【技术实现步骤摘要】
本专利技术涉及机器人自动控制，尤其涉及基于免加速度递归滤波回归的机器人动力学参数估计方法。
技术介绍
1、机器人通常是一个高自由度、强非线性和高耦合的复杂系统。机器人的动力学模型参数很难通过物理测量或cad模型计算精确获取，并且仅部分动力学模型参数所组成的线性组合具有可辨识性，这些线性组合构成的集合称为最小参数集。此外，机器人的动力学参数在环境中会发生改变，比如由于设备老化而产生缓慢参数时变，以及由于负载改变而造成机器人整体的动力学参数改变。
2、对于低自由度的机器人(如平面二连杆机械臂)，其最小参数集形式的线性参数化模型容易由人工推导，其滤波回归矩阵的获取可以通过将普通回归矩阵中的滤波加速度项改写成速度的滤波求导形式，从而避免加速度信号的使用。然而对于高自由度的机器人，最小参数集形式的回归矩阵的解析表达式项数很多导致难以人工推导，故其滤波回归矩阵也难以通过与低自由度的机器人类似的方式获取。
3、此外，在进行机器人参数估计时，参数收敛需要回归矩阵φ(τ)∈rn×n满足一定的激励条件，其中持续激励条件定义为：对于任意时间t≥0，存在正常数t，α使得i表示单位阵。而区间激励条件定义为：存在正常数t和te，在时间区间[te,te+t]内存在激励即
4、现有针对高自由度机器人的自适应参数估计与控制方法主要存在以下两点不足：(1)使用解析表达式的动力学建模方法回归矩阵的计算复杂度较大，滤波回归矩阵的计算依赖于估计的关节加速度信号；(2)使用rne算法进行动力学建模方法未将动力学模型转化为最小参数集形式，
技术实现思路
1、本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术提出基于免加速度递归滤波回归矩阵的机器人动力学参数估计方法。
2、一方面，本专利技术实施例提供了基于免加速度递归滤波回归的机器人动力学参数估计方法，包括：
3、根据空间向量表示法构建机器人运动学模型；
4、基于所述机器人运动学模型构建第一机器人动力学模型，并对所述机器人动力学模型进行线性参数化处理，得到第二机器人动力学模型；
5、将所述第二机器人动力学模型转化为最小参数集形式，得到第一计算结果；其中，所述第一计算结果包括最小参数集和普通回归矩阵；
6、对所述第一计算结果和一阶低通滤波器的冲激响应进行卷积处理，对卷积处理结果进行线性参数化处理，得到一阶滤波回归矩阵，再将所述一阶滤波回归矩阵通过所述一阶低通滤波器，得到免加速度二阶递归滤波回归矩阵；
7、根据所述免加速度二阶递归滤波回归矩阵确定复合学习参数更新律，用于进行参数估计。
8、可选地，所述根据空间向量表示法构建机器人运动学模型，包括：
9、建立连杆坐标系，并确定相邻的所述连杆坐标系的转换关系；
10、基于所述连杆坐标系构造机械臂连杆的空间向量和空间转移矩阵，生成机器人运动学模型；其中，所述空间转移矩阵满足传递性质。
11、可选地，所述基于所述机器人运动学模型构建第一机器人动力学模型，并对所述机器人动力学模型进行线性参数化处理，得到第二机器人动力学模型，包括：
12、确定机器人的自由度数量；
13、根据所述自由度数量，采用空间向量rne算法构建第一机器人动力学模型；
14、根据机器人的物理性质，对所述第一机器人动力学模型进行线性参数化处理，得到第二机器人动力学模型。
15、可选地，所述将所述第二机器人动力学模型转化为最小参数集形式，得到第一计算结果，包括：
16、采用rpn算法求解所述第二机器人动力学模型为最小参数集；
17、计算所述最小参数集对应的普通回归矩阵；
18、将所述最小参数集和所述普通回归矩阵作为第一计算结果。
19、可选地，所述对所述第一计算结果和一阶低通滤波器的冲激响应进行卷积处理，对卷积处理结果进行线性参数化处理，得到一阶滤波回归矩阵，再将所述一阶滤波回归矩阵通过所述一阶低通滤波器，得到免加速度二阶递归滤波回归矩阵，包括：
20、对所述第一计算结果和一阶低通滤波器和冲激响应进行卷积处理，得到卷积处理结果；
21、将所述卷积处理结果转换为最小参数集形式，并基于空间向量rne算法进行线性参数化，得到一阶滤波回归矩阵；
22、对所述一阶滤波回归矩阵进行一次一阶滤波，得到免加速度二阶递归滤波回归矩阵。
23、可选地，所述根据所述免加速度二阶递归滤波回归矩阵确定复合学习参数更新律，用于进行参数估计，包括：
24、获取关节期望位置、期望速度和期望加速度；
25、根据所述关节期望位置、所述期望速度和所述期望加速度计算关节位置误差；
26、根据所述关节位置误差和所述期望速度计算滤波跟踪误差和参考速度；
27、根据所述滤波跟踪误差、所述关节期望位置、所述期望速度和所述期望加速度确定复合学习参数更新律。
28、可选地，所述复合学习参数更新律的表达式为：
29、
30、其中，表示复合学习参数更新律；γ表示正定对角学习率矩阵；φ表示带参考速度的普通回归矩阵，t表示矩阵转置；q表示位置；表示速度；表示参考速度；表示参考加速度；ef表示滤波跟踪误差；∈表示预测误差；κ表示预测误差权重。
31、另一方面，本专利技术实施例还提供了基于免加速度递归滤波回归的机器人动力学参数估计系统，包括：
32、第一模块，用于根据空间向量表示法构建机器人运动学模型；
33、第二模块，用于基于所述机器人运动学模型构建第一机器人动力学模型，并对所述机器人动力学模型进行线性参数化处理，得到第二机器人动力学模型；
34、第三模块，用于将所述第二机器人动力学模型转化为最小参数集形式，得到第一计算结果；其中，所述第一计算结果包括最小参数集和普通回归矩阵；
35、第四模块，用于对所述第一计算结果和一阶低通滤波器的冲激响应进行卷积处理，对卷积处理结果进行线性参数化处理，得到一阶滤波回归矩阵，再将所述一阶滤波回归矩阵通过所述一阶低通滤波器，得到免加速度二阶递归滤波回归矩阵；
36、第五模块，用于根据所述免加速度二阶递归滤波回归矩阵确定复合学习参数更新律，用于进行参数估计。
37、需要说明的是，该系统还可以包括：
38、第六模块，用于根据臂式机器人任务需要，规划臂式机器人关节的期望轨迹后，得到关节期望位置、速度、加速度。使用上述期望数据，以及臂式机器人关节位置、速度、力矩传感数据求得复合学习参数更新律和控制律，得到鲁棒复合学习自适应控制器；采用该控制器驱动臂式机器人按照规划的期望轨迹运行。
39、另一方面，本专利技术实施例还提供了一种电子设备，包括：处理器以及存储器；存储器用于存储程序；处理器执行程序本文档来自技高网...
【技术保护点】
1.基于免加速度递归滤波回归的机器人动力学参数估计方法，其特征在于，包括：
2.根据权利要求1所述的基于免加速度递归滤波回归的机器人动力学参数估计方法，其特征在于，所述根据空间向量表示法构建机器人运动学模型，包括：
3.根据权利要求1所述的基于免加速度递归滤波回归的机器人动力学参数估计方法，其特征在于，所述基于所述机器人运动学模型构建第一机器人动力学模型，并对所述机器人动力学模型进行线性参数化处理，得到第二机器人动力学模型，包括：
4.根据权利要求1所述的基于免加速度递归滤波回归的机器人动力学参数估计方法，其特征在于，所述将所述第二机器人动力学模型转化为最小参数集形式，得到第一计算结果，包括：
5.根据权利要求1所述的基于免加速度递归滤波回归的机器人动力学参数估计方法，其特征在于，所述对所述第一计算结果和一阶低通滤波器的冲激响应进行卷积处理，对卷积处理结果进行线性参数化处理，得到一阶滤波回归矩阵，再将所述一阶滤波回归矩阵通过所述一阶低通滤波器，得到免加速度二阶递归滤波回归矩阵，包括：
6.根据权利要求1所述的基于免加速度
7.根据权利要求6所述的基于免加速度递归滤波回归的机器人动力学参数估计方法，其特征在于，所述复合学习参数更新律的表达式为：
8.基于免加速度递归滤波回归的机器人动力学参数估计系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器以及存储器；
10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.基于免加速度递归滤波回归的机器人动力学参数估计方法，其特征在于，包括：
2.根据权利要求1所述的基于免加速度递归滤波回归的机器人动力学参数估计方法，其特征在于，所述根据空间向量表示法构建机器人运动学模型，包括：
3.根据权利要求1所述的基于免加速度递归滤波回归的机器人动力学参数估计方法，其特征在于，所述基于所述机器人运动学模型构建第一机器人动力学模型，并对所述机器人动力学模型进行线性参数化处理，得到第二机器人动力学模型，包括：
4.根据权利要求1所述的基于免加速度递归滤波回归的机器人动力学参数估计方法，其特征在于，所述将所述第二机器人动力学模型转化为最小参数集形式，得到第一计算结果，包括：
5.根据权利要求1所述的基于免加速度递归滤波回归的机器人动力学参数估计方法，其特征在于，所述对所述第一计算结果和一阶低通滤波器的冲激响应进行卷积处...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。