一种关节型工业机器人动力学参数辨识方法技术

本发明专利技术公开了一种具有非线性粘滞摩擦的工业机器人动力学辨识方法，涉及到机器人动力学建模与控制领域。该方法在机器人建模中，考虑粘滞摩擦非线性项，区别于传统库仑粘滞摩擦模型，其内容包括机器人摩擦模型构建、激励轨迹模型选取、参数优化以及动力学参数求解。在激励轨迹选取优化中，选取五阶傅里叶级数和五次多项式相结合的轨迹模型，采用带惩罚函数的遗传算法对激励轨迹进行参数优化；在求解过程中，基于内点法进行迭代拟合，获取机器人完整动力学参数。本发明专利技术所考虑摩擦模型具有更高的建模精度，同时克服了起始和终止位置系统抖动的问题，提高了机器人动力学参数辨识的效率和精度，可用于机器人移动搬运、抛光打磨及重载液压等工业场景。液压等工业场景。液压等工业场景。

【技术实现步骤摘要】
一种关节型工业机器人动力学参数辨识方法


[0001]本专利技术涉及机器人动力学建模与控制领域，特别涉及一种关节型工业机器人动力学参数辨识方法。

技术介绍

[0002]随着工业机器人向高速、高精度以及高负载能力的方向发展，对机器人的控制精度提出了越来越高的要求。工业机器人是非线性、强耦合、不确定系统，各关节间存在非线性摩擦。因此，为实现工业机器人的精准定位与跟踪运行，需要实时估计机器人动力学参数，以便能进行高精度运动控制。
[0003]在有些情况下，需要考虑非线性粘性摩擦对辨识的影响，需要建立了带摩擦项的机器人辨识模型；同时，激励轨迹的模型选取与参数优化也是影响辨识参数准确性的主要原因，选取合适的激励轨迹可以更充分的激发出机器人系统的动力学特性。为了使机器人按照激励轨迹运行时起始时刻和终止时刻不发生抖动，可选取五次多项式和五阶傅里叶级数相结合的激励轨迹模型，在激励轨迹优化指标的选取方面，通常以最小化观测矩阵条件数作为优化目标。为了提高数据的质量，通常要进行滤波。目前传统的求解方法是采用最小二乘法，这种方法计算准确度较低且求解进程较长，因此研究智能求解方法是一种发展趋势

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关节型工业机器人动力学参数辨识方法，通过改进关节摩擦、优化激励轨迹与改进辨识算法，以达到更为准确地建立工业机器人动力学模型，提高参数辨识精度的效果。
[0005]为了实现上述目的，本专利技术采用的技术方案是：
[0006]一种关节型工业机器人动力学参数辨识方法，包括如下步骤：
[0007]S1，对于关节型工业机器人，考虑存在的非线性粘滞摩擦项，计算出包含待辨识动力学参数的最小惯性参数集；所述待辨识动力学参数为库仑摩擦力、粘滞摩擦力系数和正反向摩擦力不对称性偏置；
[0008]S2，以五次多项式代替傅里叶级数常数项，采用五次多项式和五阶傅里叶级数相结合的激励轨迹模型，驱动机器人运动，使机器人按照激励轨迹运行时起始时刻和终止时刻不发生抖动；
[0009]S3，选取最小化观测矩阵条件数为优化目标，利用遗传算法求解最优激励轨迹参数，以使激励轨迹充分激励机器人；
[0010]S4，采集机器人的关节角度、角速度及力矩数据，计算估计摩擦项，选用内点法迭代求解动力学参数。
[0011]在一个实施例中，所述S1，建立含非线性粘滞摩擦项的机器人动力学模型，并进行线性化处理，获取最小惯性参数集。
[0012]在一个实施例中，对第j关节，其关节摩擦模型如下：
[0013][0014]其中，F
cj
为库仑摩擦力，F
vj
为粘滞摩擦力系数，B
j
为正反向摩擦力不对称性偏置，α
j
为形成粘滞摩擦的非线性指数参数；均为关节摩擦模型中摩擦参数所对应的系数。
[0015]在一个实施例中，利用矩阵变换，将所建立的动力学模型转化为回归矩阵与最小惯性参数向量的乘积，得到包含所述待辨识动力学参数的最小惯性参数集P
B
，动力学模型线性化处理后表示为：
[0016]Γ＝WP
B
+ε
[0017]其中，Y
B
为工业机器人动力学参数辨识矩阵Y线性无关列组成的回归矩阵，为第r次采样的机器人各个关节角度、角速度、角加速的值，ε表示引入的随机误差，服从均值为0的正态分布。
[0018]在一个实施例中，所述S2，激励轨迹模型如下：
[0019][0020]其中，q
i
(t)表示t时刻第i关节的位置，ω
f
为傅里叶级数基频，k为谐波的编号，m为五次多项式的第m项，a
i,k
和b
i,k
为傅里叶级数系数，c
i,k
为常数项系数。
[0021]在一个实施例中，所述S3，观测矩阵条件数表示为f(W)＝Cond(W)，其值越小，表明在机器人运动中，采集到的数据信息对参数辨识越有用；利用遗传算法求解带约束非线性优化问题min{f(W)＝Cond(W)}。
[0022]在一个实施例中，选取惩罚函数为：
[0023][0024]其中，a为惩罚因子，b为经验常数，r(x)为个体满足非线性约束和线性约束的个数，x为待辨识参数矩阵，以激励轨迹参数为个体；
[0025]通过初始化种群设置初始群体、最大进化代数、交叉概率、遗传变异概率，计算群体每个个体的适应程度，以最小化个体评价函数即minF(X)为优化条件，选择最大进化代数内的最优个体x
best
作为激励轨迹参数的优化解，即最优激励轨迹参数；其中F(X)＝f(W)+g(X)，X是决策变量，即激励轨迹模型表达式中的未知系数，g(X)是所设计的遗传算法中的自适应惩罚函数。
[0026]在一个实施例中，所述S4，根据优化后的激励轨迹对采集的数据进行滤波处理，用最小二乘辨识获取机器人动力学参数，计算估计摩擦项；用内点法进行迭代拟合，得到非线性粘性摩擦参数，根据机器人动力学参数得到估计的摩擦力：
[0027][0028]利用所建立的关节摩擦力模型，对估计的摩擦力采用内点法求解并进行迭代拟合，将线性回归分析得到的F
cj
、F
vj
、B
j
以及上一次的α
j
作为问题的起始解，利用迭代法进行指数参数优化，直到收敛到全局最优解，得到粘滞摩擦的非线性指数参数α
j
。
[0029]在一个实施例中，采集的角度数据采用巴特沃斯低通滤波器和零相位数字滤波相结合的滤波方式处理；角速度、角加速度采用二阶中心差分法获取；关节力矩值则采用平滑滤波处理。
[0030]与现有技术相比，本专利技术在机器人建模中，考虑粘滞摩擦非线性项，区别于传统库仑粘滞摩擦模型，包括机器人摩擦模型、激励轨迹模型选取以及动力学参数求解。在激励轨迹选取优化中，选取五阶傅里叶级数和五次多项式相结合的轨迹模型，采用带惩罚函数的遗传算法对激励轨迹进行参数优化；在求解过程中，基于内点法进行迭代拟合，获取机器人完整动力学参数。本专利技术所考虑摩擦模型具有更高的建模精度，同时克服了起始和终止位置系统抖动的问题，提高了机器人动力学参数辨识的效率和精度，可用于机器人移动搬运、抛光打磨及重载液压等工业场景。
附图说明
[0031]图1是本专利技术辨识算法流程图。
[0032]图2是本专利技术激励轨迹优化遗传算法流程图。
[0033]图3是本专利技术内点迭代算法流程图。
[0034]图4是本专利技术六自由度机器人最优激励轨迹对应关节1轴计算力矩和采样力矩对比。
[0035]图5是本专利技术六自由度机器人最优激励轨迹对应关节2轴计算力矩和采样力矩对比。
具体实施方式
[0036]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图，对本专利技术进行进一步详细说明。应当理解，此处所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种关节型工业机器人动力学参数辨识方法，其特征在于，包括如下步骤：S1，对于关节型工业机器人，考虑存在的非线性粘滞摩擦项，计算出包含待辨识动力学参数的最小惯性参数集；所述待辨识动力学参数为库仑摩擦力、粘滞摩擦力系数和正反向摩擦力不对称性偏置；S2，以五次多项式代替傅里叶级数常数项，采用五次多项式和五阶傅里叶级数相结合的激励轨迹模型，驱动机器人运动，使机器人按照激励轨迹运行时起始时刻和终止时刻不发生抖动；S3，选取最小化观测矩阵条件数为优化目标，利用遗传算法求解最优激励轨迹参数，以使激励轨迹充分激励机器人；S4，采集机器人的关节角度、角速度及力矩数据，计算估计摩擦项，选用内点法迭代求解动力学参数。2.根据权利要求1所述关节型工业机器人动力学参数辨识方法，其特征在于，所述S1，建立含非线性粘滞摩擦项的机器人动力学模型，并进行线性化处理，获取最小惯性参数集。3.根据权利要求1或2所述关节型工业机器人动力学参数辨识方法，其特征在于，对第j关节，其关节摩擦模型如下：其中，F
cj
为库仑摩擦力，F
vj
为粘滞摩擦力系数，B
j
为正反向摩擦力不对称性偏置，α
j
为形成粘滞摩擦的非线性指数参数；均为关节摩擦模型中摩擦参数所对应的系数。4.根据权利要求3所述关节型工业机器人动力学参数辨识方法，其特征在于，利用矩阵变换，将所建立的动力学模型转化为回归矩阵与最小惯性参数向量的乘积，得到包含所述待辨识动力学参数的最小惯性参数集P
B
，动力学模型线性化处理后表示为：Γ＝WP
B
+ε其中，Y
B
为工业机器人动力学参数辨识矩阵Y线性无关列组成的回归矩阵，q
r
,为第r次采样的机器人各个关节角度、角速度、角加速的值，ε表示引入的随机误差，服从均值为0的正态分布。5.根据权利要求3所述关节型工业机器人动力学参数辨识方法，其特征在于，所述S2，激励轨迹模型如下：其中，q
i
(t)表示t时刻第i关节的位置，ω
f
为傅里叶级数基频，k为谐波的编...

【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：