一种基于机理数据混合模型的机械臂触觉外力估计方法技术

本发明专利技术涉及一种基于机理数据混合模型的机械臂触觉外力估计方法，在无接触外力状态下，建立机械臂欧拉

【技术实现步骤摘要】
一种基于机理数据混合模型的机械臂触觉外力估计方法


[0001]本专利技术属于电数据处理领域，具体涉及一种基于机理数据混合模型的机械臂触觉外力估计方法。

技术介绍

[0002]随着机器人技术的成熟与发展，机器人开始代替人类进入各种特殊甚至极端恶劣的作业环境，未来战争救援、空间机械臂极端环境抓捕场景下，机器人对环境的交互感知关系到机器人的存活，在这些未知环境、复杂任务下，高精度的交互力信息实时感知与充分利用是机器人智能交互、安全存活的迫切需求。现有的交互力信息感知手段主要是通过外加力传感器实现，然而外加力传感器受到复杂结构、高昂成本、额外安装空间、附加载荷的限制，难以适应复杂场景。采用基于量测和模型信息动态解算的无传感软测量方法，在避免外加力传感器的同时，也受限于精准建模假设。由于机械臂系统具有强耦合、非线性的特性，精确辨识、建模难度大，且本身存在关节摩擦力、关节柔性等难以精确建模的未知未建模残余动态，这些未知未建模残余动态与系统状态耦合，与触觉外力在同一通道，难以实现触觉外力的精确分离与估计。这些特点极大增加了力交互式机械臂的外力感知难度，传统力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机理数据混合模型的机械臂触觉外力估计方法，其特征在于，包括以下步骤：第一步，在无接触外力状态下，建立作为机理模型的机械臂欧拉
‑
拉格朗日刚体动力学模型，通过测量关节电流值，得到实际关节力矩，将所述实际关节力矩与机理模型计算的关节力矩之差作为未建模残余动态，以关节状态作为模型输入、以所述未建模残余动态的测量值作为模型输出，建立模型训练数据集；第二步，将第一步中的所述机理模型转换为动量形式，基于第一步建立的所述模型训练数据集，利用高斯过程回归的监督统计学习方法，训练针对所述未建模残余动态的补偿项模型，模型输出为对未建模残余动态的预测均值和方差，得到包含机理模型与基于未建模残余动态的数据的补偿项的机理数据混合模型；第三步，将关节外力建模成随机游走形式，并作为伪观测量扩维动量组成新的状态变量，建立机械臂外力估计系统模型；第四步，设计带有过程噪声实时修正的Kalman滤波方法估计触觉外力，所述过程噪声的实时方差信息来源于第二步中的所述补偿项，为所述补偿项模型的预测输出方差，随机械臂外力估计系统的状态变量更新，完成基于机理数据混合模型的机械臂触觉外力估计方法。2.根据权利要求1所述的一种基于机理数据混合模型的机械臂触觉外力估计方法，其特征在于：所述第一步的具体步骤如下：(1) 建立n连杆标准刚体机械臂动力学模型作为机理模型，在机械臂关节空间，将机械臂状态变量与关节力矩的关系用拉格朗日方程的形式表示：其中，q、、分别为关节角度、角速度和角加速度，表示机械臂状态变量；M(q)为惯性阵，表示哥氏力和离心力项，G(q)表示重力项，τ
EL
表示机理模型计算的关节力矩，n为大于或等于1的整数；(2) 实际关节力矩通过测量关节电流值获得：τ
m
=K
a
·
I
m
其中，K
a
表示电流系数，I
m
表示电机输出电流测量值，τ
m
为实际关节力矩；未建模残余动态测量值计算公式如下：ε=τ
m
‑
τ
EL
其中，τ
m
为实际关节力矩，ε为机理建模的实际关节力矩与机理模型计算的关节力矩的误差，在回归建模未建模残余动态中作为测量真值；经过数据分析，选取关节角度、角速度和角加速度q、、作为回归特征，ε作为回归真值，建立模型回归的模型训练数据集：，D为训练集符号。3.根据权利要求1所述的一种基于机理数据混合模型的机械臂触觉外力估计方法，其特征在于：所述第二步的具体步骤如下：(1) 机械臂的状态变量以动量形式表征如下：
其中，p表示关节动量；在有接触外力状态下，求导得到动量形式表征的机械臂动力学机理模型如下：其中，表示动量的导数，中的上标T表示矩阵的转置，τ
ext
表示有接触外力状态下，接触外力作用在关节处的外力矩；(2) 待训练的未建模残余动态模型表示如下：其中，表示未建模残余动态模型的函数，W
r
表示未建模残余动态模型的随机噪声向量，其每个分量均为零均值高斯白噪声，形式为：其中，w
r,i
表示随机噪声向量W
r
的第i个分量，表示服从均值为零，方差为σ
r,i2
的高斯分布；将待训练的未建模残余动态在关节状态空间视作连续，符合多元联合高斯分布，基于贝叶斯推断的函数模型的后验概率函数为：其中，p为概率分布符号；θ为超参数，包含均值函数、核函数、似然函数、推断方法、稀疏近似的参数值和函数类型；Z为回归量符号，表示关节角度、角速度和角加速度组成的向量；p(Φ|Z,ε,θ)表示未建模残余动态模型的后验概率函数，p(ε|Z,Φ,θ)表示未建模残余动态模型的似然函数，p(Φ|θ)表示未建模残余动态模型的超参数先验函数，p(ε|Z,θ)表示未建模残余动态模型的边际似然函数；(3) 在模型训练数据集D的条件下，基于最大后验概率推断优化未建模残余动态模型的超参数，从而训练未建模残余动态模型；未建模残余动态模型的边际似然函数形式为：其中，π表示圆周率，N表示数据集中数据对的数量，K表示数据集中数据对的协方差矩阵，e表示自然常数；基于最大后验概率函数推断优化未建模残余动态模型的超参数，从而训练未建模残余
动态模型的优化函数，选取未建模残余动态模型的负对数边际似然函数，形式如下：其中，ln表示自然对数符号；优化函数采用共轭梯度法极小化求解，从而得到未建模残余动态模型的超参数；训练得到的未建模残余动态模型是一个随...

【专利技术属性】
技术研发人员：郭雷，魏嫣然，余翔，崔洋洋，刘钱源，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：