一种基于神经网络力矩预测的机械臂动力学辨识方法技术

本发明专利技术为一种基于神经网络力矩预测的机械臂动力学辨识方法，包括以下内容：建立基于LSTM机制的力矩预测模型：将各关节位置、速度、加速度作为输入，输出为预测出的各关节力矩；所述基于LSTM机制的力矩预测模型包括LSTM层、全连接网络层和dropout层；所述LSTM层具有三层结构，前两层中同一行的两个LSTM单元串联，同一列的所有LSTM单元依次串联，第二层的最后一个LSTM单元的输出连接第三层的LSTM单元的输入，第三层LSTM单元的输出连接全连接网络层，所述全连接网络层的输出经dropout层后得到基于LSTM机制的力矩预测模型的最终输出，用于机械臂动力学参数辨识。本发明专利技术明显提高力矩计算的平滑性，减少了摩擦等非线性因素对参数辨识的影响。辨识的影响。辨识的影响。

【技术实现步骤摘要】
一种基于神经网络力矩预测的机械臂动力学辨识方法


[0001]本专利技术涉及工业机器人
，特别涉及一种基于神经网络力矩预测的机械臂动力学辨识方法。

技术介绍

[0002]随着推进新型工业化，如何提高工厂的智能化程度、提高生产效率已成为当前的燃眉之急。机械臂被广泛应用在工业生产中，目前很多研究聚焦于提高其控制精度上。建立准确的动力学模型是实现机械臂精准运动控制和关节力矩观测的重要前提条件。
[0003]目前机械臂动力学参数辨识大多需要对动力学模型进行精确的建模，采用算法来优化激励轨迹，并用最小二乘法来求解辨识参数，如专利【一种面向SCARA机械臂的动力学参数辨识方法】、【一种七自由度机械臂动力学参数辨识方法】，这类传统方法难以适应系统的复杂性和变化，精度也难以达到一定水平；近年来，基于神经网络的机器人动力学参数辨识方法也得到了一定关注，其具有较强的逼近能力，并可以对高度非线性的系统进行建模，如中国专利ZL201911208932.4公开的一种基于神经网络的工业机器人动力学辨识方法、申请号为202111654616.7的中国专利公开一种基于遗传算法优化的神经网络机械臂动力学建模方法，但由于神经网络的非线性特性，它对输入数据的噪声更为敏感，会被关节非线性摩擦以及观测噪声所干扰，从而导致关节力矩拟合有一定误差。因此在利用神经网络的前提下，如何进行更精准的动力学辨识，获得更准确的力矩信息，是现有其他专利技术专利有待解决的问题，也是本专利的聚焦点。

技术实现思路

[0004]本专利技术要克服现有技术的缺点，结合动力学和Pytorch神经网络架构，提出了一种基于神经网络力矩预测的机械臂动力学辨识方法。
[0005]本专利技术解决所述技术问题采用的技术方案如下：
[0006]一种基于神经网络力矩预测的机械臂动力学辨识方法，包括以下内容：
[0007]建立基于LSTM机制的力矩预测模型：
[0008]所述基于LSTM机制的力矩预测模型将各关节位置、速度、加速度作为输入，输出为预测出的各关节力矩；
[0009]所述基于LSTM机制的力矩预测模型包括LSTM层、全连接网络层和dropout层，LSTM层用来处理机械臂的时间状态序列以及预测机械臂的力矩序列；全连接网络层将LSTM层的输出结果映射到力矩预测的输出空间中，获得每个关节的动力学参数；
[0010]所述LSTM层具有三层结构，前两层中的LSTM单元数量与机械臂的关节数量相同，第三层的LSTM单元数量为1，前两层中同一行的两个LSTM单元串联，同一列的所有LSTM单元依次串联，第二层的最后一个LSTM单元的输出连接第三层的LSTM单元的输入，第三层LSTM单元的输出连接全连接网络层，所述全连接网络层的层数为15
‑
30，所述全连接网络层的输出经dropout层后得到基于LSTM机制的力矩预测模型的最终输出，用于机械臂动力学参数
辨识。
[0011]所述辨识方法还包括：
[0012]步骤1：建立机械臂动力学模型并线性化，线性化的动力学模型为公式(12)
[0013][0014]式中：P
b
为r
×
1的列向量，表示重组之后的最小惯性参数；J
b
为对J重组之后的惯性参数对应的系数矩阵；J为惯性回归矩阵；P是动力学参数的向量，分别为广义坐标下的机械臂关节角度、角速度和角加速度向量，n代表维数；τ∈R
n
×1为机械关节驱动力矩向量；
[0015]步骤2：设计激励轨迹：选取五阶的傅里叶轨迹作为优化轨迹，利用条件数最小原则减少回归矩阵的病态性对惯性参数辨识的影响；利用遗传优化算法(GeneticAlgorithm,GeneticAlgorithm GA)优化获得最优的激励轨迹；以最优的激励轨迹采集各关节数据集；采样关节数据并滤波，所述关节数据包括关节力矩、关节电流、关节角度位置和角速度、角加速度；
[0016]以各关节数据集训练基于LSTM机制的力矩预测模型，用于机械臂动力学参数辨识。
[0017]所述步骤1：所述机械臂为串联机械臂，基于牛顿
‑
欧拉法，得到串联机械臂动力学方程，采用库伦+粘滞摩擦力模型对关节摩擦进行动力学建模，根据最小惯性参数原理将动力学模型线性化。
[0018]所述步骤2：利用遗传优化算法，对待优化的轨迹参数进行寻优(为第i关节的待优化的轨迹参数)。激励轨迹的设置可以更好地训练和测试基于LSTM机制的力矩预测模型，可以更全面地探索机械臂的运动范围和行为，以及不同工作条件下的响应，这样的多样性有助于提高模型的泛化能力，使其能够适应更广泛的工作情况。
[0019]本专利技术方法与现有技术相比，具有如下优点和有益效果：
[0020]1、在传统逆动力学建模的基础上，引入神经网络对机械臂参数进行辨识，进而预测关节力矩。本专利技术构建了基于LSTM机制的力矩预测模型，以BP神经网络结构为基础，结合LSTM机制，长短时序记忆模型(Long Short
‑
Term Memory)使得网络可以对前面的输入进行记忆，并根据前面的输入调整当前的输出，解决了普通循环神经网络处理长距离信息训练精度不高的缺陷，获得了有更好力矩预测精度的神经网络模型。
[0021]2、本专利技术以模型预测精度的均方根误差(RMS)为评判标准，验证时，本专利技术的基于LSTM机制的力矩预测模型可以在各种轨迹下通用，任意给定一个验证轨迹来验证效果，经过验证表明：本专利技术明显提高力矩计算的平滑性，减少了摩擦等非线性因素对参数辨识的影响；相比于最小二乘法，本专利技术力矩预测效果提高了4％，有良好的补偿摩擦特性；对各关节辨识度误差结果进行比较，相比最小二乘法，本专利技术提高了6.1％的力矩辨识精度，保证在噪声下的参数辨识准确性。
附图说明
[0022]图1是本专利技术基于神经网络力矩预测的机械臂动力学辨识方法一种实施例的流程示意图。
[0023]图2是本专利技术中机械臂最优激励轨迹的示意图。
[0024]图3是本专利技术中关节加速度滤波处理图，其中(a)关节1；(b)关节2；(c)关节3；(d)关节4；(e)关节5；(f)关节6。
[0025]图4是BP神经网络结构示意图。
[0026]图5是本专利技术中不同隐藏层时的神经网络训练情况图，其中(a)隐藏层r＝5；(b)隐藏层r＝10；(c)隐藏层r＝20；(d)隐藏层r＝40。
[0027]图6是本专利技术中基于LSTM机制的力矩预测模型的结构示意图。
[0028]图7是本专利技术中各关节在测试轨迹下的预测力矩和误差比较图，其中(a)关节1；(b)关节2；(c)关节3；(d)关节4；(e)关节5；(f)关节6。
具体实施方式
[0029]以下结合附图及实施例，对本专利技术的技术方案作进一步描述，但并不以此作为对本申请保护范围的限定。
[0030]本专利技术一种基于神经网络力矩预测的机械臂动力学辨识方法的具体步骤如下：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力矩预测的机械臂动力学辨识方法，包括以下内容：建立基于LSTM机制的力矩预测模型：所述基于LSTM机制的力矩预测模型将各关节位置、速度、加速度作为输入，输出为预测出的各关节力矩；所述基于LSTM机制的力矩预测模型包括LSTM层、全连接网络层和dropout层，LSTM层用来处理机械臂的时间状态序列以及预测机械臂的力矩序列；全连接网络层将LSTM层的输出结果映射到力矩预测的输出空间中，获得每个关节的动力学参数；所述LSTM层具有三层结构，前两层中的LSTM单元数量与机械臂的关节数量相同，第三层的LSTM单元数量为1，前两层中同一行的两个LSTM单元串联，同一列的所有LSTM单元依次串联，第二层的最后一个LSTM单元的输出连接第三层的LSTM单元的输入，第三层LSTM单元的输出连接全连接网络层，所述全连接网络层的层数为15
‑
30，所述全连接网络层的输出经dropout层后得到基于LSTM机制的力矩预测模型的最终输出，用于机械臂动力学参数辨识。2.根据权利要求1所述的基于神经网络力矩预测的机械臂动力学辨识方法，其特征在于，所述辨识方法还包括：步骤1：建立机械臂动力学模型并线性化，线性化的动力学模型为公式(12)式中：P
b
为r
×
1的列向量，表示重组之后的最小惯性参数；J
b
为对J重组之后的惯性参数对应的系数矩阵；J为惯性回归矩阵；P是动力学参数的向量，分别为广义坐标下的机械臂关节角度、角速度和角加速度向量，...

【专利技术属性】
技术研发人员：刘璇，张明超，刘成文，王清，张明路，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：