之间的误差,表示目前为止最好的位置向量,b为常数,用来定义螺线的形状,l是(-1,1)之间的随机数,模型在以螺旋形状逼近误差时同时要收缩逼近范围,假设有的Pi概率选择收缩逼近范围机制和的1-Pi概率选择螺旋模型来更新鲸鱼位置,设定数学模型:
在搜索猎物时,其建模如下:
D=|CXrand-Xt|
X(t+1)=Xrand-AD;
其中,Xrand是随机选择的鲸鱼位置向量,算法设定当A≥1时,随机选择一个搜索代理,根据随机选择的鲸鱼位置来更新其他鲸鱼的位置,迫使鲸鱼偏离猎物,借此找到一个更合适的猎物,这样可以加强算法的勘探能力使鲸鱼算法能够进行全局搜索。
通过位置和搜索猎物的迭代找出适应度值最小的个体位置作为最优位置,继续更新下一代位置,直至找到误差最小的最优解,此时即为最优自辨识负载和各关节输出力矩。
S105,将所述动力学模型、所述预测模型以及所述优化模型进行融合,以得到最终模型,并利用所述最终模型完成所述机器人的恒定力控输出及负载自适应辨识。
在具体实施时,将上述的动力学模型与所述预测模型以及所述优化模型进行融合,以得到最终模型,并利用所述最终模型完成所述机器人的恒定力控输出及负载自适应辨识。
综上,本发明上述实施例当中的机器人恒定力控及负载自辨识方法,通过建立动力学模型、预测模型以及优化模型,进而得到最终模型,并利用最终模型的自适应及学习功能,使得机器人在运动过程中实时纠正误差,在负载自适应的同时优化动力学模型,使得轨迹运动更为顺畅和安全;并且无需在各个关节处加装力矩传感器,通过模型即可实现恒定力控输出,节约生产成本;另外,针对机器人末端的恒定力矩的输出,仅仅需要各关节的数据推递,运算量小,响应速度快。
实施例二
本发明另一方面还提出一种机器人恒定力控及负载自辨识系统,请查阅图3,所示为本发明第二实施例中的机器人恒定力控及负载自辨识系统,包括:
第一模型构建模块11,用于构建机器人的动力学模型以及动力学参数辨识规则;
第一数据计算模块12,用于基于所述动力学模型和所述动力学辨识规则采集所述机器人在预设运动周期内按照预设激励轨迹进行运动时,所述机器人在所述预设运动周期的各个时间下的理论数据集;
第二数据计算模块13,用于分别采集所述机器人在空载状态及负载状态下,在所述预设运动周期内按照不同激励轨迹进行运动时,所述机器人在所述预设运动周期的各个时间下的空载数据集和负载数据集;
第二模型构建模块14,用于利用预设的预测模型计算出所述空载数据集和所述负载数据集的预测数据集,并根据所述预测数据集、所述理论数据集、所述空载数据集和所述负载数据集建立优化模型;
进一步的,所述第二模型构建模块14包括:
数据计算单元,用于根据正逆雅克比矩阵构建预测模型,并以所述空载数据集和所述负载数据集作为输入计算出对应的预测数据集;
模型构建单元,用于将所述理论数据集与所述预测数据集、所述空载数据集以及所述负载数据集进行数据对比,以计算出对应的偏差值,并以所述偏差值作为优化目标建立优化模型。
处理模块15,用于将所述动力学模型、所述预测模型以及所述优化模型进行融合,以得到最终模型,并利用所述最终模型完成所述机器人的恒定力控输出及负载自适应辨识。
上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同,在此不再赘述。
本发明实施例所提供的机器人恒定力控及负载自辨识系统,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
实施例三
本发明还提出一种计算机,请参阅图4,所示为本发明第三实施例中的计算机,包括存储器10、处理器20以及存储在所述存储器10上并可在所述处理器20上运行的计算机程序30,所述处理器20执行所述计算机程序30时实现上述的机器人恒定力控及负载自辨识方法。
其中,存储器10至少包括一种类型的介质,所述介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器10在一些实施例中可以是计算机的内部存储单元,例如该计算机的硬盘。存储器10在另一些实施例中也可以是外部存储装置,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器10还可以既包括计算机的内部存储单元也包括外部存储装置。存储器10不仅可以用于存储安装于计算机的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
其中,处理器20在一些实施例中可以是电子控制单元(Electronic ControlUnit,简称ECU,又称行车电脑)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器10中存储的程序代码或处理数据,例如执行访问限制程序等。
需要指出的是,图4示出的结构并不构成对计算机的限定,在其它实施例当中,该计算机可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
本发明实施例还提出一种介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述的机器人恒定力控及负载自辨识方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种机器人恒定力控及负载自辨识方法,其特征在于,包括:
步骤一:构建机器人的动力学模型以及动力学参数辨识规则;
步骤二:基于所述动力学模型和所述动力学辨识规则采集所述机器人在预设运动周期内按照预设激励轨迹进行运动时,所述机器人在所述预设运动周期的各个时间下的理论数据集;
步骤三:分别采集所述机器人在空载状态及负载状态下,在所述预设运动周期内按照不同激励轨迹进行运动时,所述机器人在所述预设运动周期的各个时间下的空载数据集和负载数据集;
步骤四:利用预设的预测模型计算出所述空载数据集和所述负载数据集的预测数据集,并根据所述预测数据集、所述理论数据集、所述空载数据集和所述负载数据集建立优化模型;
步骤五:将所述动力学模型、所述预测模型以及所述优化模型进行融合,以得到最终模型,并利用所述最终模型完成所述机器人的恒定力控输出及负载自适应辨识。
5.根据权利要求1所述的机器人恒定力控及负载自辨识方法,其特征在于,所述步骤四包括:
根据正逆雅克比矩阵构建预测模型,并以所述空载数据集和所述负载数据集作为输入计算出对应的预测数据集;
将所述理论数据集与所述预测数据集、所述空载数据集以及所述负载数据集进行数据对比,以计算出对应的偏差值,并以所述偏差值作为优化目标建立优化模型。
6.根据权利要求1所述的机器人恒定力控及负载自辨识方法,其特征在于,所述步骤五中,所述优化模型的建立采用鲸鱼算法,其表达式为:
D=|CX*(t)-X(t)|
X(t+1)=X*(t)-AD;
式中,t表示当前模型的迭代次数,A、C表示系数,X*(t)表示当前最佳的鲸鱼位置向量,X(t)表示当前鲸鱼的位置向量。
8.一种机器人恒定力控及负载自辨识系统,其特征在于,包括:
第一模型构建模块,用于构建机器人的动力学模型以及动力学参数辨识规则;
第一数据计算模块,用于基于所述动力学模型和所述动力学辨识规则采集所述机器人在预设运动周期内按照预设激励轨迹进行运动时,所述机器人在所述预设运动周期的各个时间下的理论数据集;
第二数据计算模块,用于分别采集所述机器人在空载状态及负载状态下,在所述预设运动周期内按照不同激励轨迹进行运动时,所述机器人在所述预设运动周期的各个时间下的空载数据集和负载数据集;
第二模型构建模块,用于利用预设的预测模型计算出所述空载数据集和所述负载数据集的预测数据集,并根据所述预测数据集、所述理论数据集、所述空载数据集和所述负载数据集建立优化模型;
处理模块,用于将所述动力学模型、所述预测模型以及所述优化模型进行融合,以得到最终模型,并利用所述最终模型完成所述机器人的恒定力控输出及负载自适应辨识。
9.一种介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一所述的机器人恒定力控及负载自辨识方法。
10.一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述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实现如权利要求1至7任一所述的机器人恒定力控及负载自辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210799907.3A CN115070768A (zh) | 2022-07-08 | 2022-07-08 | 机器人恒定力控及负载自辨识方法、系统、介质及计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210799907.3A CN115070768A (zh) | 2022-07-08 | 2022-07-08 | 机器人恒定力控及负载自辨识方法、系统、介质及计算机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115070768A true CN115070768A (zh) | 2022-09-20 |
Family
ID=83258256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210799907.3A Pending CN115070768A (zh) | 2022-07-08 | 2022-07-08 | 机器人恒定力控及负载自辨识方法、系统、介质及计算机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115070768A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115519542A (zh) * | 2022-09-23 | 2022-12-27 | 五邑大学 | 基于哈里斯鹰化算法的多机协作焊接轨迹规划方法及装置 |
CN115741718A (zh) * | 2022-12-07 | 2023-03-07 | 江西省智能产业技术创新研究院 | 一种机器人完全零力控制方法及系统 |
-
2022
- 2022-07-08 CN CN202210799907.3A patent/CN115070768A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115519542A (zh) * | 2022-09-23 | 2022-12-27 | 五邑大学 | 基于哈里斯鹰化算法的多机协作焊接轨迹规划方法及装置 |
CN115741718A (zh) * | 2022-12-07 | 2023-03-07 | 江西省智能产业技术创新研究院 | 一种机器人完全零力控制方法及系统 |
CN115741718B (zh) * | 2022-12-07 | 2024-06-07 | 江西省智能产业技术创新研究院 | 一种机器人完全零力控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115070768A (zh) | 机器人恒定力控及负载自辨识方法、系统、介质及计算机 | |
CN108227492B (zh) | 一种六自由度串联机器人末端负载动力学参数的辨识方法 | |
CN103495977B (zh) | 一种6r型工业机器人负载识别方法 | |
CN111152212B (zh) | 一种基于功率最优的机械臂移动轨迹规划方法及装置 | |
CN110561438B (zh) | 基于动力学参数辨识的工业机器人力/位柔顺控制方法 | |
JP7489727B2 (ja) | マルチロボット運用環境におけるロボットの構成 | |
CN105259786B (zh) | 待辨识目标的惯性参数辨识方法和装置 | |
CN111496791B (zh) | 一种基于串联机器人的整体动力学参数辨识方法 | |
CN110936382B (zh) | 一种数据驱动的工业机器人能耗优化方法 | |
CN110489707B (zh) | 一种基于gan网络的机器人逆运动学求解方法 | |
CN112497216B (zh) | 一种基于深度学习的工业机器人位姿精度补偿方法 | |
CN113510698B (zh) | 一种机械臂控制方法、装置、机械臂和可读存储介质 | |
CN112338912A (zh) | 一种柔性单链机械臂的有限时间稳定控制方法及系统 | |
CN112528434B (zh) | 信息识别方法、装置、电子设备和存储介质 | |
CN110941183A (zh) | 一种基于神经网络的工业机器人动力学辨识方法 | |
CN113043278B (zh) | 一种基于改进型鲸鱼搜索方法的机械臂轨迹规划方法 | |
Shen et al. | RETRACTED: Jacobian free monotonic descent algorithm for forward kinematics of spatial parallel manipulator | |
CN112276952B (zh) | 一种多机器人系统的鲁棒同时镇定方法及系统 | |
Xie et al. | Manipulator calibration based on PSO-RBF neural network error model | |
CN113352320B (zh) | 一种基于Q学习的Baxter机械臂智能优化控制方法 | |
CN114967472A (zh) | 一种无人机轨迹跟踪状态补偿深度确定性策略梯度控制方法 | |
Lee et al. | Cooperative particle swarm optimization-based predictive controller for multi-robot formation | |
Zhang et al. | An adaptive PSO-based method for inverse kinematics analysis of serial manipulator | |
CN114800525B (zh) | 机器人碰撞检测方法、系统、计算机及可读存储介质 | |
CN110328689A (zh) | 机器人平衡检测方法、装置、设备及机器人 |
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 |