基于融合模型的机器人逆动力学前馈控制方法及系统技术方案

本发明专利技术提出一种基于融合模型的机器人逆动力学前馈控制方法及系统，所述方法包括：构建机器人逆动力学的机理模型和神经网络数据模型；求取机器人各关节角位置误差、角速度误差以及角加速度误差；分别计算反馈控制器的输出、神经网络数据模型的输出、机理模型的输出；将反馈控制器的输出、神经网络数据模型的输出以及机理模型的输出相加，得到机器人的控制力矩。本发明专利技术在机器人逆动力学机理模型的基础上耦合神经网络数据模型，能克服逆动力学机理模型不精确性对控制性能造成的影响，提高机器人轨迹跟踪控制精度及抗干扰能力。轨迹跟踪控制精度及抗干扰能力。轨迹跟踪控制精度及抗干扰能力。

【技术实现步骤摘要】
基于融合模型的机器人逆动力学前馈控制方法及系统


[0001]本专利技术属于机器人
，具体涉及一种基于融合模型的机器人逆动力学前馈控制方法及系统。

技术介绍

[0002]工业机器人的技术是推动制造业转型升级，提升国家制造业综合实力与核心竞争力的重要工业装备。工业机器人的所有高端工业应用，都要求机器人末端执行器在存在外部干扰和变化的负载条件下实现精确的定位、更快的响应和稳健的鲁棒性。
[0003]运动性能对于提高机器人的生产质量与效率具有重要影响，实现工业机器人高品质的运动性能，要求控制器具有高的控制精度，高的动态响应以及稳定性。然而工业机器人是一个十分复杂的非线性、强耦合时变系统，特别是在高速运动情况下，机器人惯量变化大，非线性效应明显增强，仅采用传统的闭环反馈控制，难以满足工业机器人高品质的运动需求。
[0004]基于机器人逆动力学模型的前馈控制算法，能在一定程度上克服机器人的非线性时变特性，被认为是提高机器人动态性能和运动精度最直接有效的途径。然而工业机器人动力学特性复杂，存在参数不确定性以及非参数不确定性，其精确的逆动力学模型难以获取，模型的不精确性对控制性能有显著影响。专利CN111736460A公布了一种机器人自适应迭代学习控制方法及系统，该专利技术一定程度上了克服了工业机器人参数不确定性对控制性能的影响同时兼顾了算法的收敛速度，但没有考虑机器人非参数不确定性对控制性能的影响。现有技术中，有文献在传统逆动力学前馈控制方法的基础上，通过在线辨识的方式时实修正机器人逆动力学前馈模型，但只对逆动力学模型中的惯量矩阵进行了修正，模型准确性的改善程度有限。也有部分文献考虑了柔性因素对机器人动力学的影响，将柔性力矩作为机器人动力学前馈，但如何克服机器人逆动力学模型参数和非参数不确定性对机器人控制性能的影响，没有进一步研究。
[0005]由此可见，现有关于机器人逆动力学前馈控制方法，在克服机器人逆动力学模型参数不确定性和非参数不确定性方面还在存在一些不足。

技术实现思路

[0006]针对现有技术的缺陷，本专利技术提出了一种基于融合模型的机器人逆动力学前馈控制方法及系统，用于解决现有的机器人逆动力学前馈控制方法未能克服机器人逆动力学模型参数不确定性和非参数不确定性的问题。
[0007]本专利技术第一方面，公开一种基于融合模型的机器人逆动力学前馈控制方法，所述方法包括：基于机器人逆动力学理论构建机器人逆动力学的机理模型，基于人工神经网络构建机器人逆动力学的神经网络数据模型；求取机器人各关节角位置误差、角速度误差以及角加速度误差；
将各关节角位置误差、角速度误差以及角加速度误差输入反馈控制器，计算反馈控制器的输出；将机器人期望的关节角位置、角速度、角加速度和关节角位置误差、角速度误差输入神经网络数据模型，计算神经网络数据模型的权值，并计算神经网络数据模型的输出；将机器人期望的关节角位置、角速度、角加速度输入机理模型，计算机理模型的输出；将反馈控制器的输出、神经网络数据模型的输出以及机理模型的输出相加，得到机器人的控制力矩。
[0008]在以上技术方案的基础上，优选的，所述机器人逆动力学的神经网络数据模型采用RBF神经网络结构。
[0009]在以上技术方案的基础上，优选的，所述反馈控制器采用如下控制律：其中，为关节角位置误差，为角速度误差，为角加速度误差，以及为控制参数矩阵。
[0010]在以上技术方案的基础上，优选的，神经网络数据模型的权值根据李雅普诺夫稳定性定理推导出的权值公式进行在线自适应调整更新。
[0011]在以上技术方案的基础上，优选的，计算神经网络数据模型的权值具体包括：获取机理模型计算出的各关节驱动力矩和神经网络数据模型的输出，得到机器人逆运动学总的控制律：基于机器人逆运动学总的控制律，考虑参数不确定性和非参数不确定性的影响，令，计算闭环系统的控制偏差方程：通过神经网络数据模型模拟控制偏差，并更新闭环系统的控制偏差方程；基于更新的闭环系统的控制偏差方程，根据李雅普诺夫稳定性定理推导出神经网络数据模型的权值公式。
[0012]在以上技术方案的基础上，优选的，所述基于更新的闭环系统的控制偏差方程，根据李雅普诺夫稳定性定理推导出神经网络数据模型的权值公式具体包括：通过传感器测量得到控制误差，根据更新的闭环系统的控制偏差方程获取控制偏差；计算控制误差与控制偏差之间的传递函数；基于控制误差与控制偏差之间的传递函数计算整个机器人系统误差方程的状态空间形式；
基于整个机器人系统误差方程的状态空间形式定义李雅普诺夫函数，根据李雅普诺夫函数的一阶导数进行控制系统稳定性分析，得到控制系统稳定下的神经网络数据模型的权值公式。
[0013]在以上技术方案的基础上，优选的，设神经网络数据模型的权值为，满足方程：其中为常数矩阵，且，，为径向基神经网络的高斯基函数，为误差函数，，为常数对角矩阵，且。
[0014]本专利技术第二方面，公开一种基于融合模型的机器人逆动力学前馈控制系统，所述系统包括：期望输入模块：用于输入机器人期望的关节角位置、角速度、角加速度；误差计算模块：用于计算机器人各关节角位置误差、角速度误差以及角加速度误差并输入反馈控制器和数据模型计算模块；反馈控制器：用于根据各关节角位置误差、角速度误差以及角加速度误差进行比例及微分运算，输出反馈控制力矩；数据模型计算模块：用于基于人工神经网络构建机器人逆动力学的神经网络数据模型；将机器人期望的关节角位置、角速度、角加速度和关节角位置误差、角速度误差输入神经网络数据模型，计算神经网络数据模型的权值，并计算神经网络数据模型的输出；机理模型计算模块：用于基于机器人逆动力学理论构建机器人逆动力学的机理模型，将机器人期望的关节角位置、角速度、角加速度输入机理模型，计算机理模型的输出；求和模块：用于将神经网络数据模型的输出以及机理模型的输出相加得到前馈控制力矩，或用于将反馈控制器的输出、神经网络数据模型的输出以及机理模型的输出相加，得到机器人的控制力矩。
[0015]本专利技术第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本专利技术第一方面所述的方法。
[0016]本专利技术第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本专利技术第一方面所述的方法。
[0017]本专利技术相对于现有技术具有以下有益效果：1）本专利技术在机器人逆动力学机理模型基础耦合神经网络数据模型，提出基于混合逆动力学模型的机器人前馈控制方法，充分利用了机理建模和数据建模的优点，能克服逆动力学机理模型不精确性对控制性能造成的影响，提高机器人轨迹跟踪控制精度及抗干扰能力；
2）本专利技术在分析机器人逆运动学总的控制律时考虑参数不确定性和非参数不确定性的影响，基于控制偏差，根据李雅普诺夫稳定性定理推导出神经网络数据模型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合模型的机器人逆动力学前馈控制方法，其特征在于，所述方法包括：基于机器人逆动力学理论构建机器人逆动力学的机理模型，基于人工神经网络构建机器人逆动力学的神经网络数据模型；求取机器人各关节角位置误差、角速度误差以及角加速度误差；将各关节角位置误差、角速度误差以及角加速度误差输入反馈控制器，计算反馈控制器的输出；将机器人期望的关节角位置、角速度、角加速度和关节角位置误差、角速度误差输入神经网络数据模型，计算神经网络数据模型的权值，并计算神经网络数据模型的输出；将机器人期望的关节角位置、角速度、角加速度输入机理模型，计算机理模型的输出；将反馈控制器的输出、神经网络数据模型的输出以及机理模型的输出相加，得到机器人的控制力矩。2.根据权利要求1所述的基于融合模型的机器人逆动力学前馈控制方法，其特征在于，所述机器人逆动力学的神经网络数据模型采用RBF神经网络结构。3.根据权利要求1所述的基于融合模型的机器人逆动力学前馈控制方法，其特征在于，所述反馈控制器采用如下控制律：其中，为反馈控制器的输出，为关节角位置误差，为角速度误差，为角加速度误差，以及为控制参数矩阵。4.根据权利要求1所述的基于融合模型的机器人逆动力学前馈控制方法，其特征在于，神经网络数据模型的权值根据李雅普诺夫稳定性定理推导出的权值公式进行在线自适应调整更新。5.根据权利要求3所述的基于融合模型的机器人逆动力学前馈控制方法，其特征在于，计算神经网络数据模型的权值具体包括：获取机理模型计算出的各关节驱动力矩和神经网络数据模型的输出，得到机器人逆运动学总的控制律：动学总的控制律：为总的控制力矩；基于机器人逆运动学总的控制律，考虑参数不确定性和非参数不确定性的影响，令，计算闭环系统的控制偏差方程：通过神经网络数据模型模拟控制偏差，并更新闭环系统的控制偏差方程；基于更新的闭环系统的控制偏差方程，根据李雅普诺夫稳定性定理推导出神经网络数
据模型的权值公式。6.根据权利要求5所述的基于融合模型的机器人逆动力学前馈控制方法，其特征在于，所述基于更新的闭环系统的控制偏差方程，根据李雅普诺夫稳定性定理推导出神经网络数据模型的权值公式具体包括：通过传感器测量得到控制误...

【专利技术属性】
技术研发人员：梅再武，陈立平，丁建完，周凡利，杨浩，
申请(专利权)人：武汉鼎元同立科技有限公司，
类型：发明
国别省市：