一种机器人免力矩传感器的拖动示教方法技术

本发明专利技术公开了一种机器人免力矩传感器的拖动示教方法，包括：结合刚体动力学模型与深度神经网络来共同建立机器人的动力学模型；基于扰动理论建立机器人关节外力矩模型；通过组合机器人的广义动量与关节外力矩为系统状态变量，将机器人的动力学模型与机器人关节外力矩模型组合并转化为状态空间模型；基于卡尔曼滤波算法对系统状态进行最优估计，得到机器人关节外力矩的实时观测值；基于自适应阻尼的导纳控制方法将机器人关节外力矩的实时观测值转换为示教运动的期望关节转角，机器人通过自身的位置闭环控制来跟踪期望关节转角，实现机器人拖动示教的控制。本发明专利技术采用的自适应阻尼导纳控制能减少机器人启停时所需的示教力矩，有效地改善了示教效果。有效地改善了示教效果。有效地改善了示教效果。

【技术实现步骤摘要】
一种机器人免力矩传感器的拖动示教方法


[0001]本专利技术属于机器人控制领域，特别涉及一种机器人免力矩传感器的拖动示教的控制方法，以此来完善工业机器人在只具有单编码器的情况下的拖动示教控制方法，用于机器人的力控制和人机交互任务，提高工业机器人的示教效率与简便性。

技术介绍

[0002]拖动示教不需要编程基础，操作简便且效率高，更适合于现代化的柔性生产。而目前具有拖动示教功能的机器人一般为关节内部集成了力矩传感器的DLR机器人和配备了双编码器的UR机器人，其通过力矩传感器或双编码器来直接测量关节外力矩，从而基于柔性控制来实现拖动示教功能。但是在实际情况中，工业机器人的关节内一般只具有单编码器且没集成力矩传感器，所以免力矩传感器的拖动示教对于工业机器人来说存在挑战。实现免力矩传感器拖动示教的关键问题是能够准确对外力矩进行观测，并对关节驱动力矩进行高精度控制。
[0003]根据机器人的动力学模型和运动状态来估计外力是实现免力矩传感器观测外力矩的常用方法，动力学模型是影响外力矩估计精度的重要因素。通过引入广义动量，将动力学模型转化为不含加速度的形式以去除加速度的噪声干扰，进而定义广义动量的残差量为观测量来实现外力矩的一个迭代估计，但基于广义动量的外力估计法并没有考虑到动力学模型的辨识误差等影响，且估计精度受观测矩阵所限制。因此进一步将广义动量与扰动观测器相结合，基于卡尔曼滤波算法对外力矩进行估计，提高了外力估计的精度。由于卡尔曼滤波算法能够实时调整由模型误差所引入的过程噪声与由测量误差而引入的测量噪声，所以其具有更高的估计精度与更好的鲁棒性。
[0004]拖动示教的力控制可分为基于力矩和位置模式的控制方法。有些学者设计了基于自测量的重力矩及摩擦力矩计算方案对机器人运行过程中的重力与摩擦力进行力矩补偿，从而实现了轻型机器人上的拖动示教。但基于力矩模式的控制对外力比较敏感，容易造成系统的不稳定。有些学者通过实时补偿重力、摩擦力与惯性力，然后计算机器人平衡状态下由外力引起的关节运动角度，从而基于位置控制环实现了灵活的拖动示教，但该方法在位置外环上计算比较复杂且需要知道精确的PD控制常数。阻抗与导纳控制通过调节机器人末端力与环境之间的质量阻尼弹簧系统以实现机器人与环境的良好交互性，所以其被逐渐应用到机器人的人机交互控制。导纳控制通过位置规划来动态调整人机交互的阻抗性，稳定性高，所以广泛适用于机器人的拖动示教控制中。但现有技术中的导纳控制中的系统惯性参数与系统阻尼参数影响着拖动示教的柔顺效果。

技术实现思路

[0005]本专利技术的目的是提供基于扰动卡尔曼滤波的机器人免力矩传感器的拖动示教方法，旨在完善在不具有力矩传感器情况下实现拖动示教的控制方法，解决启动与停止拖动示教时所需外力过大的问题，实现轻松而灵活的拖动示教。
[0006]本专利技术至少通过如下技术方案之一实现。
[0007]一种机器人免力矩传感器的拖动示教方法，包括步骤：
[0008]S1、结合刚体动力学模型与深度神经网络来共同建立机器人的动力学模型；
[0009]S2、基于扰动理论建立机器人关节外力矩模型；
[0010]S3、通过组合机器人的广义动量与关节外力矩为系统状态变量，将机器人的动力学模型与机器人关节外力矩模型组合并转化为状态空间模型；
[0011]S4、基于卡尔曼滤波算法对系统状态进行最优估计，得到机器人关节外力矩的实时观测值；
[0012]S5、基于自适应阻尼的导纳控制方法将机器人关节外力矩的实时观测值转换为示教运动的期望关节转角，机器人通过自身的位置闭环控制来跟踪该期望关节转角，从而实现机器人拖动示教的控制，其中，所述的自适应阻尼的导纳控制方法为：
[0013][0014]其中，其中，为示教运动的期望关节速度与关节加速度向量，为系统阻尼矩阵，为系统惯性矩阵，系统阻尼矩阵与系统惯性矩阵都为n
×
n维的对角矩阵，矩阵对角线上的元素分别表示机器人各关节的阻尼系数与惯性系数。
[0015]优选地，步骤S1所述的机器人动力学模型以刚体动力学模型与深度神经网络相结合的方式来建立：
[0016][0017]其中，q，其中，q，为机器人的关节转角、速度与加速度向量；n表示机器人的自由度；为惯量矩阵；为与哥氏力、向心力有关的速度项矩阵；为重力项向量；表示机器人的刚体动力学模型；为深度神经网络输出的力矩向量；为关节驱动力矩向量，称为实际关节力矩。
[0018]优选地，机器人的刚体动力学模型通过基于傅里叶级数的激励轨迹、低通滤波器和加权最小二乘法的动力学辨识方案来完成辨识。由于关节摩擦的影响，已辨识的刚体动力学模型的计算力矩与实际力矩会存在一定的偏差，将该偏差定义为关节力矩残差：
[0019][0020][0021]其中，为关节力矩残差，分别为Φ(q)，G(q)的辨识值，为已辨识的刚体动力学模型的计算力矩。
[0022]优选地，建立的深度神经网络为深度全连接网络，其输入为关节转角、速度与加速度，输出为关节力矩残差，通过离线训练使深度全连接网络建立网络输入与输出之间的映射关系。当训练完成后，在已辨识的刚体动力学模型的计算力矩上叠加已训练的深度全连接网络计算的关节力矩残差项，由此完成动力学模型的建立。
[0023]优选地，在机器人的拖动示教控制下，机器人的关节外力矩向量可看成是机器人
系统外的一种扰动，所以根据经典的扰动观测器原理，步骤S2所述的机器人关节外力矩模型为：
[0024][0025]其中，为关节外力矩向量，为表示外力矩变化趋势的对角矩阵，ω
f
为关节外力矩模型的误差，定义为高斯噪声为关节外力矩模型的误差，定义为高斯噪声为其协方差对角矩阵。
[0026]优选地，步骤S3所述的机器人动力学模型与外力矩模型组合为：
[0027][0028]步骤S3所述的机器人的广义动量为：
[0029][0030][0031]其中γ为广义动量。由矩阵的反对称性质与惯量矩阵Φ(q)的对称性质，可以得到等式因此机器人动力学模型与外力矩模型的组合可表示为：
[0032][0033]其中，以简化表示，ω
p
为辨识G(q)，而引入的辨识误差，定义为高斯噪声而引入的辨识误差，定义为高斯噪声为其协方差的对角矩阵。
[0034]优选地，将机器人的广义动量与关节外力矩组合为系统状态变量，因此步骤S3所述的状态空间模型为：
[0035][0036]y＝Cx+v
[0037]其中，(1)系统状态为：T为转置。
[0038](2)系统输入为：u＝τ
u
。
[0039](3)系统矩阵为：C＝[I
n 0
n
×
n
]，式中的表示n
×
n维的单位矩阵，0
n
×
n
表示n
×
n维的零矩阵。
[0040](4)系统过程噪声为即：
[0041本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人免力矩传感器的拖动示教方法，其特征在于，包括步骤：S1、结合刚体动力学模型与深度神经网络来共同建立机器人的动力学模型；S2、基于扰动理论建立机器人关节外力矩模型；S3、通过组合机器人的广义动量与关节外力矩为系统状态变量，将机器人的动力学模型与机器人关节外力矩模型组合并转化为状态空间模型；S4、基于卡尔曼滤波算法对系统状态进行最优估计，得到机器人关节外力矩的实时观测值；S5、基于系统阻尼参数能够自动进行调整的自适应阻尼的导纳控制方法将所述机器人关节外力矩的实时观测值转换为示教运动的期望关节转角，机器人通过自身的位置闭环控制来跟踪该期望关节转角，从而实现机器人拖动示教的控制，其中，所述自适应阻尼的导纳控制方法为：其中，为示教运动的期望关节速度与关节加速度向量，为系统阻尼矩阵，为系统惯性矩阵，系统阻尼矩阵与系统惯性矩阵都为n
×
n维的对角矩阵，矩阵对角线上的元素分别表示机器人各关节的阻尼系数与惯性系数。2.根据权利要求1所述的一种机器人免力矩传感器的拖动示教方法，其特征在于，步骤S1所述机器人的动力学模型为：其中，为机器人的关节转角、速度与加速度向量；n表示机器人的自由度；为惯量矩阵；为与哥氏力、向心力有关的速度项矩阵；为重力项向量；表示机器人的刚体动力学模型；为深度神经网络输出的力矩向量；为关节驱动力矩向量，称为实际关节力矩。3.根据权利要求1所述的一种机器人免力矩传感器的拖动示教方法，其特征在于，机器人的刚体动力学模型通过基于傅里叶级数的激励轨迹、低通滤波器和加权最小二乘法的动力学辨识方案来完成辨识，由于关节摩擦的影响，已辨识的刚体动力学模型的计算力矩与实际力矩会存在一定的偏差，将该偏差定义为关节力矩残差：实际力矩会存在一定的偏差，将该偏差定义为关节力矩残差：其中，为关节力矩残差，分别为Φ(q)，G(q)的辨识值，为已辨识的刚体动力学模型的计算力矩。4.根据权利要求3所述的一种机器人免力矩传感器的拖动示教方法，其特征在于，所述的深度神经网络为深度全连接网络，其输入为关节转角、速度与加速度，输出为关节力矩残差，通过离线训练使深度全连接网络建立网络输入与输出之间的映射关系，当训练完成后，在已辨识的刚体动力学模型的计算力矩上叠加已训练的深度全连接网络计算的关节力矩
残差项，完成动力学模型的建立。5.根据权利要求1所述的一种机器人免力矩传感器的拖动示教方法，其特征在于，步骤S2所述的机器人关节外力矩模型为：其中，为关节外力矩向量，为表示外力矩变化趋势的对角矩阵，ω
f
为关节外力矩模型的误差，定义为高斯噪声为关节外力矩模型的误差，定义为高斯噪声为其协方差对角矩阵。6.根据权利要求1所述的一种机器人免力矩传感器的拖动示教方法，其特征在于，步骤S3所述的机器人动力学模型与关节外力矩模型组合为：步骤S3所述的机器人的广义动量为：步骤S3所述的机器人的广义动量为：其中γ为广义动量，由矩阵的反对称性质与惯量矩阵Φ(q)的对称性质，可以得到等式因此机器人动力学模型与外力矩模型的组合表示为：其中，ω
p
为辨识G(q)，而引入的辨识误差，定义为高斯噪声斯噪声为其协方差的对角矩阵。7.根据权利要求6所述的一种机器人免力矩传感器的拖动示教方法，其特征在于，将机器人的广义动量与关节外力矩组合为系统状态变量，因此步骤S3所述的状态空间模型为：y＝Cx+v其中，(1)系统状态为：T为转置；(2)系统输入为：u＝τ
u
；(3)系统矩阵为：C＝[I
n 0
n
×
n
]，式中的表示n
×
n维的单位矩阵，0
n
×
n
表示n
×
n维的零矩阵；(4)系统过程噪声为即：即：为其协方差对角矩阵，ω
f
为关节外力矩模型的误差；(5)系统测量噪声为测量噪声的协方差矩阵为式中为表示各关节速度测量误差的对角矩阵；(6)系统输出y定义为广义动量γ，关节转角q与关节速度是可测量的，惯量矩阵Φ(q)
能由关节转角q计算得到，因此广义动量是可测量的，将广义定量定义为系统的输出。8.根据权利要求1所述的一种机器人免力矩传感器的拖动示教方法，其特征在于，步骤S4所述的卡尔曼滤波算法是一种递推型算法，所以步骤S3所述的状态空间模型在离散系统下表示为：x
k
＝A
k
x
k
‑1+B
k
u
k
+ω
k
y
k
＝C
k
x
k
+v
k<...

【专利技术属性】
技术研发人员：张铁，许锦盛，邹焱飚，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：