一种基于神经网络的5-DOF机械臂力位跟踪算法制造技术

本发明专利技术一种基于神经网络的5

【技术实现步骤摘要】
一种基于神经网络的5
‑
DOF机械臂力位跟踪算法


[0001]本专利技术涉及一种基于神经网络的5
‑
DOF机械臂力位跟踪算法，属于机械臂的控制算法


技术介绍

[0002]随着人工智能化的发展，机器人越来越普及，因此冗余机械臂控制系统的设计与研究成为该领域重要的研究方向。机械臂在运动过程中可分为自由运动和受力运动，其中，自由运动主要考虑的是跟踪关节位置、速度状态，目前工业界的机械臂一般都是自由运动，主要应用场合为喷漆、点焊等场景。受力运动需要考虑到与环境进行交互作用的情况(即机械臂在运动的情况下与环境接触从而导致机械臂受到环境给的接触力)，需要对机械臂受到的力和位置同时跟踪，一般应用在打磨、搬运、装配以及钻孔等场合。如在抓取场合，机械臂在运动过程中由于没有对力进行控制，可能会造成对现场的破坏从而导致任务失败，因此机械臂的力/位混合控制的深入研究随之成为热点。
[0003]在机械臂的力位混合控制研究中，柔顺控制已经成为了研究热点，但是依赖于机械臂动力学建模，且随着机械臂自由度的增加，动力学建模越本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的5
‑
DOF机械臂力位跟踪算法，其特征在于，该算法基于5
‑
DOF机械臂末端执行器固定连接力传感器，末端执行器夹持物体与环境接触时，力传感器输出力信息并与各关节状态信息一起反馈给控制器；该算法通过定义机械臂中各个关节点、连杆长度，建立连杆坐标系，然后通过力传感器得到末端接触力，计算得出末端接触力在机械臂参考坐标系下的力信息；然后建立了带有约束力的动力学方程；最后，利用估计惯性矩阵估计惯性矩阵，并利用RBF神经网络拟合其他项，在此前提下，给出了具有时变输出约束状态的神经网络自适应力位控制方法，达到同时跟踪力位的效果。2.如权利要求1所述的一种基于神经网络的5
‑
DOF机械臂力位跟踪算法，其特征在于，所述控制算法的具体步骤如下：第一步：建立坐标系；第二步：求解机械臂末端执行器接触力在参考坐标系下的力信息；第三步：给出机械臂的一般动力学方程，并建立带有约束力的动力学方程；第四步：选取估计惯性矩阵估计惯性矩阵，并利用RBF神经网络拟合动力学方程中的其他项；第五步：通过所设计的控制器使接触力和关节状态达到期望值。3.如权利要求2所述的一种基于神经网络的5
‑
DOF机械臂力位跟踪算法，其特征在于，所述第一步中坐标系的建立过程为：机械臂的基座上建立参考坐标系{H}，在末端执行器的舵机上建立接触力测量坐标系{e}使其与末端执行器坐标系重合，末端夹持物体与环境的接触方向为测量坐标系的Z轴。4.如权利要求2所述的一种基于神经网络的5
‑
DOF机械臂力位跟踪算法，其特征在于，所述第二步中的求解过程为：机械臂末端与环境接触时，其接触力在测量坐标系{e}中为f
e
，接触力在参考坐标系下的表达式为：其中，θ为机械臂的关节角，f
H
为变换成参考坐标系下的接触力，为坐标系{e}相对于参考坐标系的齐次变换矩阵：则式(1)可变为：其中，n＝[n
x
，n
y
，n
z
]，o＝[o
x
，o
y
，o
z
]，a＝[a
x
，a
y
，a
z
]，通过求解式(3)方程组可得到在参考坐标系下的接触力f
H
。5.如权利要求2所述的一种基于神经网络的5
‑
DOF机械臂力位跟踪算法，其特征在于，所述第三步中的带有约束力的动力学方程的求解过程为：
给出一般的机械臂动力学方程表达式为；其中，W(θ)为5
×
5的正定惯性矩阵，为关节角加速度，为关节角加速度，为科里奥利力和向心力的5
×
5的矩阵，G(θ)表示5
×
1的重力矩阵，τ
d
为未知外加扰动，τ
f
为约束力矩，τ为输入力矩；τ
f
，可表示为：τ
f
＝J
T
(θ)λ
ꢀꢀꢀꢀ
(5)其中，λ为f
H
在约束方向上的力，J(θ)为约束条...

【专利技术属性】
技术研发人员：徐向荣，查文斌，张卉，陈肇星，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：