CN116442220A - 机器人关节摩擦模型的参数辨识方法和装置、力矩估计方法和装置 - Google Patents
机器人关节摩擦模型的参数辨识方法和装置、力矩估计方法和装置 Download PDFInfo
- Publication number
- CN116442220A CN116442220A CN202310336043.6A CN202310336043A CN116442220A CN 116442220 A CN116442220 A CN 116442220A CN 202310336043 A CN202310336043 A CN 202310336043A CN 116442220 A CN116442220 A CN 116442220A
- Authority
- CN
- China
- Prior art keywords
- robot
- friction
- joint
- particle
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000002245 particle Substances 0.000 claims description 68
- 230000003068 static effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- B25J9/1641—Programme controls characterised by the control loop compensation for backlash, friction, compliance, elasticity in the joints
-
- 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
- B25J9/1633—Programme controls characterised by the control loop compliant, force, torque control, e.g. combined with position 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种机器人关节摩擦模型的参数辨识方法和装置，所述方法通过机器人关节摩擦力参数进行模型的构建，并采用粒子群优化算法对该模型中的辨识参数集合进行优化调整，从而获得该模型最优的辨识参数集合。本发明还提供了一种力矩估计方法和装置，所述方法基于最优的识别参数构建的模型和当前机器人的设备参数，快速估计机器人的实际关节力矩，从而为后续机器人控制指令生成提供准确有效的指导。
Description
技术领域
本发明属于机器人控制技术领域，具体涉及一种机器人关节摩擦模型的参数辨识方法和装置、力矩估计方法和装置。
背景技术
机器人广泛应用于工业、服务等应用领域。机器人关节作为机器人核心部件，其控制性能直接影响机器人整机控制性能。机器人关节力矩输出计算通常可以通过关节输出力矩传感器直接测量和电机电流估计两种方式实现。直接在关节输出端通过力矩传感器测量会显著增加机器人关节成本，通过电机电流估计关节输出力矩由于机器人关节减速器摩擦等因素会造成一定偏差，因此需要对机器人关节摩擦模型参数进行准确辨识并进行补偿。
现有的摩擦力模型有多种类型，如库仑摩擦和粘性摩擦的模型、Stribeck静态模型、LuGre动态模型等。摩擦力数值受到温度、压力、润滑条件、位置速度等因素的影响，模型参数获取难度高，且不精确，不利于实施。
专利文献CN115366107A公开了一种机器人关节摩擦力补偿方法及系统，该方法包括：步骤1采集机器人机械关节的运动数据，处理后得到动摩擦力数据和静摩擦力数据；步骤2建立摩擦力径向基网络，使用动摩擦力数据和静摩擦力数据对网络进行训练；步骤3使用训练好的摩擦力径向基网络测量机器人的关节摩擦力，并将计算结果补偿到机器人控制系统中。该方法针对静摩擦力和动摩擦力，但机器人关节在实际工作中造成摩擦的因素有很多，而文中并没有提及更加细致的内容，同时也没有给出相应的解决方法。
专利文献CN114750167A公开一种基于干扰动观测的工业机器人关节摩擦补偿方法，该方法包括：步骤1采集各关节电机编码器的电机转子角度；步骤2将各关节电机转子角度输入转动惯量计算模块，所述转动惯量计算模块输出各关节折算到电机侧的总负载转动量；步骤3将电机侧的总负载转动惯量和电机转子角度输入扰动观测器模块，得到摩擦力矩的观测数值；将观测数值转换为摩擦补偿电流，后加入伺服控制器中的转矩电流指令中，实现摩擦补偿。该方法通过观测的方式代替转动摩擦力的测量，使得最终补偿值并不准确。
发明内容
本发明的第一发明目的是提供一种机器人关节摩擦模型的参数辨识方法和装置，该方法针对机器人关节摩擦模型的参数集合进行优化，并基于优化后的参数合集构建最优机器人关节摩擦模型，从而解决机器人关节摩擦模型难以构建且流程繁琐的问题。
为实现上述的第一发明目的，本发明提供的一种机器人关节摩擦模型的参数辨识方法，包括：
步骤1、构建包含机器人关节摩擦力参数的机器人关节摩擦模型，所述机器人关节摩擦力参数包括库伦摩擦力，最大静摩擦力，粘滞摩擦系数以及及Stribeck速度。
步骤2、根据机器人关节摩擦力参数，构建待优化的辨识参数集合。
步骤3、将所述辨识参数集合作为粒子的位置值，通过粒子群优化算法进行迭代优化，直至满足终止条件，输出全局最优粒子。
步骤4、将步骤3获得全局最优粒子的位置值作为最优的辨识参数集合。
本发明基于机器人关节摩擦力参数进行模型的构建，并采用粒子群优化算法对该模型中的辨识参数集合进行优化调整，从而获得该模型最优的辨识参数集合。
具体的，将最优的辨识参数集合代入机器人关节摩擦模型中，以获得用于估计机器人当前关节摩擦力的最优机器人关节摩擦模型。
具体的，所述机器人关节摩擦模型采用Stribeck摩擦模型进行构建，其具体表达式如下：
式中，Ff为机器人关节摩擦力，Fc为库伦摩擦力，Fs为最大静摩擦力，θ为电机转角，ωs为Stribeck速度，δ为粘滞摩擦系数。
优选的，在步骤2中，所述辨识参数集合包括由库伦摩擦力构成的第一辨识参数，由库伦摩擦力与最大静摩擦力差值构成的第二辨识参数，由Stribeck速度值倒数平方构成的第三辨识参数，以及由粘滞摩擦系数构成的第四辨识参数。
所述机器人关节摩擦模型的最终表达式如下：
式中，a为第一辨识参数，b为第二辨识参数，c为第三辨识参数，d为第四辨识参数，Fc为库伦摩擦力，Fs为最大静摩擦力，θ为电机转角，ωs为Stribeck速度，δ为粘滞摩擦系数。
具体的，所述粒子群优化算法的具体过程如下：
步骤3-1、基于辨识参数集合构成的粒子，通过初始化粒子群规模，以及随机粒子的位置值以及速度值，构建待优化的粒子群。
步骤3-2、根据所述粒子群中各粒子的适应度值，更新粒子个体最优值和群体最优值，所述适应度值通过将当前粒子的位置值代入机器人关节摩擦模型后获得的估计关节摩擦力，与实际测得机器人关节摩擦力作差值获得。
步骤3-3、更新所述粒子群中各粒子的位置值与速度值，并重复步骤3-2至步骤3-3，直至满足终止条件，输出全局最优粒子的位置值。
具体的，所述初始化粒子群规模，以及随机粒子的位置矩阵以及速度矩阵，包括以下步骤：
设置粒子群规模为N，令第i个粒子的位置值：
式中，的值与库伦摩擦力对应，/>的值与库伦摩擦力与最大静摩擦力差值对应，/>的值与Stribeck速度值倒数平方对应，/>的值与粘滞摩擦系数对应。
即生成N个粒子随机位置：
令第i个粒子的速度值：
式中，为/>对应的速度值，/>为/>对应的速度值，/>为/>对应的速度值，为/>对应的速度值。
即生成N个粒子随机速度：
具体的，在步骤3-3中，更新所述粒子群中各粒子的位置值与速度值采用线性递减权值策略。
第n次迭代更新速度矢量：
第n次迭代更新位置矢量：
式中，为第n次迭代中粒子个体最优值，/>为第n次迭代中粒子群体最优值，c1和c2为学习因子，r1和r2为[0,1]中的随机数，ωn为惯性因子权值，/>为第n次迭代中粒子的位置值，/>第n次迭代中粒子的速度值。
所述惯性因子权值采用线性递减权值策略：
式中，ωini为初始惯性权值，ωend为迭代至最大进化迭代数时的惯性权值，D为最大迭代次数。
具体的，所述适应度值通过将当前粒子的位置值代入机器人关节摩擦模型后获得的估计机器人当前关节摩擦力，与实际测得机器人关节摩擦力作差获得。
所述估计机器人当前关节摩擦力的表达式如下：
所述适应度值的表达式如下：
式中，F‘f为实际测得机器人关节摩擦力。
具体的，所述实际测得机器人关节摩擦力通过机器人关节电机空载时的电流计算获得，其具体公式如下：
F‘f＝λKI
式中，λ为关节减速比，I为电机空载时的电机电流，K为电机电流-力矩系数。
为实现上述第一发明目的，本发明还提供的一种机器人关节摩擦模型的参数辨识装置，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现上述的机器人关节摩擦模型的参数辨识方法。
本发明的第二发明目的是提供了一种力矩估计方法和装置，该方法根据上述技术方案提供的最优机器人关节摩擦模型与当前机器人的设备参数，估计获得机器人的实际关节力矩，从而为后续机器人控制指令生成提供准确有效的指导。
为了实现上述的第二发明目的，本发明提供的一种力矩估计方法，包括：
将机器人的电机转角输入至上述最优机器人关节摩擦模型中，以获得机器人的当前关节摩擦力；
根据机器人的设备参数与当前关节摩擦力，计算获得机器人的实际关节力矩，所述设备参数包括关节减速比，电机输入电流以及电机电流-力矩系数。
具体的，基于所述设备参数计算关节电机力矩τm，其表达式如下：
τm＝λkqiq
式中，λ为关节减速比，kq为当前机器人的电机电流-力矩系数，iq为当前机器人的电机输入电流。
所述实际关节力矩的表达式如下：
τ＝τm-Ff″
式中，Ff″为机器人的当前关节摩擦力。
具体的，所述电机输入电流通过机器人关节电机控制器中电流传感器采集获得。
所述电机电流-力矩系数通过力矩传感器采集电机的力矩与电流传感器采集的电流计算获得。
所述电机转角通过安装在机器人关节中的位置编码器采集获得。
为实现上述第二发明目的，本发明还提供的一种力矩估计装置，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现上述的力矩估计方法。
与现有技术相比，本发明的有益效果如下：
本发明基于机器人关节摩擦力参数进行模型的构建，并采用粒子群优化算法对该模型中的辨识参数集合进行优化调整，从而获得最优机器人关节摩擦模型，同时仅通过该最优机器人关节摩擦模型与机器人的设备参数，即可获得该机器人的实际关节力矩，从而为后续机器人控制指令生成提供准确有效的指导。
附图说明
图1为本实施例提供的一种机器人关节摩擦模型的参数辨识方法的流程图；
图2为本实施例提供的辨识参数a的迭代变化图；
图3为本实施例提供的辨识参数b的迭代变化图；
图4为本实施例提供的辨识参数c的迭代变化图；
图5为本实施例提供的辨识参数d的迭代变化图；
图6为本实施例提供的机器人关节摩擦模型计算获得的摩擦力与实际测得摩擦力的对比图；
图7为本实施例提供的一种力矩估计方法的流程图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
本申请使用的术语是仅仅出于描述特征实施例的目的，而非旨在限制本申请。
在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多种形式，除非上下文清楚地表明其含义。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种参数，但这些参数不应限于这些术语。这些术语仅使用来将同一类型的参数彼此分开。例如，在不脱离本申请范围的情况下，第一辨识参数也可以被称为第二辨识参数，类似地，第二辨识参数也可以称为第一辨识参数。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1所示，一种机器人关节摩擦模型的参数辨识方法，包括以下步骤：
步骤1、根据Stribeck摩擦模型构建包含机器人关节摩擦力参数的机器人关节摩擦模型，该模型的具体表达式如下：
式中，Ff为机器人关节摩擦力，Fc为库伦摩擦力，Fs为最大静摩擦力，θ为电机转角，ωs为Stribeck速度，δ为粘滞摩擦系数。
步骤2、根据机器人关节摩擦力参数，构建待优化的辨识参数集合，该辨识参数集合包括由伦摩擦力构成的辨识参数a，由库伦摩擦力与最大静摩擦力差值构成的辨识参数b，由Stribeck速度值倒数平方构成的辨识参数c，以及由粘滞摩擦系数构成的辨识参数d。
机器人关节摩擦模型的最终表达式如下：
式中，a为第一辨识参数，b为第二辨识参数，c为第三辨识参数，d为第四辨识参数，Fc为库伦摩擦力，Fs为最大静摩擦力，θ为电机转角，ωs为Stribeck速度，δ为粘滞摩擦系数。
步骤3、将该辨识参数集合作为粒子的位置值，通过粒子群优化算法进行迭代优化，直至满足终止条件，输出全局最优粒子。
该迭代优化过程具体如下：
步骤3-1、基于辨识参数集合构成的粒子，通过初始化粒子群规模，以及随机粒子的位置值以及速度值，构建待优化的粒子群：
设置粒子群规模为N，令第i个粒子的位置值：
式中，的值与库伦摩擦力对应，/>的值与库伦摩擦力与最大静摩擦力差值对应，/>的值与Stribeck速度值倒数平方对应，/>的值与粘滞摩擦系数对应。
即生成N个粒子随机位置：
令第i个粒子的速度值：
即生成N个粒子随机速度：
步骤3-2、根据所述粒子群中各粒子的适应度值，更新粒子个体最优值和群体最优值。
该适应度值的表达式如下：
式中，Fi为估计摩擦力，F‘f为实际测得机器人关节摩擦力。
其中，该估计摩擦力通过将当前粒子的位置值代入识别模型后获得，其具体表达式如下：
实际测得机器人关节摩擦力则通过机器人关节的电机空载电流计算获得，其具体公式如下：
F‘f＝λKI
式中，λ为关节减速比，I为电机空载时的电机相电流，K为电机电流-力矩系数。
当适应度值越小，则说明模型的参数优化准确。
步骤3-3、更新所述粒子群中各粒子的位置值与速度值，并重复步骤3-2至步骤3-3，直至满足终止条件，输出全局最优粒子的位置值。
如图2所示，该机器人关节摩擦模型的辨识参数a在不断迭代过程中，逐步趋近于稳定，即选取最终稳定时的数值作为辨识参数a的值。
如图3所示，该机器人关节摩擦模型的辨识参数b在不断迭代过程中，逐渐趋近于稳定，即选取最终稳定时的数值作为辨识参数b的值。
如图4所示，该机器人关节摩擦模型的辨识参数c在不断迭代过程中，逐渐趋近于稳定，即选取最终稳定时的数值作为辨识参数c的值。
如图5所示，该机器人关节摩擦模型的辨识参数d在不断迭代过程中，逐渐趋近于稳定，即选取最终稳定时的数值作为辨识参数d的值。
步骤4、将最终获得的全局最优粒子的位置值作为最优的辨识参数集合，代入上述机器人关节摩擦模型中，从而获得用于估计机器人当前关节摩擦力的机器人关节摩擦模型。
如图6所示，通过本方法构建的机器人关节摩擦模型的输出结果与实际测量数据拟合程度较高，说明该方法效果较好。
本实施例还提供了一种机器人关节摩擦模型的参数辨识装置，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现上述实施例提出的机器人关节摩擦模型的参数辨识方法。
本实施例还提供了一种力矩估计方法，基于上述实施例提供的最优机器人关节摩擦模型实现，如图7所示，其具体过程如下：
将机器人的电机转角输入至所述最优机器人关节摩擦模型中，以获得机器人的当前关节摩擦力F″f。
根据机器人的设备参数计算关节电机力矩τm，其表达式如下：
τm＝λkqiq
式中，λ为关节减速比，kq为当前机器人的电机电流-力矩系数，iq为当前机器人的电机输入电流。
与当前关节摩擦力F″f进行计算获得机器人的实际关节力矩τ：
τ＝τm-F″f
上述设备参数的获取方式分别如下：
电机输入电流通过机器人关节电机控制器中电流传感器采集获得。
电机电流-力矩系数通过力矩传感器采集电机的力矩与电流传感器采集的电流计算获得。
电机转角通过安装在机器人关节中的位置编码器采集获得。
本实施例还提供了一种力矩估计装置，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现上述实施例提供的力矩估计方法。
以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的从硬件层面而言，除处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
综上所述，本发明提供的机器人关节摩擦模型的参数辨识方法，针对关节摩擦非线性模型多维参数能够快速准确辨识，收敛速度快、辨识精度高，简易可行，成本低，可广泛用于机器人关节控制。
而对应的力矩估计方法通过上述实施例提出的最优机器人关节摩擦模型解决机器人的关节摩擦力获取较难且精度较低的问题，从而提高最终机器人的实际关节力矩计算准确度，为后续机器人关节的控制指令生成提供更加准确的指导。
以上应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种机器人关节摩擦模型的参数辨识方法，其特征在于，包括：
步骤1、构建包含机器人关节摩擦力参数的机器人关节摩擦模型，所述机器人关节摩擦力参数包括库伦摩擦力，最大静摩擦力，粘滞摩擦系数以及及Stribeck速度；
步骤2、根据机器人关节摩擦力，构建待优化的辨识参数集合；
步骤3、将所述辨识参数集合作为粒子的位置值，通过粒子群优化算法进行迭代优化，直至满足终止条件，输出全局最优粒子；
步骤4、将步骤3获得全局最优粒子的位置值作为最优的辨识参数集合。
2.根据权利要求1所述的机器人关节摩擦模型的参数辨识方法，其特征在于，所述机器人关节摩擦模型采用Stribeck摩擦模型进行构建，其具体表达式如下：
式中，Ff为机器人关节摩擦力，Fc为库伦摩擦力，Fs为最大静摩擦力，θ为电机转角，ωs为Stribeck速度，δ为粘滞摩擦系数。
3.根据权利要求1所述的机器人关节摩擦模型的参数辨识方法，其特征在于，在步骤2中，所述辨识参数集合包括由库伦摩擦力构成的第一辨识参数，由库伦摩擦力与最大静摩擦力差值构成的第二辨识参数，由Stribeck速度值倒数平方构成的第三辨识参数，以及由粘滞摩擦系数构成的第四辨识参数。
4.根据权利要求3所述的机器人关节摩擦模型的参数辨识方法，其特征在于，所述辨识参数集合的表达式如下：
式中，a为第一辨识参数，b为第二辨识参数，c为第三辨识参数，d为第四辨识参数，Fc为库伦摩擦力，Fs为最大静摩擦力，θ为电机转角，ωs为Stribeck速度，δ为粘滞摩擦系数。
5.根据权利要求1所述的机器人关节摩擦模型的参数辨识方法，其特征在于，所述粒子群优化算法的具体过程如下：
步骤3-1、基于辨识参数集合构成的粒子，通过初始化粒子群规模，以及随机粒子的位置值以及速度值，构建待优化的粒子群；
步骤3-2、根据所述粒子群中各粒子的适应度值，更新粒子个体最优值和群体最优值，所述适应度值通过将当前粒子的位置值代入机器人关节摩擦模型后获得的估计关节摩擦力，与实际测得机器人关节摩擦力作差值获得；
步骤3-3、更新所述粒子群中各粒子的位置值与速度值，并重复步骤3-2至步骤3-3，直至满足终止条件，输出全局最优粒子的位置值。
6.根据权利要求1-5任一项所述的机器人关节摩擦模型的参数辨识方法，其特征在于，还包括将最优的辨识参数集合代入机器人关节摩擦模型中，以获得用于估计机器人当前关节摩擦力的最优机器人关节摩擦模型。
7.一种机器人关节摩擦模型的参数辨识装置，包括存储器、处理器以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，所述处理器执行计算机程序时实现如权利要求1～6任一项所述的机器人关节摩擦模型的参数辨识方法。
8.一种力矩估计方法，其特征在于，包括以下步骤：
将机器人的电机转角输入至如权利要求6所述的最优机器人关节摩擦模型中，以获得机器人的当前关节摩擦力；
根据机器人的设备参数与当前关节摩擦力，计算获得机器人的实际关节力矩，所述设备参数包括关节减速比，电机输入电流以及电机电流-力矩系数。
9.根据权利要求8所述的力矩估计方法，其特征在于，所述实际关节力矩的计算表达式如下：
式中，λ为关节减速比，kq为当前机器人的电机电流-力矩系数，iq为当前机器人的电机输入电流，Ff″为机器人的当前关节摩擦力。
10.一种力矩估计装置，包括存储器、处理器以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，所述处理器执行计算机程序时实现如权利要求8或9所述的力矩估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310336043.6A CN116442220A (zh) | 2023-03-30 | 2023-03-30 | 机器人关节摩擦模型的参数辨识方法和装置、力矩估计方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310336043.6A CN116442220A (zh) | 2023-03-30 | 2023-03-30 | 机器人关节摩擦模型的参数辨识方法和装置、力矩估计方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116442220A true CN116442220A (zh) | 2023-07-18 |
Family
ID=87124912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310336043.6A Pending CN116442220A (zh) | 2023-03-30 | 2023-03-30 | 机器人关节摩擦模型的参数辨识方法和装置、力矩估计方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116442220A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107498562A (zh) * | 2017-04-21 | 2017-12-22 | 浙江工业大学 | 六自由度机械臂动力学模型辨识方法 |
| CN110460277A (zh) * | 2019-07-22 | 2019-11-15 | 南京理工大学 | 基于粒子群算法的单电机伺服系统摩擦非线性补偿方法 |
| CN112179551A (zh) * | 2020-08-20 | 2021-01-05 | 清华大学 | 机器人的关节电机转矩系数与摩擦力同步测试方法和装置 |
| CN113051673A (zh) * | 2020-12-14 | 2021-06-29 | 华南理工大学 | 一种机器人改进Stribeck摩擦模型辨识方法 |
| CN113510693A (zh) * | 2021-08-03 | 2021-10-19 | 香港中文大学（深圳） | 一种基于摩擦力的机器人控制方法、装置及设备 |
| CN113752250A (zh) * | 2021-05-31 | 2021-12-07 | 腾讯科技（深圳）有限公司 | 机器人关节的控制方法、装置、机器人及存储介质 |
| CN114750167A (zh) * | 2022-06-02 | 2022-07-15 | 成都卡诺普机器人技术股份有限公司 | 一种基于扰动观测的工业机器人关节摩擦补偿方法 |
| CN115366107A (zh) * | 2022-09-08 | 2022-11-22 | 杭州景吾智能科技有限公司 | 机器人机械臂关节摩擦力补偿方法及系统 |
-
2023
- 2023-03-30 CN CN202310336043.6A patent/CN116442220A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107498562A (zh) * | 2017-04-21 | 2017-12-22 | 浙江工业大学 | 六自由度机械臂动力学模型辨识方法 |
| CN110460277A (zh) * | 2019-07-22 | 2019-11-15 | 南京理工大学 | 基于粒子群算法的单电机伺服系统摩擦非线性补偿方法 |
| CN112179551A (zh) * | 2020-08-20 | 2021-01-05 | 清华大学 | 机器人的关节电机转矩系数与摩擦力同步测试方法和装置 |
| CN113051673A (zh) * | 2020-12-14 | 2021-06-29 | 华南理工大学 | 一种机器人改进Stribeck摩擦模型辨识方法 |
| CN113752250A (zh) * | 2021-05-31 | 2021-12-07 | 腾讯科技（深圳）有限公司 | 机器人关节的控制方法、装置、机器人及存储介质 |
| CN113510693A (zh) * | 2021-08-03 | 2021-10-19 | 香港中文大学（深圳） | 一种基于摩擦力的机器人控制方法、装置及设备 |
| WO2023010811A1 (zh) * | 2021-08-03 | 2023-02-09 | 香港中文大学（深圳） | 一种基于摩擦力的机器人控制方法、装置及设备 |
| CN114750167A (zh) * | 2022-06-02 | 2022-07-15 | 成都卡诺普机器人技术股份有限公司 | 一种基于扰动观测的工业机器人关节摩擦补偿方法 |
| CN115366107A (zh) * | 2022-09-08 | 2022-11-22 | 杭州景吾智能科技有限公司 | 机器人机械臂关节摩擦力补偿方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 褚明: "《柔体机器人的动力学与控制技术》", 31 August 2019, 北京邮电大学出版社, pages: 50 - 51 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109927032B (zh) | 一种基于高阶滑模观测器的机械臂轨迹跟踪控制方法 | |
| CN110531707B (zh) | Scara机器人的摩擦模型改进以及动力学参数辨识方法 | |
| CN106994686B (zh) | 关节外力力矩的计算方法及装置、机器人 | |
| Duchaine et al. | Computationally efficient predictive robot control | |
| CN106125548A (zh) | 工业机器人动力学模型参数辨识方法 | |
| CN113799136B (zh) | 一种基于全状态反馈的机器人关节高精度控制系统及方法 | |
| CN109434873B (zh) | 机器人关节伺服电机转矩常数的测量方法 | |
| CN107351086B (zh) | 一种scara机器人关节力矩的卡尔曼估计方法 | |
| CN113051673A (zh) | 一种机器人改进Stribeck摩擦模型辨识方法 | |
| CN111505500A (zh) | 一种工业领域基于滤波的电机智能故障检测方法 | |
| CN114260892B (zh) | 弹性关节力矩控制方法、装置、可读存储介质及机器人 | |
| CN114800519B (zh) | 一种考虑摩擦的六自由度工业机器人动力学参数辨识方法 | |
| CN109807899B (zh) | 针对拖动示教的协作机器人摩擦力矩补偿方法 | |
| CN114739548A (zh) | 一种伺服测试系统 | |
| CN111872933A (zh) | 一种基于改进二次型迭代学习控制的scara机器人轨迹跟踪控制方法 | |
| CN113664869A (zh) | 机械臂、机械臂控制方法及系统 | |
| CN116442220A (zh) | 机器人关节摩擦模型的参数辨识方法和装置、力矩估计方法和装置 | |
| Fotuhi et al. | Comparison of joint friction estimation models for laboratory 2 DOF double dual twin rotor aero-dynamical system | |
| CN215825344U (zh) | 机械臂 | |
| Alyshev et al. | Parametric identification of reaction wheel pendulums with adaptive control | |
| CN114337427B (zh) | 一种带遗忘因子的递推最小二乘法的转动惯量辨识方法 | |
| CN106533285B (zh) | 基于Kriging模型的永磁直流电机转速控制方法 | |
| CN115781681A (zh) | 一种机械臂动力学参数辨识方法及参数验证方法 | |
| Theys et al. | Virtual motor torque sensing for multirotor propulsion systems | |
| CN116339177A (zh) | 一种基于动态摩擦补偿的机器人控制方法 |
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 |