一种基于门控循环神经网络的工业机器人建模方法技术

本发明专利技术公开了一种基于门控循环神经网络的工业机器人建模方法。该发明专利技术提出的方法通过采集机器人关节运动变量和关节电机转矩，并对测量数据进行预处理，选用门控循环神经网络作为模型，使用自适应动量的随机优化方法训练模型参数，获得能反映工业机器人关节运动变量和关节电机转矩之间的系统描述。本发明专利技术采用门控循环神经网络对工业机器人进行建模，该方法方便可行，模型精度高，使用该模型进行控制可提高机器人性能。高机器人性能。高机器人性能。

【技术实现步骤摘要】
一种基于门控循环神经网络的工业机器人建模方法


[0001]本专利技术属于机器人
，特别涉及一种基于门控循环神经网络(GRU)的工业机器人建模方法。

技术介绍

[0002]对工业机器人进行建模是实现高速高精度控制的前提条件，通过模型来补偿由机器人惯量变化等非线性因素所导致的位置偏差，提高运动控制性能。该方法被广泛应用于工业机器人的各个领域，包括建筑机器人，焊接机器人，喷涂机器人等。
[0003]目前的方法有机理建模和辨识建模，机理建模方法主要有牛顿
‑
欧拉法和拉格朗日法，但机理建模方法计算过程复杂，无法得到精确的模型。辨识建模是目前常用的是最小二乘法，需要首先对机器人模型进行线性化处理，然后利用机器人实际关节变量数据和转矩数据进行拟合来获得。这种方法所采用的线性化辨识模型无法反映机器人的非线性特性，对有色噪声抗干扰性差，而且计算量大。

技术实现思路

[0004]为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于门控循环神经网络的工业机器人建模方法，以门控循环神经网络(GRU)建模对机器人进行动力学建模，该神经网络有着较高的容错性与高速寻找优化解的能力，通过神经网络可以快速、准确地估计机器人动力学参数。
[0005]为了实现上述目的，本专利技术采用的技术方案是：
[0006]一种基于门控循环神经网络的工业机器人建模方法，包括以下步骤：
[0007]步骤1，对机器人施加激励信号，采集机器人状态数据，包括关节角位移、角速度、角加速度和关节转矩；
[0008]步骤2，对采集的状态数据进行预处理；
[0009]步骤3，采用门控循环神经网络作为机器人动力学模型，确定出网络拓扑结构；
[0010]步骤4，利用步骤2预处理后的数据，以自适应动量的随机优化方法训练模型参数；
[0011]步骤5，在机器人关节运动空间生成测试轨迹输入到训练好的模型中预测转矩，计算误差验证模型效果。
[0012]在一个实施例中，所述步骤2，对采集到的工业机器人关节角位移、角速度、角加速度和关节转矩数据，先根据三标准差准则，去除粗大误差，之后再用中位值平均滤波法处理，降低数据噪声带来的影响。
[0013]在一个实施例中，所述步骤3，机器人动力学模型包括输入层、GRU隐藏层、原始输出层、全连接层和最终输出层；所述GRU隐藏层包含若干个相同结构的记忆单元，每个记忆单元由更新门和重置门组成，通过更新门和重置门对记忆单元状态进行更新，在任意t时刻，记忆单元的输入由其前一时刻即t
‑
1时刻的隐藏状态h
t
‑1和当前时刻即t时刻的输入x
it
两部分组成，x
it
表示第i个关节在t时刻的关节运动变量，
分别表示第i个关节t时刻的关节角位移、角速度和角加速度，计算公式如下：
[0014]z
t
＝σ(W
z
x
it
+U
z
h
t
‑1)
[0015]r
t
＝σ(W
r
x
it
+U
r
h
t
‑1)
[0016][0017][0018]其中，z
t
为更新门的输出；r
t
为重置门的输出；h
t
为t时刻的隐藏状态；为t时刻的激活状态；W
z
、U
z
、W
r
、U
r
、W
A
、U
A
为相应的权重；σ表示sigmoid函数，最终输出层的输出为机器人关节转矩
[0019][0020]其中，W
y
为矩阵权重。
[0021]在一个实施例中，采用Huber函数作为损失函数，表示为：
[0022][0023]其中，和y
true
分别表示为模型预测关节转矩和机器人的实际转矩；δ为超参数。
[0024]在一个实施例中，所述步骤4，采用Adam自适应学习率方法更新模型参数，首先，估计一阶矩m
t
和二阶矩v
t
：
[0025]m
t
＝β11*m
t
‑1+(1
‑
β11)*g
[0026]v
t
＝β2*v
t
‑1+(1
‑
β2)*g2[0027]其中，β1为一阶矩估计的指数衰减率；β2为二阶矩估计的指数衰减率，g为梯度；
[0028]其次，进行一阶矩估计、二阶矩估计偏差修正：
[0029][0030][0031]其中，m
t
′
为偏差校正第一矩向量，v
t
′
为偏差校正第二矩向量；最后进行参数更新为：
[0032][0033]其中，θ
t+1
和θ
t
为要更新的参数向量；参数eps为一个接近0的正数；α为学习率，用于控制步幅。
[0034]在一个实施例中，所述进行参数更新，直至Huber函数值满足给定拟合要求，模型根据轨迹计算得到的转矩估计值序列与转矩真实值序列的均方根误差满足给定的误差范
围。
[0035]在一个实施例中，所述步骤5，对模型进行评价，给定一段在可行工作空间中的测试轨迹，通过近似模型计算的估计转矩与电机输出转矩真值之间的均方误差满足给定的拟合要求。
[0036]本专利技术还提供了相应的工业机器人运动控制方法，利用所述基于门控循环神经网络的工业机器人建模方法进行建模，利用所得模型补偿非线性因素所导致的工业机器人运动位置偏差。
[0037]本专利技术还提供了相应的工业机器人运动控制系统，采用PID控制，在其前馈控制单元，具有采用所述基于门控循环神经网络的工业机器人建模方法所建立的模型。
[0038]与现有技术相比，本专利技术通过采集机器人关节运动变量和关节电机转矩，并对测量数据进行预处理，选用门控循环神经网络作为模型，使用自适应动量的随机优化方法训练模型参数，获得能反映工业机器人关节运动变量和关节电机转矩之间的系统描述。本专利技术采用门控循环神经网络对工业机器人进行建模，该方法方便可行，模型精度高，使用该模型进行运动控制可提高机器人性能。
附图说明
[0039]图1是本专利技术中机器人动力学建模的实验内容流程框图。
[0040]图2是本专利技术实施例中关节1的辨识实验轨迹的关节角位移，关节角速度和关节角加速度曲线图。
[0041]图3是本专利技术中神经网络模型结构图。
[0042]图4是本专利技术中门控循环神经网络GRU层节点结构图。
[0043]图5是本专利技术中Adam自适应学习率方法的流程图。
[0044]图6是本专利技术实施例中关节1的转矩估计值与电机转矩真实值的比较示例图。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于门控循环神经网络的工业机器人建模方法，其特征在于，包括以下步骤：步骤1，对机器人施加激励信号，采集机器人状态数据，包括关节角位移、角速度、角加速度和关节转矩；步骤2，对采集的状态数据进行预处理；步骤3，采用门控循环神经网络作为机器人动力学模型，确定出网络拓扑结构；步骤4，利用步骤2预处理后的数据，以自适应动量的随机优化方法训练模型参数；步骤5，在机器人关节运动空间生成测试轨迹输入到训练好的模型中预测转矩，计算误差验证模型效果。2.根据权利要求1所述基于门控循环神经网络的工业机器人建模方法，其特征在于，所述步骤2，对采集到的工业机器人关节角位移、角速度、角加速度和关节转矩数据，先根据三标准差准则，去除粗大误差，之后再用中位值平均滤波法处理，降低数据噪声带来的影响。3.根据权利要求1所述基于门控循环神经网络的工业机器人建模方法，其特征在于，所述步骤3，机器人动力学模型包括输入层、GRU隐藏层、原始输出层、全连接层和最终输出层；所述GRU隐藏层包含若干个相同结构的记忆单元，每个记忆单元由更新门和重置门组成，通过更新门和重置门对记忆单元状态进行更新，在任意t时刻，记忆单元的输入由其前一时刻即t
‑
1时刻的隐藏状态h
t
‑1和当前时刻即t时刻的输入x
it
两部分组成，x
it
表示第i个关节在t时刻的关节运动变量，q
it
,分别表示第i个关节t时刻的关节角位移、角速度和角加速度，计算公式如下：z
t
＝σ(W
z
x
it
+U
z
h
t
‑1)r
t
＝σ(W
r
x
it
+U
r
h
t
‑1))其中，z
t
为更新门的输出；r
t
为重置门的输出；h
t
为t时刻的隐藏状态；为t时刻的激活状态；W
z
、U
z
、W
r
、U
r
、W
A
、U
A
为相应的权重；...

【专利技术属性】
技术研发人员：蔡海，郑如萍，唐在启，
申请(专利权)人：北京深谋科技有限公司，
类型：发明
国别省市：