一种基于串联机器人的整体动力学参数辨识方法技术

本发明专利技术公开的一种基于串联机器人的整体动力学参数辨识方法，属于机器人控制技术领域，包括：获取机器人各轴的DH参数，建立机器人动力学模型；确定机器人最小惯性参数集，对所述机器人动力学模型进行线性化，并将其转化为最小惯性参数向量与线性化矩阵的乘积形式；计算出用于辨识的激励轨迹，采集数据并进行滤波处理，得对应的采集力矩和观测矩阵；分别对所述采集力矩和所述观测矩阵进行归一化处理并对寻优算法进行加权计算，得到动力学参数。本方案可以解决整体参数辨识中存在的诸多问题，如串联轴尺度大小不一致引起的整体或某些轴参数辨识精度误差过大问题、采集数据缺陷问题、数据可信度问题等；该方案同时可以实现机器人的动力学参数在线辨识，并且可以大大提高辨识参数的可靠性。

【技术实现步骤摘要】
一种基于串联机器人的整体动力学参数辨识方法
本专利技术涉及机器人控制
，尤其涉及一种基于串联机器人的整体动力学参数辨识方法。
技术介绍
串联机器人由于其操作简单、工作空间大等特点越来越受到工业界和服务行业的青睐。串联机器人动力学参数一般采用参数辨识方法来间接获取(如一种工业机器人整体动力学建模及动力学参数辨识方法，公开号：CN110539302A；一种改进的SCARA机器人动力学参数辨识方法，公开号：CN107671861A)。但是目前的串联机器人(整体)参数辨识均采用双轴、前三轴、后三轴等非真正意义上的整体辨识方法，所得辨识参数不能直接用于整体动力学模型，大大限制了参数的适用范围，而且都没有考虑辨识参数的可靠性问题，难以满足实际应用的需求。因此，急需一种新的技术方法解决上述问题。
技术实现思路
本专利技术的目的在于克服上述现有技术的问题，提出了一种基于马尔科夫链和加权思想的系列辨识方案，可以解决整体参数辨识中存在的诸多问题，如串联轴尺度大小不一致引起的整体或某些轴参数辨识精度误差过大问题、采集数据缺陷问题、数据可信度问题等；该方案同时可以实现机器人的动力学参数在线辨识，并且可以大大提高辨识参数的可靠性。上述目的是通过以下技术方案来实现：一种基于串联机器人的整体动力学参数辨识方法，包括如下步骤：步骤(1)：获取机器人各轴的DH参数，建立机器人动力学模型；步骤(2)：确定机器人最小惯性参数集，对步骤(1)中所述机器人动力学模型进行线性化，并将其转化为最小惯性参数向量与线性化矩阵的乘积形式；步骤(3)：计算出用于辨识的激励轨迹，采集数据并进行滤波处理，得对应的采集力矩和观测矩阵；步骤(4)：分别对步骤(3)中所述采集力矩和所述观测矩阵进行归一化处理并对寻优算法进行加权计算，得到动力学参数。优选的，所述步骤(1)具体为：获取机器人各轴的DH参数，建立连杆坐标系和各轴之间的转换关系矩阵，采用牛顿-欧拉迭代的方法建立整体机器人动力学模型。优选的，所述DH参数包括机器人各轴的杆件长度、杆件扭角、关节距离和关节转角。优选的，步骤(3)中所述激励轨迹的设计具体为：以观测矩阵条件数为优化准则，以机器人各个关节角度、角速度、角加速度为约束条件，采用智能算法设计。优选的，步骤(3)中所述智能算法包括遗传算法、蚁群算法等。优选的，步骤(3)中所述滤波处理包括低通滤波、均值滤波、卡尔曼滤波等。优选的，所述步骤(3)和步骤(4)包括参数离线辨识和参数在线辨识两种形式：参数离线辨识下，所述所述步骤(3)和所述步骤(4)具体为：(3)以观测矩阵条件数为优化准则，以机器人各个关节角度、角速度、角加速度为约束条件，采用智能算法设计一条激励轨迹，采集相关数据并进行滤波处理，得对应的采集力矩和观测矩阵；(4)分别对步骤(3)中所述采集力矩和所述观测矩阵的对应行乘以权重的空间加权处理，得到动力学参数；参数在线辨识下，所述所述步骤(3)和所述步骤(4)具体为：(3)以观测矩阵条件数为优化准则，以机器人各个关节角度、角速度、角加速度为约束条件，采用智能算法设计一条激励轨迹，采集相关数据并进行滤波处理，得对应的采集力矩和观测矩阵；(4)分别对步骤(3)中所述采集力矩和所述观测矩阵的对应行乘以权重的空间加权处理，同时对不同时间点采集的所述采集力矩和所述观测矩阵进行时间加权处理，得到动力学参数。优选的，所述时间加权处理具体为：对于不同时刻采集的数据分别取不同的轨迹片段数据的矩阵块，将所有的矩阵块按照采集时刻的降序组成一个马尔科夫链，对不同矩阵块的数据分别点乘权重的等比数列，进行时间加权处理。有益效果利用本专利技术的技术方案设计的一种基于串联机器人的整体动力学参数辨识方法，具有如下优点：1.实现了包含全部关节的动力学参数一次性辨识，所得参数不需要任何后续处理即可以直接用于机器人整体或任意组合部分的动力学模型；2.提出的一种基于归一化和加权思想的系列辨识方案，解决了整体参数辨识中存在的串联轴尺度大小不一致引起的整体或某些轴参数辨识精度误差过大问题、采集数据缺陷问题、数据可信度等问题；3.可以实现机器人动力学参数的在线辨识，并大大提升了辨识参数的可靠性。附图说明图1为本专利技术一种基于串联机器人的整体动力学参数辨识方法的流程图；图2为本专利技术一种基于串联机器人的整体动力学参数辨识方法的修改的DH参数坐标系关系图；图3为本专利技术一种基于串联机器人的整体动力学参数辨识方法的修改的DH参数表图；图4为本专利技术一种基于串联机器人的整体动力学参数辨识方法的滤波前后关节的力矩对比a和b示意图；图5为本专利技术一种基于串联机器人的整体动力学参数辨识方法的普通最小二乘法得到的采集力矩-预测力矩对比图；图6为本专利技术一种基于串联机器人的整体动力学参数辨识方法的加权最小二乘法得到的采集力矩-预测力矩对比图；图7为本专利技术一种基于串联机器人的整体动力学参数辨识方法的测试轨迹上的加权最小二乘法得到的采集力矩-预测力矩对比图。具体实施方式应当指出，本部分中对具体结构的描述及描述顺序仅是对具体实施例的说明，不应视为对本专利技术的保护范围有任何限制作用。此外，在不冲突的情形下，本部分中的实施例以及实施例中的特征可以相互组合。下面将结合附图对本专利技术实施例作详细说明。本专利的参数辨识方法适用于各种构型的机器人(包括但不限于串联机器人和并联机器人)。如图1所示，一种基于串联机器人的整体动力学参数辨识方法，包括如下步骤：S101：获取机器人各轴的DH参数，建立连杆坐标系和各轴之间的转换关系矩阵。采用牛顿-欧拉迭代的方法建立串联机器人整体动力学模型；所述DH参数包括机器人各轴的杆件长度、杆件扭角、关节距离和关节转角；S102：用机器人几何参数直接确定机器人最小惯性参数，对所述机器人动力学模型进行线性化，并将其转化为最小惯性参数向量与线性化矩阵的乘积形式；S103：以观测矩阵条件数为优化准则，以机器人各个关节角度、角速度、角加速度为约束条件，采用智能算法设计出一条用于辨识的激励轨迹，分别采集相关数据并进行滤波处理，得对应的采集力矩和观测矩阵；所述滤波处理包括低通滤波、均值滤波、卡尔曼滤波等；S104：分别对步骤S103中所述采集力矩和所述观测矩阵进行归一化处理并对寻优算法进行加权计算，得到动力学参数。实施例1在参数离线辨识情况下，一种基于串联机器人的整体动力学参数辨识方法，包括如下步骤：步骤(1)：获取机器人各轴的DH参数，建立连杆坐标系和各轴之间的转换关系矩阵。采用牛顿-欧拉迭代的方法建立串联机器人整体动力学模型；所述DH参数包括机器人各轴的杆件长度、杆件扭角、关节距离和关节转角；步骤(2)：用机器人几何参数直接确定机器人最小惯性参数，对所述机器人动力学模型进行线性化本文档来自技高网...

【技术保护点】
1.一种基于串联机器人的整体动力学参数辨识方法，其特征在于，包括如下步骤：/n(1)获取机器人各轴的DH参数，建立机器人动力学模型；/n(2)确定机器人最小惯性参数集，对步骤（1）中所述机器人动力学模型进行线性化，并将其转化为最小惯性参数向量与线性化矩阵的乘积形式；/n(3)计算出用于辨识的激励轨迹，采集数据并进行滤波处理，得对应的采集力矩和观测矩阵；/n(4)分别对步骤（3）中所述采集力矩和所述观测矩阵进行归一化处理并对寻优算法进行加权计算，得到动力学参数。/n

【技术特征摘要】
1.一种基于串联机器人的整体动力学参数辨识方法，其特征在于，包括如下步骤：
(1)获取机器人各轴的DH参数，建立机器人动力学模型；
(2)确定机器人最小惯性参数集，对步骤（1）中所述机器人动力学模型进行线性化，并将其转化为最小惯性参数向量与线性化矩阵的乘积形式；
(3)计算出用于辨识的激励轨迹，采集数据并进行滤波处理，得对应的采集力矩和观测矩阵；
(4)分别对步骤（3）中所述采集力矩和所述观测矩阵进行归一化处理并对寻优算法进行加权计算，得到动力学参数。


2.根据权利要求1所述的一种基于串联机器人的整体动力学参数辨识方法，其特征在于：所述步骤（1）具体为：获取机器人各轴的DH参数，建立连杆坐标系和各轴之间的转换关系矩阵，采用牛顿-欧拉迭代的方法建立整体机器人动力学模型。


3.根据权利要求2所述的一种基于串联机器人的整体动力学参数辨识方法，其特征在于：所述DH参数包括机器人各轴的杆件长度、杆件扭角、关节距离和关节转角。


4.根据权利要求1所述的一种基于串联机器人的整体动力学参数辨识方法，其特征在于：步骤（3）中所述激励轨迹的设计具体为：以观测矩阵条件数为优化准则，以机器人各个关节角度、角速度、角加速度为约束条件，采用智能算法设计。


5.根据权利要求4所述的一种基于串联机器人的整体动力学参数辨识方法，其特征在于：所述智能算法包括遗传算法、蚁群算法等。


6.根据权利要求1所述的一种基于串联机...

【专利技术属性】
技术研发人员：李丰果，邢晓凡，焦晨航，陈建，钱唯谷，周宇，
申请(专利权)人：无锡信捷电气股份有限公司，
类型：发明
国别省市：江苏;32