使用模型确定运行机器人的力矩的方法和教导模型的方法技术

本发明专利技术涉及一种用于使用具有多个组件的机器人的模型确定运行机器人的力矩的方法，其中机器人在连接部位处的各两个组件能够借助于致动器相对于彼此移动，并且其中该模型将连接部位的参数映射为相应致动器的力矩，该方法包括：提供参数的值，其中参数包括：相应致动器的位置或角度、速度和加速度，其中该模型包括刚体模型、摩擦模型和机器学习模型；基于参数的值和该模型分别确定刚体子力矩、摩擦子力矩和机器学习子力矩的值；基于刚体子力矩、摩擦子力矩和机器学习子力矩的值确定相应致动器的力矩的值；以及提供相应致动器的力矩的值以用于运行机器人，特别是用于控制或调节机器人。本发明专利技术还涉及一种用于教导这种模型的方法。法。法。

【技术实现步骤摘要】
使用模型确定运行机器人的力矩的方法和教导模型的方法


[0001]本专利技术涉及一种用于使用具有多个组件的机器人的模型确定运行所述机器人的力矩的方法，其中所述机器人具有一个或多个致动器，其中所述机器人在连接部位处的各两个组件可以借助于致动器相对于彼此移动，一种用于教导这种模型的方法，以及用于执行所述方法的一种系统、一种机器人和一种计算机程序。

技术介绍

[0002]机器人可以用于各种应用。为此，机器人可以具有多个组件，其中连接部位(例如关节)的各两个组件可借助于致动器相对于彼此移动。例如，通过这种方式可以移动机器人上或机器人臂一端上的操纵器。为了运行这样的机器人，必须有针对性地操控致动器。

技术实现思路

[0003]根据本专利技术提出了具有独立专利权利要求的特征的用于使用模型确定运行机器人的力矩的方法和用于教导模型的方法以及用于执行所述方法的系统、机器人和计算机程序。有利的设计是从属权利要求和以下描述的主题。
[0004]本专利技术涉及用于各种应用的机器人，例如用于制造各种小型或大型组件或其他应当自动化的任务。为此，机器人例如可以具有机器人臂，在该机器人臂的端部上带有操纵器。借助于操纵器例如可以抓取零件并运输到其他位置。同样可以例如执行工作过程，例如在多个位置上旋入螺丝。为此可以将(于是具有螺丝工具的)操纵器带到螺丝的所涉及位置。另外的示例例如是在电缆上插入插头，其中印刷电路板上的插座可能容易损坏，或者将轴插入轴承中，其中少许的未对准可能引起大的反作用力。
[0005]为了使这种机器人能够执行对应的移动，特别是操纵器的移动，机器人具有多个组件，其中连接部位(例如关节)的各两个组件可借助于致动器相对于彼此移动。根据机器人的类型，可以设置例如五个、七个或甚至更多这样的关节和对应的致动器。作为致动器，例如可以考虑电动机，必要时带有齿轮，以便能够实现对应的旋转。不过，除了关节之外还可以考虑平移的连接部位，于是例如使用线性马达作为致动器。然而，下面应当特别是参照关节作为连接部位来解释本专利技术。
[0006]为了按规定运行这种机器人，可以例如在加速度空间中预给定目标值，各个组件必须达到所述目标值才能例如将操纵器带到特定位置。这最终导致致动器必须施加的扭矩或力矩的目标值。
[0007]在此上下文中，也可以称为所谓的逆动力学。为了能够确定这样的力矩，可以使用一种模型，该模型将多个连接部位中的一个或至少一个连接部位的参数映射为相应致动器的力矩。
[0008]使用机器人动力学的精确逆模型可以减小跟踪精度对反馈控制或反馈调节的依赖。使用前馈补偿器将使得可以同时进行顺应和精确的跟踪。这种逆动力学或其建模的一个目标特别是尽可能准确地将连接部位的参数映射为相应致动器的力矩，以便能够最终以
达到期望加速度(目标值)的方式设置所述力矩。
[0009]一种可能的模型在此基于刚体模型(或刚体动力学模型)，或者是刚体模型。如果(仅)使用这种可能不准确的模型，则可能在操控或调节机器人时导致刚性移动以补偿不准确；机器人例如在其路径上触及障碍物时将不会减速。在此情况下存在很大的损害风险，特别是对人而言。此外已经发现，例如摩擦力，即在机器人移动期间或组件相对于彼此移动期间出现的摩擦力，不能在刚体模型中得到考虑，或者至少没有得到充分考虑。然而，即使除了刚体模型之外还考虑所述摩擦，也不会导致足够“软”的移动，如已展示的那样。
[0010]在此背景下，提出了使用包括刚体模型、摩擦模型以及附加的机器学习模型(或基于这三个子模型)的模型。因此，该模型是多部分模型或混合模型。作为要用于一个或多个连接部位的参数，在此考虑相应致动器的位置或角度、速度和加速度。在将关节作为连接部位的情况下，将角度作为参数是适宜的，相反在线性连接部位的情况下将位置作为参数。于是速度和加速度可能是角速度和角加速度。
[0011]在此，所述刚体模型将至少一个所述参数映射为相应致动器的刚体子力矩。这种刚体模型在此特别是基于非线性移动方程。动力学在惯性参数中是线性的。机器人动力学的微分方程在角度和速度方面是非线性的。为了说明，规范的表达式如下所示：
[0012][0013]其中函数M、C和g是非线性的，此外还乘以和在此情况下适宜的是，借助于重心参数对刚体模型进行参数化，其中重心参数特别是包括：零阶惯性参数，例如质量，一阶惯性参数，例如质心的位置(该位置乘以质量)和二阶惯性参数，例如所谓的惯性张量的3x3矩阵(具有六个单独的条目)。于是刚体子力矩τ
RBD
可以表示如下：
[0014][0015]在此，是仅取决于机器人的运动学特性的矩阵。这不会改变τ及其非线性的上述表达式。此外，π说明了重心参数(根据上文解释，每个连接部位有10个条目)。用q、表示角度、速度和加速度。它们都可以是向量，其中每个致动器一个条目。这种参数化例如更详细地描述在“Sousa，C.D.和R.(2014)：Physical feasibility of robot base inertial parameter identification：A linear matrix inequality approach.The International Journal of Robotics Research，931
‑
944”中。由刚体模型映射为相应致动器的刚体子力矩的参数在此特别是位置或角度、速度和加速度。然而，这种重心参数化同样可以用于平移的连接部位。
[0016]所述摩擦模型将至少一个所述参数、特别是速度映射为相应致动器的摩擦子力矩。所述摩擦模型在此情况下可以基于库仑摩擦系数和/或粘性摩擦系数。摩擦子力矩τ
C
可以通过简单的选择例如如下表示：
[0017][0018]在此，σ
C，i
说明第i个致动器的库仑摩擦系数，σ
O，i
说明第i个致动器的模型不对称性，并且σ
V，i
说明第i个致动器的粘性摩擦系数；v
∈，i
表示第i个致动器的速度范围，在该速度范围中摩擦函数递增以避免不连续。对于给定的σ
V，i
，在所述速度范围上方的摩擦参数在参
数σ
C，i
、σ
O，i
和σ
V，i
中是线性的，并且因此可以用于标识惯性参数。易于理解，也可以使用其他摩擦模型；从而例如可以省略上述模型中的分量σ
O，i
(模型不对称性)和σ
V，i
(粘性摩擦系数)(于是只有库仑摩擦)。
[0019]除了上面提到的刚体模型和摩擦力模型这两个子模型之外，现在还增加机器学习模型。专利技术人已经认识到，由此可以对机器人实现明显更好和更准确的操控或调节。机器学习模型将至少一个所述参数映射为相应致动器的机器学习子力矩。所述机器学习模型优选包括人工神经网络，优选多层神经网络，更优选LSTM神经网络。然而，机器学习模型例如同样可以包括动作相关的递归卡尔曼网络。由机器学习模型映射本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于使用具有多个组件(110
‑
116)的机器人(100)的模型(200、300)确定运行所述机器人的力矩的方法，其中所述机器人具有一个或多个致动器(130)，其中所述机器人在连接部位(120
‑
125)处的各两个组件能够借助于致动器(130)相对于彼此移动，并且其中所述模型(200、300)将多个连接部位中的一个或至少一个连接部位的参数映射为相应致动器的力矩，所述方法包括：提供(402)所述参数的值，其中所述参数包括：相应致动器的位置或角度(q)、速度和加速度其中所述模型(200、300)包括刚体模型(210)、摩擦模型(220)和机器学习模型(230、330)，其中所述刚体模型将所述参数中的至少一个参数映射为相应致动器的刚体子力矩(τ
RBD
)，其中所述摩擦模型将所述参数中的至少一个参数映射为相应致动器的摩擦子力矩(τ
C
)，以及其中所述机器学习模型将所述参数中的至少一个参数映射为相应致动器的机器学习子力矩(τ
LSTM
、τ
ACRKN
)；基于所述参数的值和所述模型(200、300)分别确定(404)所述刚体子力矩、所述摩擦子力矩和所述机器学习子力矩的值；基于所述刚体子力矩、所述摩擦子力矩和所述机器学习子力矩的值，确定(406)相应致动器的力矩(τ
H
)的值；以及提供(408)相应致动器的力矩(τ
H
)的值以用于运行所述机器人(100)，特别是用于控制或调节所述机器人。2.根据权利要求1所述的方法，还包括：基于相应致动器的力矩的值，确定(410)所述机器人的控制和/或调节变量，以及提供(412)所述控制和/或调节变量以用于运行所述机器人。3.一种用于教导在运行具有多个组件(110
‑
116)的机器人(100)时使用的模型(200、300)的方法，其中所述机器人具有一个或多个致动器(130)，其中所述机器人在连接部位(120
‑
125)处的各两个组件能够借助于致动器(130)相对于彼此移动，并且其中所述模型(200、300)将多个连接部位中的一个或至少一个连接部位的参数映射为相应致动器的力矩，所述方法包括：为多个连接部位中一个或至少一个连接部位的参数以及为相应致动器的力矩提供(502)训练数据，特别是测量值和/或模拟值，其中所述参数包括：相应致动器的位置或角度(q)、速度和加速度其中所述模型(200、300)包括刚体模型(210)、摩擦模型(220)和机器学习模型(230、330)，其中所述刚体模型将所述参数中的至少一个参数映射为相应致动器的刚体子力矩(τ
RBD
)，其中所述摩擦模型将所述参数中的至少一个参数映射为相应致动器的摩擦子...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：罗伯特，
类型：发明
国别省市：