CN115582834A - 机器人能耗模型构建方法及并行双向动态能耗优化方法 - Google Patents
机器人能耗模型构建方法及并行双向动态能耗优化方法 Download PDFInfo
- Publication number
- CN115582834A CN115582834A CN202211243883.XA CN202211243883A CN115582834A CN 115582834 A CN115582834 A CN 115582834A CN 202211243883 A CN202211243883 A CN 202211243883A CN 115582834 A CN115582834 A CN 115582834A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- robot
- scaling
- time
- control section
- 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.)
- Granted
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 230000014509 gene expression Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 238000003763 carbonization Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- 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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种机器人能耗模型构建方法,包括如下步骤:步骤一:获取目标机器人的预设关节轨迹qr(u),并将qr(u)在时域上均分为Nu个控制段;步骤二:对控制段[um,um+1]上的关节轨迹qr(u)进行变时间尺度缩放,得到时间缩放状态空间表达式;步骤三:将控制段[um,um+1]均分为k个采样段,得到第m个控制段[um,um+1]的机器人能耗模型;步骤四:辨识能耗特征参数,构建得到机器人能耗模型。本发明还公开了一种机器人能耗模型的机器人并行双向动态能耗优化方法,包括如下步骤:S1:结合时间缩放状态空间表达式建立时间缩放三维离散网格,对缩放参数进行搜索;S2:基于机器人能耗模型以及状态转移方程对关节轨迹能耗进行迭代计算,得到满足指定约束的能耗最优缩放轨迹及最优能耗值。
Description
技术领域
本发明属于机器人技术领域,具体的为一种机器人能耗模型构建方法及并行双向动态能耗优化方法。
背景技术
现有技术中,机器人的能耗计算需要依靠其驱动系统的详细技术参数,包括永磁同步伺服电机、变频器以及整流器等的技术参数。但是机器人用户往往无法获取相应的参数,且机器人的技术参数会随着工况的变化而变化。同时,同一工作任务,采用不同进给速率,机器人能耗也存在较大的差异。因此,实现机器人能耗地高效、准确地计算,得到机器人能耗的最优轨迹函数,具有较大的难度及实际意义。
发明内容
有鉴于此,本发明的目的在于提供一种机器人能耗模型构建方法及并行双向动态能耗优化方法,其中,机器人能耗模型构建方法可在不需要机器人驱动系统技术参数的条件下构建能耗模型;双向动态能耗优化方法可实现在指定条件下机器人关节轨迹函数的最优缩放及能耗优化。
为达到上述目的,本发明提供如下技术方案:
本发明首先提出了一种机器人能耗模型构建方法,包括如下步骤:
步骤一:获取目标机器人的预设关节轨迹qr(u),并将qr(u)在时域上均分为Nu个控制段,Δ=um+1-um,m∈{0,...,Nu-1},Δ为常数,u为预设关节轨迹执行时间变量;um和um+1分别表示第m个和第m+1个控制段的关节轨迹执行时间节点;
步骤二:对控制段[um,um+1]上的关节轨迹qr(u)进行变时间尺度缩放:
qm,s(t)=qm,r(u),1≤m≤k
其中,qs(t)为变时间尺度缩放后的关节轨迹;qm,s(t)为变时间尺度缩放后在控制段[um,um+1]上的关节轨迹;qm,r(u)为机器人在控制段[um,um+1]上的预设关节轨迹;t为变时间尺度缩放后关节轨迹执行时间变量;
令üm在第m个控制段[um,um+1]内为常数,得到时间缩放状态空间表达式:
步骤三:将控制段[um,um+1]均分为k个采样段,得到第m个控制段[um,um+1]的机器人能耗模型可表示为:
其中,Em,i表示机器人在第m个控制段中的第i个采样段的能耗;bi,1至bi,12为与预设轨迹及机器人自身特性相关的能耗特征参数,其在采样段区间[βi,βi+1]上均为常数;
步骤四:辨识能耗特征参数bi,1至bi,12,构建得到机器人能耗模型。
进一步,所述步骤四中,为了辨识能耗特征参数bi,1至bi,12,需找到n条缩放轨迹并采集机器人在相应采样段的能耗数据,此时n条缩放轨迹满足:
AB=C
其中:A=[A1 A2],B=[B1 B2]T,且:
B1=[bi,1 bi,2 bi,3 bi,4 bi,10]
B2=[bi,5 bi,6 bi,7 bi,8 bi,9 bi,11 bi,12]
C=[Em,i,1 Em,i,2…Em,i,n]T
因此,当A列满秩时,B=(ATA)-1ATC;可实现对能耗特征参数bi,1至bi,12的辨识。
进一步,能耗特征参数bi,1至bi,12的辨识方法如下:
可识别第一组参数式:
bi,6
由于bi,6已完成辨识,且:
可识别第二组参数式:
bi,5
bi,8
联立第一参数式和第二参数式,由于Λ、Γ已知,且选择Γ≠1,识别得到bi,5,bi,6,bi,7,bi,8,bi,9,bi,11和bi,12,即识别得到所有的能耗特征参数,构建得到机器人能耗模型。
本发明还提出了一种采用如上所述方法构建得到的机器人能耗模型的机器人并行双向动态能耗优化方法,包括如下步骤:
S2:基于机器人能耗模型以及状态转移方程对关节轨迹能耗进行迭代计算,得到满足指定约束的能耗最优缩放轨迹及最优能耗值。
进一步,指定约束为机器人在指定时间段上的位置约束、速度约束、加速度约束以及缩放后的整段轨迹执行时间。
进一步,状态转移方程为:
本发明的有益效果在于:
本发明的机器人能耗模型构建方法,将目标机器人的预设关节轨迹在时域上划分为Nu个控制段,使预设关节轨迹执行时间变量在每一个控制段内的二阶导数为常数,从而构建得到每一个控制段内的机器人能耗模型,为了求解机器人能耗模型中的能耗特征参数,将每一个控制段均分为k个采样段,在每个采样段内,使能耗特征参数为常数,从而实现在每一个采样段内对能耗特征参数的辨识,累加每个采样段的能耗即可得到每个控制段的能耗,累加每个控制段的能耗即可得到机器人在执行预设关节轨迹时的能耗,即在不需要机器人驱动系统技术参数的条件下构建能耗模型构建得到机器人能耗模型。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为参考时间与缩放时间之间的非线性映射图;
图2为三维离散网格的示意图;
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
本实施例的机器人能耗模型构建方法,包括如下步骤。
步骤一:获取目标机器人的预设关节轨迹qr(u),并将qr(u)在时域上均分为Nu个控制段,Δ=um+1-um,m∈{0,...,Nu-1},Δ为常数,u为预设关节轨迹执行时间变量;um和um+1分别表示第m个和第m+1个控制段的关节轨迹执行时间节点;
步骤二:如图1所示,对控制段[um,um+1]上的关节轨迹qr(u)进行变时间尺度缩放:
qm,s(t)=qm,r(u),1≤m≤k
其中,qs(t)为变时间尺度缩放后的关节轨迹,qm,s(t)为变时间尺度缩放后在控制段[um,um+1]上的关节轨迹;qm,r(u)为机器人在控制段[um,um+1]上的预设关节轨迹;t为变时间尺度缩放后关节轨迹执行时间变量;
令üm在第m个控制段[um,um+1]内为常数,得到时间缩放状态空间表达式:
步骤三:将控制段[um,um+1]均分为k个采样段,得到第m个控制段[um,um+1]的机器人能耗模型可表示为:
其中,Em,i表示机器人在第m个控制段中的第i个采样段的能耗;bi,1至bi,12为与预设轨迹及机器人自身特性相关的能耗特征参数,其在采样段区间[βi,βi+1]上均为常数;
步骤四:辨识能耗特征参数bi,1至bi,12,构建得到机器人能耗模型。
具体的,为了辨识能耗特征参数bi,1至bi,12,需找到n条缩放轨迹并采集机器人在相应采样段的能耗数据,此时n条缩放轨迹满足:
AB=C
其中:A=[A1 A2],B=[B1 B2]T,且:
B1=[bi,1 bi,2 bi,3 bi,4 bi,10]
B2=[bi,5 bi,6 bi,7 bi,8 bi,9 bi,11 bi,12]
C=[Em,i,1 Em,i,2…Em,i,n]T
因此,当A列满秩时,B=(ATA)-1ATC;可实现对能耗特征参数bi,1至bi,12的辨识。
进一步,能耗特征参数bi,1至bi,12的辨识方法如下:
可识别第一组参数式:
bi,6
由于bi,6已完成辨识,且:
可识别第二组参数式:
bi,5
bi,8
联立第一参数式和第二参数式,由于Λ、Γ已知,且选择Γ≠1,识别得到bi,5,bi,6,bi,7,bi,8,bi,9,bi,11和bi,12,即识别得到所有的能耗特征参数,构建得到机器人能耗模型。
本实施例的机器人并行双向动态能耗优化方法,包括如下步骤:
S2:基于机器人能耗模型以及状态转移方程对关节轨迹能耗进行迭代计算,得到满足指定约束的能耗最优缩放轨迹及最优能耗值,其中:
指定约束为机器人在指定时间段上的位置约束、速度约束、加速度约束以及缩放后的整段轨迹执行时间;
状态转移方程为:
下面结合机器人动力学对本发明机器人能耗模型构建方法及并行双向动态能耗优化方法的具体实施方式进行详细说明。
1、机器人动力学方程
n个永磁同步电机驱动的工业机器人动力学方程可表示为:
其中,为关节力矩;分别为关节位置、速度、加速度;为正定惯性矩阵;表示单位矩阵;为克罗内克积;为第i个关节上的科式力和离心力系数矩阵;和是对角矩阵,其对角元素分别代表对应关节的库仑摩擦系数和粘性阻尼系数;sgn()为符号函数;H表示机器人的重力势能;为机器人速度雅可比矩阵;分别为负载的质量和惯性矩阵;分别为负载相对于全局坐标系的线速度、角速度;为重力加速度;为零向量。
2、永磁同步电机功率
工业机器人永磁同步电机输入功率可表示为:
S1和S2的定义如下:
S1=R(KRKT)-2 (3)
由于工业机器人其他部件能耗功率近似为常数,故工业机器人总能耗可表示为:
3、动态时间缩放技术
动态时间尺度缩放方法是采用关于时间的非线性函数作为时间缩放因子,对机器人参考机器人轨迹qr(tr)的运行时间进行缩放,其表达式为:
tr=u(t) (6)
其中,tr表示机器人预定义的任务执行时间,t表示缩放后的任务执行时间,u(t)>0且单调递增。
将u(t)表示为u,则缩放后机器人的关节位置、速度、加速度为:
qs(t)=qr(u) (7)
将(7)(8)(9)代入(1)可得:
其中:
将(10)进行参数分离得:
其中:
将(12)代入(2),并进行参数分离,得动态时间尺度缩放后的工业机器人总功率为:
其中:
4、机器人能耗模型
将机器人预设运动轨迹qr在时域上均匀地划分为Nu个控制段,m∈{0,...,Nu-1},并假设ü在每个控制段为常量,则由(14)得控制段[um,um+1]上的能耗可表示为:
其中,t∈[tm,tm+1]。
其中,βi的定义为:
故可将(22)式化为:
其中,bj,j∈{1,…,9}及bi,10,bi,11,bi,12,i∈{0,…,k-1}是能耗特征参数,在区间[um,um+1]上均为常数,其表达式如下:
5、能耗特征参数辨识
能耗特征参数b1-bi,12仅与预设轨迹及机器人自身特性相关,而与缩放参数无关。因此通过寻找合适的n条缩放轨迹并采集机器人在相应采样段的能耗数据,完成对能耗特征参数的辨识,从而在无需预知任何机器人自身特性的情况下完成机器人能耗特征方程建模及最优能耗轨迹规划,具有重要意义。
但由于(24)式能耗特征参数个数过多,且数量随信号采集装置及希望达到的计算精度决定,故可由下式将积分bj,j∈{1,…,9}进行分解:
故将Em可改写为:
其中,Em,i为第m个控制段的第i个采样段的能耗特征方程:
其中,bi,1-bi,9为将b1-b9按式(26)进行分解后的能耗特征参数。
此时从采样点角度出发,[βi,βi+1]间能耗特征参数个数固定为12,且为常数。
由式(28)可知,n条缩放轨迹在第m个控制段第i个采样段上满足如下方程组:
AB=C (29)
其中:
A=[A1 A2] (30)
B=[B1 B2]T (34)
B1=[bi,1 bi,2 bi,3 bi,4 bi,10] (35)
B2=[bi,5 bi,6 bi,7 bi,8 bi,9 bi,11 bi,12] (36)
C=[Em,i,1 Em,i,2…Em,i,n]T (37)
故当A列满秩时,可得超定方程组的极小最小二乘解:
B=(ATA)-1ATC (38)
但由于A矩阵阶数过高,导致(38)式在应用到实际生产中时必须采集足够多的缩放轨迹,这势必增加时间成本与人工成本等。
为此本实施例给出三步辨识法理论推导过程,仅需13条缩放轨迹,即完成辨识。
第一步:线性化缩放部分能耗特征参数辨识
第二步:非线性缩放部分能耗特征参数辨识
完成对bi,1,bi,2,bi,3,bi,4,bi,10的辨识后,式(29)可变化为:
此时A2仍然阶数较高,难以直接确定完成对B2参数的辨识所需的最小缩放轨迹个数。
因此采用分治策略(分治法),降低A2阶数,分离B2参数,以完成对B2参数的辨识,具体步骤为,当üm≠0:
此时,记:
则因:
故式(42)可化为:
此时,可完成对下列能耗特征参数的辨识:
此时,记:
由于bi,6已完成辨识,又:
故(47)式可化为:
此时,可完成对下列能耗特征参数的辨识:
结合式(46),即可完成对bi,5,bi,8,bi,7的辨识。
此时需矩阵(52)列满秩:
即:
条件(53)可简化为:
Γ≠1 (54)
此方法共需线性缩放轨迹5条,变时间尺度缩放轨迹8条,需满足条件(40)(45)(50)(54),即可完成对所有能耗特征参数的辨识。
6、机器人并行双向动态能耗优化方法
采用并行双向动态规划算法,结合时间缩放状态空间表达式建立时间缩放三维离散网格,对缩放参数进行搜索,并基于能耗优化计算模型及状态转移方程对关节轨迹能耗进行迭代计算,最终得到满足指定约束的能耗最优缩放轨迹及最优能耗值;其中:指定约束为机器人在指定时间段上的位置约束、速度约束、加速度约束以及缩放后整段轨迹执行时间。
由于参考时间控制段参数m∈{0,...,Nu-1},故时间缩放三维离散网格层数为Nu+1。将每层离散网格t、变量个数划分为为Nt、Nv个,其中0≤u≤uf(单调递增)、0≤t≤tf(单调递增)、uf表示预设轨迹总执行时间;tf表示经变时间尺度缩放后的机器人轨迹总执行时间。
变时间尺度缩放方法的能耗优化模型可以表示为:
为使机器人平滑启动及停止,三维离散网格初始状态及末状态可表示为:
由于首末状态确定,因此前向、后向、双向动态规划均可使用。且当使用双向动态规划时可以并行化方式运行。
本实施例根据能量特征参数模型建立双向动态规划法的状态转移方程:
因此并行双向动态规划算法可表示为:
算法1中F0是一个二维数组,其元素F0(j,i)用于存储前向动态规划状态点(m,ks,hs)到达状态点(m+1,ke,he)的最小能量成本;其中,ks和ke是t方向上的状态空间点的位置索引变量,hs和he是方向上的状态空间点的位置索引变量。Ff与F0定义类似,为后向动态规划最小能量成本二维数组。G0是一个三维数组,其元素B(m+1,ke,he)用于记录在第m层状态点达到(m+1,ke,he)时得到的最低能量损耗所对应的状态点的位置索引。Gf与G0定义类似,为后向动态规划最小能量成本二维数组。J是一个三维数组,其元素J(m+1,ke,he)用于储存到达状态点(m+1,ke,he)的最小能量成本,u,和t的值域分别划分为Nu,Nv和Nt段,m,w是u方向上的状态空间点的位置索引变量。因为时间t是单调递增的,所以索引ks的值总是小于ke。FOptimalCost()与BOptimalCost()分别为前向动态规划能量成本计算函数与后向动态规划能量成本计算函数。当m≠w时,二者同时进行并行化计算。算法2给出ForwardCost()的伪代码,BOptimalCost()可参照算法2写出,由于篇幅有限,不再给出。GetOptimalSequence()为在双向动态规划算法执行完毕后对前向最优能耗、索引及后向最优能耗、索引进行整合,以得到最优序列{tm},{Em},m∈[1,Nu-1]的函数,同时可得最优能耗
算法2中GetGridPoint()为获取对应状态点的函数。CostFunction()为基于能量特征参数模型计算机器人能量损耗的函数。
根据算法1可以得到,计算状态转换的能量成本的核心函数执行了次。Nu可以认为是一个常数,假设Nt=Nv=n,则时间复杂度为O(n4)。但由于本实施例提出的能耗特征参数模型参数已经过辨识,在每个控制段仅需对tm+1,tm进行简单数值迭代即可,同时本实施例采用并行双向动态规划算法,充分利用了计算机硬件资源,这将大大减少算法的执行时间。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (6)
1.一种机器人能耗模型构建方法,其特征在于:包括如下步骤:
步骤一:获取目标机器人的预设关节轨迹qr(u),并将qr(u)在时域上均分为Nu个控制段,Δ=um+1-um,m∈{0,...,Nu-1},Δ为常数,u为预设关节轨迹执行时间变量;um和um+1分别表示第m个和第m+1个控制段的关节轨迹执行时间节点;
步骤二:对控制段[um,um+1]上的关节轨迹qr(u)进行变时间尺度缩放:
qm,s(t)=qm,r(u),1≤m≤k
其中,qs(t)为变时间尺度缩放后的关节轨迹;qm,s(t)为变时间尺度缩放后在控制段[um,um+1]上的关节轨迹;qm,r(u)为机器人在控制段[um,um+1]上的预设关节轨迹;t为变时间尺度缩放后关节轨迹执行时间变量;
步骤三:将控制段[um,um+1]均分为k个采样段,得到第m个控制段[um,um+1]的机器人能耗模型可表示为:
其中,Em,i表示机器人在第m个控制段中的第i个采样段的能耗;bi,1至bi,12为与预设轨迹及机器人自身特性相关的能耗特征参数,其在采样段区间[βi,βi+1]上均为常数;
步骤四:辨识能耗特征参数bi,1至bi,12,构建得到机器人能耗模型。
2.根据权利要求1所述的机器人能耗模型构建方法,其特征在于:所述步骤四中,为了辨识能耗特征参数bi,1至bi,12,需找到n条缩放轨迹并采集机器人在相应采样段的能耗数据,此时n条缩放轨迹满足:
AB=C
其中:A=[A1 A2],B=[B1 B2]T,且:
B1=[bi,1 bi,2 bi,3 bi,4 bi,10]
B2=[bi,5 bi,6 bi,7 bi,8 bi,9 bi,11 bi,12]
C=[Em,i,1 Em,i,2 … Em,i,n]T
因此,当A列满秩时,B=(ATA)-1ATC;可实现对能耗特征参数bi,1至bi,12的辨识。
3.根据权利要求2所述的机器人能耗模型构建方法,其特征在于:能耗特征参数bi,1至bi,12的辨识方法如下:
可识别第一组参数式:
bi,6
由于bi,6已完成辨识,且:
可识别第二组参数式:
bi,5
bi,8
联立第一参数式和第二参数式,由于Λ、Γ已知,且选择Γ≠1,识别得到bi,5,bi,6,bi,7,bi,8,bi,9,bi,11和bi,12,即识别得到所有的能耗特征参数,构建得到机器人能耗模型。
5.根据权利要求4所述的机器人并行双向动态能耗优化方法,其特征在于:指定约束为机器人在指定时间段上的位置约束、速度约束、加速度约束以及缩放后的整段轨迹执行时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211243883.XA CN115582834B (zh) | 2022-10-11 | 机器人能耗模型构建方法及并行双向动态能耗优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211243883.XA CN115582834B (zh) | 2022-10-11 | 机器人能耗模型构建方法及并行双向动态能耗优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115582834A true CN115582834A (zh) | 2023-01-10 |
CN115582834B CN115582834B (zh) | 2024-06-04 |
Family
ID=
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130119916A1 (en) * | 2011-11-10 | 2013-05-16 | Yebin Wang | Energy Efficient Motion Control System |
CN103747925A (zh) * | 2011-08-05 | 2014-04-23 | 三菱电机株式会社 | 生成电机控制致动器的轨迹的方法 |
US20140277788A1 (en) * | 2012-07-31 | 2014-09-18 | Causam Energy, Inc. | System, method, and data packets for messaging for electric power grid elements over a secure internet protocol network |
CN109002006A (zh) * | 2018-09-13 | 2018-12-14 | 合肥工业大学 | 基于低碳低成本约束的加工路线优化方法 |
CN111158313A (zh) * | 2020-01-14 | 2020-05-15 | 上海交通大学 | 数控机床能耗建模与加工过程优化的方法 |
CN111615674A (zh) * | 2018-02-12 | 2020-09-01 | 自动化合作关系(剑桥)有限公司 | 缩放工具 |
WO2020227429A1 (en) * | 2019-05-06 | 2020-11-12 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
CN111948942A (zh) * | 2020-07-30 | 2020-11-17 | 北京理工大学 | 一种多架旋翼飞行器协作搬运的能量优化方法 |
WO2021106977A1 (ja) * | 2019-11-28 | 2021-06-03 | 公立大学法人 滋賀県立大学 | 輸送経路決定方法、コンピュータプログラム、及び、輸送経路決定装置 |
US20220066456A1 (en) * | 2016-02-29 | 2022-03-03 | AI Incorporated | Obstacle recognition method for autonomous robots |
CN114720991A (zh) * | 2019-10-24 | 2022-07-08 | 趣眼有限公司 | 有源短波红外成像系统及生成短波红外图像的方法 |
CN115657465A (zh) * | 2022-07-18 | 2023-01-31 | 重庆大学 | 基于数据驱动的机器人能耗优化方法 |
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103747925A (zh) * | 2011-08-05 | 2014-04-23 | 三菱电机株式会社 | 生成电机控制致动器的轨迹的方法 |
US20130119916A1 (en) * | 2011-11-10 | 2013-05-16 | Yebin Wang | Energy Efficient Motion Control System |
US20140277788A1 (en) * | 2012-07-31 | 2014-09-18 | Causam Energy, Inc. | System, method, and data packets for messaging for electric power grid elements over a secure internet protocol network |
US20220066456A1 (en) * | 2016-02-29 | 2022-03-03 | AI Incorporated | Obstacle recognition method for autonomous robots |
CN111615674A (zh) * | 2018-02-12 | 2020-09-01 | 自动化合作关系(剑桥)有限公司 | 缩放工具 |
CN109002006A (zh) * | 2018-09-13 | 2018-12-14 | 合肥工业大学 | 基于低碳低成本约束的加工路线优化方法 |
WO2020227429A1 (en) * | 2019-05-06 | 2020-11-12 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
CN114720991A (zh) * | 2019-10-24 | 2022-07-08 | 趣眼有限公司 | 有源短波红外成像系统及生成短波红外图像的方法 |
WO2021106977A1 (ja) * | 2019-11-28 | 2021-06-03 | 公立大学法人 滋賀県立大学 | 輸送経路決定方法、コンピュータプログラム、及び、輸送経路決定装置 |
CN111158313A (zh) * | 2020-01-14 | 2020-05-15 | 上海交通大学 | 数控机床能耗建模与加工过程优化的方法 |
CN111948942A (zh) * | 2020-07-30 | 2020-11-17 | 北京理工大学 | 一种多架旋翼飞行器协作搬运的能量优化方法 |
CN115657465A (zh) * | 2022-07-18 | 2023-01-31 | 重庆大学 | 基于数据驱动的机器人能耗优化方法 |
Non-Patent Citations (4)
Title |
---|
OSKAR WIGSTRÖM; BENGT LENNARTSON: "Energy optimization of trajectories for high level scheduling", 《2011 IEEE INTERNATIONAL CONFERENCE ON AUTOMATION SCIENCE AND ENGINEERING》, 13 October 2011 (2011-10-13) * |
XIAOBIN LI; YUNKUN LAN; PEI JIANG; HUAJUN CAO; JIN ZHOU: "An Efficient Computation for Energy Optimization of Robot Trajectory", 《 IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》, vol. 69, no. 11, 13 October 2021 (2021-10-13), XP011910324, DOI: 10.1109/TIE.2021.3118367 * |
兰运坤: "基于时间缩放的工业机器人能耗优化方法研究", 万方数据知识服务平台, 1 November 2023 (2023-11-01) * |
吴勇强,唐先智,宋伟,江沛,周进,陈元杰: "工业机器人功率等效模型与参数辨识", 《重庆大学学报》, vol. 44, no. 10, 31 October 2021 (2021-10-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110928310B (zh) | 一种无人船领航跟随固定时间编队控制方法 | |
CN110196590B (zh) | 一种用于机器人路径跟踪的时间最优轨迹规划方法 | |
CN111399514B (zh) | 一种机器人时间最优轨迹规划方法 | |
CN102554938B (zh) | 机器人的机械手末端轨迹跟踪方法 | |
Cai et al. | Fixed-time leader-following/containment consensus for a class of nonlinear multi-agent systems | |
CN110320809B (zh) | 一种基于模型预测控制的agv轨迹修正方法 | |
CN110154028A (zh) | 机械臂无模型自适应积分终端滑模控制方法 | |
CN110116409B (zh) | 一种基于扰动观测器的四通道遥操作双边控制方法 | |
CN110053044B (zh) | 一种并联机器人串类水果夹取无模型自适应光滑滑模阻抗控制方法 | |
CN109164759A (zh) | 曲线插补方法、设备及计算机可读存储介质 | |
CN1010510B (zh) | 动力传动装置 | |
CN113253678A (zh) | 精密运动平台的运动轨迹规划方法 | |
CN113885321B (zh) | 基于记忆相关Koopman的双模超声电机死区模糊补偿与线性预测控制方法及系统 | |
CN115582834A (zh) | 机器人能耗模型构建方法及并行双向动态能耗优化方法 | |
CN113283090B (zh) | 基于蜂群算法的飞机舵机电动伺服系统摩擦补偿方法 | |
CN115582834B (zh) | 机器人能耗模型构建方法及并行双向动态能耗优化方法 | |
CN111924142B (zh) | 一种基于序列图像的软着陆高精度避障方法 | |
CN108227493B (zh) | 一种机器人轨迹跟踪方法 | |
CN112462608A (zh) | 一种高速列车离散滑模轨迹及速度跟踪控制方法 | |
CN115047763B (zh) | 一种多无人机系统的最小能量控制方法 | |
Zhou et al. | Finite-time adaptive neural network event-triggered output feedback control for PMSMs | |
Wang et al. | Tracking moving target for 6 degree-of-freedom robot manipulator with adaptive visual servoing based on deep reinforcement learning PID controller | |
CN115465799A (zh) | 塔吊控制参数调节方法及装置、计算设备和存储介质 | |
Shen et al. | Trajectory optimization algorithm based on robot dynamics and convex optimization | |
Tang et al. | Actively learning Gaussian process dynamical systems through global and local explorations |
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 |