CN117260736A - 一种机械臂动力学自适应控制方法、装置及电子设备 - Google Patents
一种机械臂动力学自适应控制方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117260736A CN117260736A CN202311451183.4A CN202311451183A CN117260736A CN 117260736 A CN117260736 A CN 117260736A CN 202311451183 A CN202311451183 A CN 202311451183A CN 117260736 A CN117260736 A CN 117260736A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- law
- equation
- adaptive
- system control
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000003044 adaptive effect Effects 0.000 claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 239000013598 vector Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 29
- 238000012795 verification Methods 0.000 claims description 23
- 230000005484 gravity Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000010200 validation analysis Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 abstract description 4
- 210000001503 joint Anatomy 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000001356 surgical procedure Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000002193 Pain Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000004064 dysfunction Effects 0.000 description 2
- 210000004394 hip joint Anatomy 0.000 description 2
- 208000012285 hip pain Diseases 0.000 description 2
- 210000000629 knee joint Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009528 severe injury Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请提供了一种机械臂动力学自适应控制方法、装置及电子设备,所述方法包括:基于机械臂的连杆特性,建立机械臂的动力学方程;对建立的动力学方程进行线性化处理;基于线性化后的动力学方程,确定包含期望轨迹与误差的机械臂的闭环控制方程;基于机械臂的动力学方程和控制器确定系统控制律;基于系统控制律确定模型未知参数的自适应更新律;对机械臂进行控制,执行既定任务目标。本申请中,通过对多关节机械臂参数矩阵回归方程中的模型未知参数进行拆分,从而仅需要考量拆分后的模型未知参数估计项即可;避开了多关节机械臂参数矩阵回归方程存在较多参数,计算量大的问题。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种机械臂动力学自适应控制方法、装置及电子设备。
背景技术
手术机器人系统是集多项现代高科技手段于一体的综合系统,其用途广泛,在临床上外科上有大量的应用。通过手术机器人系统,可以完成髋关节置换手术、膝关节置换手术、脊柱手术等骨关节手术,以治疗关节严重损伤或疾病导致的疼痛和功能障碍,并显著减轻髋部疼痛,从而提高患者的生活质量。
手术机器人系统中的核心为机械臂,通过机械臂进行手术动作,从而完成关节手术。在机械臂控制中,动力学参数的精准性起着至关重要的作用。现有方式通过回归方程对动力学方程进行求解,但是由于多关节机械臂参数矩阵回归方程存在较多参数,计算量大的问题,很难对该回归方程进行求解。
发明内容
本申请解决的问题是当前多关节机械臂的参数矩阵回归方程很难求解。
为解决上述问题,本申请第一方面提供了一种机械臂动力学自适应控制方法,包括:
基于机械臂的连杆特性,建立机械臂的动力学方程;
对建立的动力学方程进行线性化处理;
基于线性化后的动力学方程,确定包含期望轨迹与误差的机械臂的闭环控制方程;
基于机械臂的动力学方程和控制器确定系统控制律,所述系统控制律包含模型未知参数估计项;
基于系统控制律确定模型未知参数的自适应更新律;
基于所述系统控制律及所述模型未知参数的自适应更新律对机械臂进行控制,执行既定任务目标。
本申请第二方面提供了一种机械臂动力学自适应控制装置,其包括:
方程建立模块,其用于基于机械臂的连杆特性,建立机械臂的动力学方程;
线性处理模块,其用于对建立的动力学方程进行线性化处理;
闭环确定模块,其用于基于线性化后的动力学方程,确定包含期望轨迹与误差的机械臂的闭环控制方程;
控制律确定模块,其用于基于机械臂的动力学方程和控制器确定系统控制律,所述系统控制律包含模型未知参数估计项;
自适应确定模块,其用于基于系统控制律确定模型未知参数的自适应更新律;
机械臂执行模块,其用于基于所述系统控制律及所述模型未知参数的自适应更新律对机械臂进行控制,执行既定任务目标。
本申请第三方面提供了一种电子设备,其包括:存储器和处理器;
所述存储器,其用于存储程序;
所述处理器,耦合至所述存储器,用于执行所述程序,以用于:
基于机械臂的连杆特性,建立机械臂的动力学方程;
对建立的动力学方程进行线性化处理;
基于线性化后的动力学方程,确定包含期望轨迹与误差的机械臂的闭环控制方程;
基于机械臂的动力学方程和控制器确定系统控制律,所述系统控制律包含模型未知参数估计项;
基于系统控制律确定模型未知参数的自适应更新律;
基于所述系统控制律及所述模型未知参数的自适应更新律对机械臂进行控制,执行既定任务目标。
本申请第四方面提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行实现上述所述的机械臂动力学自适应控制方法。
本申请中,通过对多关节机械臂参数矩阵回归方程中的模型未知参数进行拆分,从而无需对所有未知参数进行公式表达,仅需要考量拆分后的模型未知参数估计项即可;避开了多关节机械臂参数矩阵回归方程存在较多参数,计算量大的问题,大大降低了对回归方程的求解难度。
附图说明
图1为根据本申请实施例的机械臂动力学自适应控制方法的流程图;
图2为根据本申请实施例的机械臂动力学自适应控制方法可行性验证的流程图;
图3为根据本申请实施例的机械臂动力学自适应控制方法的结果对比图;
图4为根据本申请实施例的机械臂动力学自适应控制装置的结构框图;
图5为根据本申请实施例的电子设备的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更为明显易懂,下面结合附图对本申请的具体实施例做详细的说明。虽然附图中显示了本申请的示例性实施方式,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
手术机器人系统是集多项现代高科技手段于一体的综合系统,其用途广泛,在临床上外科上有大量的应用。通过手术机器人系统,可以完成髋关节置换手术、膝关节置换手术、脊柱手术等骨关节手术,以治疗关节严重损伤或疾病导致的疼痛和功能障碍,并显著减轻髋部疼痛,从而提高患者的生活质量。
手术机器人系统中的核心为机械臂,通过机械臂进行手术动作,从而完成关节手术。在机械臂控制中,动力学参数的精准性起着至关重要的作用。现有方式通过回归方程对动力学方程进行求解,但是由于多关节机械臂参数矩阵回归方程存在较多参数,计算量大的问题,很难对该回归方程进行求解。
针对上述问题,本申请提供一种新的机械臂动力学自适应控制方案,能够将动力学模型转换为包含期望轨迹与误差的控制方程,解决当前多关节机械臂的参数矩阵回归方程很难求解的问题。
本申请实施例提供了一种机械臂动力学自适应控制方法,该方法的具体方案由图1-图3所示,该方法可以由机械臂动力学自适应控制装置来执行,该机械臂动力学自适应控制装置可以集成在电脑、服务器、计算机、服务器集群、数据中心等电子设备中。结合图1所示,其为根据本申请一个实施例的机械臂动力学自适应控制方法的流程图;其中,所述机械臂动力学自适应控制方法,包括:
S100,基于机械臂的连杆特性,建立机械臂的动力学方程;
对机械臂进行分析,可以看出机械臂是若干个杆连接而形成的(连接两个杆的地方是关节),而在机械臂中这些杆称为连杆,每个连杆可以在夫连杆(上一连杆)的基础上绕某一轴旋转,(关节通过电机旋转带动连杆旋转),而这个轴只与夫连杆相对禁止,这就导致一旦多个连杆都进行运动时,连杆只能与“上一级连杆”和“下一级连杆”进行直接的空间转换关系,也即是当确定第一个连杆旋转的角度时,就能根据底座的空间坐标推算出第一个连杆的具体位置,然后一级一级向后推算就能获得最末端机械臂的位置,也即是接卸比末端位置。
本申请中,基于机械臂的上述连杆特性,建立机械臂的动力学方程为:
其中,M(q)为n×n维正定惯性矩阵,为n×n维离心力与科式力矩阵,G(q)为n×1维重力项向量,控制输入τ为n×1关节力矩向量,n为机械臂关节数量,q为实际轨迹,/>为q在时间上的导数,/>为/>在时间上的导数。
需要说明的是,本申请中,实际轨迹/实际位移在时间上的导数即为速度,速度在时间上的导数即为加速度。
S200,对建立的动力学方程进行线性化处理;
对于机械臂而言,实际物理原件和控制系统都是非线性的。但是非线性系统难以进行求解及研究,也不适用叠加原理;本申请中,对动力学方程进行线性化处理,将非线性转换为线性系统,从而进行后续的研究及求解。
在一种实施方式中,所述线性化后的动力学方程为:
其中,为n×m阶回归方程;/>为m阶一维向量,m为未知项个数,n为机械臂关节数量,M(q)为n×n维正定惯性矩阵,/>为n×n维离心力与科式力矩阵,G(q)为n×1维重力项向量,q为实际轨迹,/>为q在时间上的导数,/>为/>在时间上的导数。
其中,m为未知项个数,包含动力学惯性未知参数。
S300,基于线性化后的动力学方程,确定包含期望轨迹与误差的机械臂的闭环控制方程;
本申请中,对于线性化的动力学方程,由于动力学模型建模不够精准的情况下,M(q),G(q)未知,无法获取有效的控制输入τ使得误差趋近于0。
基于此,将未知矩阵转换为估计值与真实值的表述,建立闭环控制方程,从而避开动力学模型建模不够精准的问题。
在一种实施方式中,所述机械臂的闭环控制方程为:
其中,为M(q)、/>G(q)、/>的估计值, 为估计值与真实值的误差,控制输入τ为n×1关节力矩向量,/>为m阶一维向量,m为未知项个数,M(q)为n×n维正定惯性矩阵,/>为n×n维离心力与科式力矩阵,G(q)为n×1维重力项向量,q为实际轨迹,/>为q在时间上的导数,/>为/>在时间上的导数。
S400,基于机械臂的动力学方程和控制器确定系统控制律,所述系统控制律包含模型未知参数估计项;
本申请中,在机械臂关节数量较多时如七关节机械臂,拥有167项,因此很难精准给出其表达形式,也就很难进行该方程的求解;为了解决该问题,对动力学模型的未知项进行拆分,将其拆分为模型未知参数的估计项与已知量。
具体拆分如下:
其中为包含模型未知参数的估计项的n×l1、n×l2、n×l3维列向量l1、l2、l3分别为/>中未知量个数;BM、Bc、BG分别为l1×n、l2×n、l3×n的行向量。
S500,基于系统控制律确定模型未知参数的自适应更新律;
S700,基于所述系统控制律及所述模型未知参数的自适应更新律对机械臂进行控制,执行既定任务目标。
本申请中,通过对多关节机械臂参数矩阵回归方程中的模型未知参数进行拆分,从而无需对所有未知参数进行公式表达,仅需要考量拆分后的模型未知参数估计项即可;避开了多关节机械臂参数矩阵回归方程存在较多参数,计算量大的问题,大大降低了对回归方程的求解难度。
在一种实施方式中,所述系统控制律为:
e=q-qr
其中,kp、kd分别为n阶正对角参数矩阵比例控制参数与微分控制参数,e为误差,qr为期望轨迹,为对误差求取时间上的导数,/>为M(q)、/>G(q)的估计值,n为机械臂关节数量,M(q)为n×n维正定惯性矩阵,/>为n×n维离心力与科式力矩阵,G(q)为n×1维重力项向量,q为实际轨迹,/>为q在时间上的导数,/> 为包含模型未知参数的估计项的n×l1、n×l2、n×l3维列向量,l1、l2、l3分别为/> 中未知量个数,BM、BC、BG分别为l1×n、l2×n、l3×n的行向量。
上述中,
其中,为估计值与真值的误差。
在一种实施方式中,模型未知参数的自适应更新律为:
其中,H-1 M、H-1 C、H-1 G为正定参数矩阵,为qr在时间上的导数,/>为/>在时间上的导数,/>分别为/>的导数。
在一种实施方式中,结合图1所示,在所述S700,基于所述系统控制律及所述模型未知参数的自适应更新律对机械臂进行控制,执行既定任务目标之前,还包括:
S600,对所述系统控制律及所述模型未知参数的自适应更新律的可行性进行验证。
本申请中,在所述可行性验证通过的情况下,基于已验证的系统控制律及自适应更新律对机械臂进行控制,执行既定任务目标;在所述可行性验证未通过的情况下,重新执行步骤S100,已更新系统控制律及自适应更新律,并进行二次验证。
本申请中,通过对可行性进行验证,从而确定所述系统控制律及所述模型未知参数的自适应更新律是否可以稳定控制机械臂。
在一种实施方式中,结合图2所示,所述S600,对所述系统控制律及所述模型未知参数的自适应更新律的可行性进行验证,包括:
S601,建立所述系统控制律及所述模型未知参数自适应更新律的验证函数;
在一种实施方式中,建立的所述验证函数为:
其中,V为,tr()为矩阵的迹,HM、HC、HG为正定参数矩阵。
本申请中,迹,是线性代数中的概念,矩阵的迹即是主对角线上所有元素之和。记作tr(A),其中A为方阵。
S602,基于所述验证函数确定其在时间上的导数表示;
在一种实施方式中,对所述验证函数进行时间上的求导,得到如下公式:
其中,为V的导数,/>为/>的导数;
S603,根据所述系统控制律及所述模型未知参数自适应更新律,确定所述验证函数的导数的取值范围;
本申请中,将所述系统控制律及所述模型未知参数自适应更新律带入所述验证函数的导数公式,得到:
S604,基于所述验证函数的导数取值范围,确定所述系统控制律及所述模型未知参数的自适应更新律的可行性。
基于导数公式可以看出,所述系统控制律及所述模型未知参数自适应更新律可以使得控制系统中t→∞,e→0。
此时,确定所述系统控制律及所述模型未知参数的自适应更新律具有可行性。
本申请中,根据函数逼近技术对动力学模型参数进行拆分,逐一分解了惯性矩阵、哥式力矩阵与重力项,同时给出了三项包含全部模型未知参数的矩阵分解方式,以进行快速分解。
结合图3所示,其为机械臂动力学自适应控制方法的结果对比图,即是理想执行情况(期望轨迹)与实际执行过程(实际轨迹)的对比图;图中的横轴表示时间,纵轴表示关节角度变化,以展示关节角随时间变化的具体过程;且图中保持规则变化的曲线为期望轨迹的执行曲线,逐渐上升后与期望轨迹重合的曲线为实际执行情况下的执行曲线,横坐标的执行单位为s,纵坐标的执行单位为°;以多个关节中的其中一个关节进行跟踪期望轨迹时的实际执行情况做出该结果对比图。由图3中可以看出,系统的偏移执行随时间变换迅速降低,并与理想执行情况近乎完全重合。
本申请实施例提供了一种机械臂动力学自适应控制装置,用于执行本申请上述内容所述的机械臂动力学自适应控制方法,以下对所述机械臂动力学自适应控制装置进行详细描述。
如图4所示,所述机械臂动力学自适应控制装置,包括:
方程建立模块101,其用于基于机械臂的连杆特性,建立机械臂的动力学方程;
线性处理模块102,其用于对建立的动力学方程进行线性化处理;
闭环确定模块103,其用于基于线性化后的动力学方程,确定包含期望轨迹与误差的机械臂的闭环控制方程;
控制律确定模块104,其用于基于机械臂的动力学方程和控制器确定系统控制律,所述系统控制律包含模型未知参数估计项;
自适应确定模块105,其用于基于系统控制律确定模型未知参数的自适应更新律;
机械臂执行模块106,其用于基于所述系统控制律及所述模型未知参数的自适应更新律对机械臂进行控制,执行既定任务目标。
在一种实施方式中,所述装置还包括:
可行性验证模块,其用于对所述系统控制律及所述模型未知参数的自适应更新律的可行性进行验证。
在一种实施方式中,所述可行性验证模块还用于:
建立所述系统控制律及所述模型未知参数自适应更新律的验证函数;基于所述验证函数确定其在时间上的导数表示;根据所述系统控制律及所述模型未知参数自适应更新律,确定所述验证函数的导数的取值范围;基于所述验证函数的导数取值范围,确定所述系统控制律及所述模型未知参数自适应更新律的自适应更新律的可行性。
在一种实施方式中,所述线性化后的动力学方程为:
其中,为n×m阶回归方程;/>为m阶一维向量,m为未知项个数,n为机械臂关节数量,M(q)为n×n维正定惯性矩阵,/>为n×n维离心力与科式力矩阵,G(q)为n×1维重力项向量,q为实际轨迹,/>为q在时间上的导数,/>为/>在时间上的导数。
在一种实施方式中,所述机械臂的闭环控制方程为:
其中,为M(q)、/>G(q)、/>的估计值, 为估计值与真实值的误差,控制输入τ为n×1关节力矩向量,/>为m阶一维向量,m为未知项个数,M(q)为n×n维正定惯性矩阵,/>为n×n维离心力与科式力矩阵,G(q)为n×1维重力项向量,q为实际轨迹,/>为q在时间上的导数,/>为/>在时间上的导数。
在一种实施方式中,所述系统控制律为:
e=q-qr
其中,kp、kd分别为n阶正对角参数矩阵比例控制参数与微分控制参数,e为误差,qr为期望轨迹,为对误差求取时间上的导数,/>为M(q)、/>G(q)的估计值,n为机械臂关节数量,M(q)为n×n维正定惯性矩阵,/>为n×n维离心力与科式力矩阵,G(q)为n×1维重力项向量,q为实际轨迹,/>为q在时间上的导数,/> 为包含模型未知参数的估计项的n×l1、n×l2、n×l3维列向量,l1、l2、l3分别为/> 中未知量个数,BM、BC、BG分别为l1×n、l2×n、l3×n的行向量。
在一种实施方式中,模型未知参数的自适应更新律为:
其中,H-1 M、H-1 C、H-1 G为正定参数矩阵,为qr在时间上的导数,/>为/>在时间上的导数,/>分别为/>的导数。
本申请的上述实施例提供的机械臂动力学自适应控制装置与本申请实施例提供的机械臂动力学自适应控制方法具有对应关系,因此该装置中的具体内容与机械臂动力学自适应控制方法具有对应关系,具体内容可以参照机械臂动力学自适应控制方法中的记录,本申请中对此不再赘述。
本申请的上述实施例提供的机械臂动力学自适应控制装置与本申请实施例提供的机械臂动力学自适应控制方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上描述了机械臂动力学自适应控制装置的内部功能和结构,如图5所示,实际中,该机械臂动力学自适应控制装置可实现为电子设备,包括:存储器301及处理器303。
存储器301,可被配置为存储程序。
另外,存储器301,还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。
存储器301可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
处理器303,耦合至存储器301,用于执行存储器301中的程序,以用于:
基于机械臂的连杆特性,建立机械臂的动力学方程;
对建立的动力学方程进行线性化处理;
基于线性化后的动力学方程,确定包含期望轨迹与误差的机械臂的闭环控制方程;
基于机械臂的动力学方程和控制器确定系统控制律,所述系统控制律包含模型未知参数估计项;
基于系统控制律确定模型未知参数的自适应更新律;
基于所述系统控制律及所述模型未知参数的自适应更新律对机械臂进行控制,执行既定任务目标。
在一种实施方式中,处理器303还用于:
可行性验证模块,其用于对所述系统控制律及所述模型未知参数的自适应更新律的可行性进行验证。
在一种实施方式中,所述可行性验证模块还用于:
建立所述系统控制律及所述模型未知参数自适应更新律的验证函数;基于所述验证函数确定其在时间上的导数表示;根据所述系统控制律及所述模型未知参数自适应更新律,确定所述验证函数的导数的取值范围;基于所述验证函数的导数取值范围,确定所述系统控制律及所述模型未知参数自适应更新律的自适应更新律的可行性。
在一种实施方式中,所述线性化后的动力学方程为:
其中,为n×m阶回归方程;/>为m阶一维向量,m为未知项个数,n为机械臂关节数量,M(q)为n×n维正定惯性矩阵,/>为n×n维离心力与科式力矩阵,G(q)为n×1维重力项向量,q为实际轨迹,/>为q在时间上的导数,/>为/>在时间上的导数。
在一种实施方式中,所述机械臂的闭环控制方程为:
其中,为M(q)、/>G(q)、/>的估计值, 为估计值与真实值的误差,控制输入τ为n×1关节力矩向量,/>为m阶一维向量,m为未知项个数,M(q)为n×n维正定惯性矩阵,/>为n×n维离心力与科式力矩阵,G(q)为n×1维重力项向量,q为实际轨迹,/>为q在时间上的导数,/>为/>在时间上的导数。
在一种实施方式中,所述系统控制律为:
e=q-qr
其中,kp、kd分别为n阶正对角参数矩阵比例控制参数与微分控制参数,e为误差,qr为期望轨迹,为对误差求取时间上的导数,/>为M(q)、/>G(q)的估计值,n为机械臂关节数量,M(q)为n×n维正定惯性矩阵,/>为n×n维离心力与科式力矩阵,G(q)为n×1维重力项向量,q为实际轨迹,/>为q在时间上的导数,/> 为包含模型未知参数的估计项的n×l1、n×l2、n×l3维列向量,l1、l2、l3分别为/> 中未知量个数,BM、BC、BG分别为l1×n、l2×n、l3×n的行向量。
在一种实施方式中,模型未知参数的自适应更新律为:
其中,H-1 M、H-1 C、H-1 G为正定参数矩阵,为qr在时间上的导数,/>为/>在时间上的导数,/>分别为/>的导数。
本申请中,处理器还具体用于执行上述机械臂动力学自适应控制方法的所有流程及步骤,具体内容可参照机械臂动力学自适应控制方法中的记录,本申请中对此不再赘述。
本申请中,图5中仅示意性给出部分组件,并不意味着电子设备只包括图5所示组件。
本实施例提供的电子设备,与本申请实施例提供的机械臂动力学自适应控制方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(Flash RAM)。内存是计算机可读介质的示例。
本申请还提供一种与前述实施方式所提供的机械臂动力学自适应控制方法对应的计算机可读存储介质,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的机械臂动力学自适应控制方法。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(Transitory Media),如调制的数据信号和载波。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的机械臂动力学自适应控制方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是,在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的结构和技术,以便不模糊对本说明书的理解。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种机械臂动力学自适应控制方法,其特征在于,包括:
基于机械臂的连杆特性,建立机械臂的动力学方程;
对建立的动力学方程进行线性化处理;
基于线性化后的动力学方程,确定包含期望轨迹与误差的机械臂的闭环控制方程;
基于机械臂的动力学方程和控制器确定系统控制律,所述系统控制律包含模型未知参数估计项;
基于系统控制律确定模型未知参数的自适应更新律;
基于所述系统控制律及所述模型未知参数的自适应更新律对机械臂进行控制,执行既定任务目标。
2.根据权利要求1所述的机械臂动力学自适应控制方法,其特征在于,在所述基于所述系统控制律及所述模型未知参数的自适应更新律对机械臂进行控制,执行既定任务目标之前,还包括:
对所述系统控制律及所述模型未知参数的自适应更新律的可行性进行验证。
3.根据权利要求2所述的机械臂动力学自适应控制方法,其特征在于,所述对所述系统控制律及所述模型未知参数的自适应更新律的可行性进行验证,包括:
建立所述系统控制律及所述模型未知参数自适应更新律的验证函数;
基于所述验证函数确定其在时间上的导数表示;
根据所述系统控制律及所述模型未知参数自适应更新律,确定所述验证函数的导数的取值范围;
基于所述验证函数的导数取值范围,确定所述系统控制律及所述模型未知参数自适应更新律的自适应更新律的可行性。
4.根据权利要求1-3中任一项所述的机械臂动力学自适应控制方法,其特征在于,所述线性化后的动力学方程为:
其中,为n×m阶回归方程;/>为m阶一维向量,m为未知项个数,n为机械臂关节数量,M(q)为n×n维正定惯性矩阵,/>为n×n维离心力与科式力矩阵,G(q)为n×1维重力项向量,q为实际轨迹,/>为q在时间上的导数,/>为/>在时间上的导数。
5.根据权利要求1-3中任一项所述的机械臂动力学自适应控制方法,其特征在于,所述机械臂的闭环控制方程为:
其中,为M(q)、/>G(q)、/>的估计值,/> 为估计值与真实值的误差,控制输入τ为n×1关节力矩向量,/>为m阶一维向量,m为未知项个数,M(q)为n×n维正定惯性矩阵,/>为n×n维离心力与科式力矩阵,G(q)为n×1维重力项向量,q为实际轨迹,/>为q在时间上的导数,/>为/>在时间上的导数。
6.根据权利要求1-3中任一项所述的机械臂动力学自适应控制方法,其特征在于,所述系统控制律为:
e=q-qr
其中,kp、kd分别为n阶正对角参数矩阵比例控制参数与微分控制参数,e为误差,qr为期望轨迹,为对误差求取时间上的导数,/>为M(q)、/>G(q)的估计值,n为机械臂关节数量,M(q)为n×n维正定惯性矩阵,/>为n×n维离心力与科式力矩阵,G(q)为n×1维重力项向量,q为实际轨迹,/>为q在时间上的导数,/> 为包含模型未知参数的估计项的n×l1、n×l2、n×l3维列向量,l1、l2、l3分别为/> 中未知量个数,BM、BC、BG分别为l1×n、l2×n、l3×n的行向量。
7.根据权利要求6所述的机械臂动力学自适应控制方法,其特征在于,模型未知参数的自适应更新律为:
其中,H-1 M、H-1 C、H-1 G为正定参数矩阵,为qr在时间上的导数,/>为/>在时间上的导数,分别为/>的导数。
8.一种机械臂动力学自适应控制装置,其特征在于,包括:
方程建立模块,其用于基于机械臂的连杆特性,建立机械臂的动力学方程;
线性处理模块,其用于对建立的动力学方程进行线性化处理;
闭环确定模块,其用于基于线性化后的动力学方程,确定包含期望轨迹与误差的机械臂的闭环控制方程;
控制律确定模块,其用于基于机械臂的动力学方程和控制器确定系统控制律,所述系统控制律包含模型未知参数估计项;
自适应确定模块,其用于基于系统控制律确定模型未知参数的自适应更新律;
机械臂执行模块,其用于基于所述系统控制律及所述模型未知参数的自适应更新律对机械臂进行控制,执行既定任务目标。
9.一种电子设备,其特征在于,包括:存储器和处理器;
所述存储器,其用于存储程序;
所述处理器,耦合至所述存储器,用于执行所述程序,以用于:
基于机械臂的连杆特性,建立机械臂的动力学方程;
对建立的动力学方程进行线性化处理;
基于线性化后的动力学方程,确定包含期望轨迹与误差的机械臂的闭环控制方程;
基于机械臂的动力学方程和控制器确定系统控制律,所述系统控制律包含模型未知参数估计项;
基于系统控制律确定模型未知参数的自适应更新律;
基于所述系统控制律及所述模型未知参数的自适应更新律对机械臂进行控制,执行既定任务目标。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行实现权利要求1-7任一项所述的机械臂动力学自适应控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311451183.4A CN117260736B (zh) | 2023-11-02 | 2023-11-02 | 一种机械臂动力学自适应控制方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311451183.4A CN117260736B (zh) | 2023-11-02 | 2023-11-02 | 一种机械臂动力学自适应控制方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117260736A true CN117260736A (zh) | 2023-12-22 |
CN117260736B CN117260736B (zh) | 2024-04-02 |
Family
ID=89212567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311451183.4A Active CN117260736B (zh) | 2023-11-02 | 2023-11-02 | 一种机械臂动力学自适应控制方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117260736B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803324A (zh) * | 2018-06-06 | 2018-11-13 | 黄山学院 | 多关节工业机械臂反步有限时间滑模控制方法 |
CN108942924A (zh) * | 2018-06-25 | 2018-12-07 | 南京理工大学 | 基于多层神经网络的模型不确定性机械臂运动控制方法 |
CN109927032A (zh) * | 2019-03-28 | 2019-06-25 | 东南大学 | 一种基于高阶滑模观测器的机械臂轨迹跟踪控制方法 |
CN111152225A (zh) * | 2020-01-15 | 2020-05-15 | 北京科技大学 | 存在输入饱和的不确定机械臂固定时间轨迹跟踪控制方法 |
CN111941432A (zh) * | 2020-09-28 | 2020-11-17 | 南京工业大学 | 一种高性能机械臂人工智能输出反馈控制方法 |
US20210178600A1 (en) * | 2019-12-12 | 2021-06-17 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Robust Optimization for Trajectory-Centric ModelBased Reinforcement Learning |
CN113589689A (zh) * | 2021-07-09 | 2021-11-02 | 南昌大学 | 一种基于多参数自适应神经网络的滑模控制器设计方法 |
CN115256395A (zh) * | 2022-08-17 | 2022-11-01 | 北京理工大学 | 基于控制障碍函数的模型不确定机器人安全控制方法 |
-
2023
- 2023-11-02 CN CN202311451183.4A patent/CN117260736B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803324A (zh) * | 2018-06-06 | 2018-11-13 | 黄山学院 | 多关节工业机械臂反步有限时间滑模控制方法 |
CN108942924A (zh) * | 2018-06-25 | 2018-12-07 | 南京理工大学 | 基于多层神经网络的模型不确定性机械臂运动控制方法 |
CN109927032A (zh) * | 2019-03-28 | 2019-06-25 | 东南大学 | 一种基于高阶滑模观测器的机械臂轨迹跟踪控制方法 |
US20210178600A1 (en) * | 2019-12-12 | 2021-06-17 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Robust Optimization for Trajectory-Centric ModelBased Reinforcement Learning |
CN111152225A (zh) * | 2020-01-15 | 2020-05-15 | 北京科技大学 | 存在输入饱和的不确定机械臂固定时间轨迹跟踪控制方法 |
CN111941432A (zh) * | 2020-09-28 | 2020-11-17 | 南京工业大学 | 一种高性能机械臂人工智能输出反馈控制方法 |
CN113589689A (zh) * | 2021-07-09 | 2021-11-02 | 南昌大学 | 一种基于多参数自适应神经网络的滑模控制器设计方法 |
CN115256395A (zh) * | 2022-08-17 | 2022-11-01 | 北京理工大学 | 基于控制障碍函数的模型不确定机器人安全控制方法 |
Non-Patent Citations (1)
Title |
---|
罗天洪;张剑;陈才;马翔宇;: "重载机械臂对未知载荷参数的补偿控制", 机械设计与制造, no. 05, 8 May 2016 (2016-05-08), pages 171 - 174 * |
Also Published As
Publication number | Publication date |
---|---|
CN117260736B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112207834B (zh) | 一种基于干扰观测器的机器人关节系统控制方法及系统 | |
Izadbakhsh et al. | Robust adaptive control of robot manipulators using Bernstein polynomials as universal approximator | |
CN106527152A (zh) | 闭环分数阶PDɑ型迭代学习机器人控制器的设计方法及系统 | |
CN111965976B (zh) | 基于神经网络观测器的机器人关节滑模控制方法及系统 | |
CN117340897B (zh) | 面向动态响应预测的机器人数字孪生模型建模方法及系统 | |
Wang et al. | Design and implementation of robust hybrid control of vision based underactuated mechanical nonminimum phase systems | |
Patra et al. | Stabilizing and trajectory tracking of inverted pendulum based on fractional order pid control | |
CN117260736B (zh) | 一种机械臂动力学自适应控制方法、装置及电子设备 | |
Boettcher et al. | Reference signal shaping for closed-loop systems with application to seeking in hard disk drives | |
CN116512237B (zh) | 工业机器人视觉伺服方法、装置、电子设备及存储介质 | |
CN112643673A (zh) | 基于非线干扰观测器的移动机械臂鲁棒控制方法及系统 | |
CN111367177A (zh) | 基于估计参考信号二阶微分的刚体系统抗扰控制方法及系统 | |
Jianwang et al. | Direct Data‐Driven Control for Cascade Control System | |
Wang et al. | Adaptive finite‐time fault‐tolerant control for flexible‐joint robotic stochastic systems with input saturation and sensor fault | |
Das et al. | Genetic algorithm based optimal PI controller for position control of Maxon S-DC motor with dSPACE | |
Kazemi et al. | Robust finite-time feedback linearization control of robots: theory and experiment | |
Kim et al. | Asymptotic output tracking in a class of non‐minimum phase nonlinear systems via learning‐based inversion | |
Xue et al. | A Robot Human‐Like Learning Framework Applied to Unknown Environment Interaction | |
CN117325176A (zh) | 一种机械臂量化滑模控制方法、装置及电子设备 | |
Lazar et al. | A control predictive framework for image-based visual servoing applications | |
Liu et al. | Model predictive control of hydraulic drive unit considering input delay | |
CN117325149B (zh) | 基于卡尔曼滤波的姿态调整方法及系统 | |
Labbadi et al. | Stabilization of QUAV Under External Disturbances Using Modified Novel ST Based on Finite-Time SMC | |
Kuchmin | Identification of dynamics of modules sems | |
Cai et al. | On disturbance rejection control for nonlinear three‐revolute prismatic spherical ball and plate systems |
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 |