【技术实现步骤摘要】
本专利技术属于机械臂动力学、参数辨识和智能学习领域，具体涉及一种基于深度学习的机械臂模型参数辨识方法及系统。
技术介绍
1、在太空环境中，空间机械臂的可靠性和稳定性具有重要意义。机械臂模型结构的误差和传感器采样误差是影响控制算法设计与实现的关键干扰因素。在空间机械臂控制系统中，模型结构误差的来源复杂且许多误差在实际应用中难以得到有效消除。例如，随着太空任务执行时间的增加及航天器燃料消耗，包含基座在内的空间机械臂的结构可能发生变化，这不仅影响太空任务执行的经济性和操作性能，还会对空间机械臂的安全性构成威胁。这些误差显著影响了空间机械臂的精确操控能力，对空间站维护、柔顺抓捕及其他太空任务的执行安全性造成潜在威胁。传统的空间机械臂参数辨识方法往往具有较高的计算复杂度，而且缺乏实时性和对非线性模型的处理手段，对数据噪声处理和环境适应方面也较为薄弱。
2、近年来，深度学习算法在机器人领域取得了显著进展，展现了智能算法在该领域的强大应用潜力，也为空间机械臂系统参数辨识提供了新思路。通过大规模数据学习和特征提取，深度学习能够有效克服传统辨...
【技术保护点】
1.一种基于深度学习的机械臂模型参数辨识方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的机械臂模型参数辨识方法，其特征在于，步骤一中，将空间机械臂动力学方程分解为以下形式：
3.根据权利要求1所述的基于深度学习的机械臂模型参数辨识方法，其特征在于，步骤二中，针对步骤一提出的深度学习参数辨识问题，构建损失函数如下：
4.根据权利要求1所述的基于深度学习的机械臂模型参数辨识方法，其特征在于，步骤三中，质量矩阵D(q)的微分形式计算如下：
5.根据权利要求1所述的基于深度学习的机械臂模型参数辨识方法，其...
【技术特征摘要】
1.一种基于深度学习的机械臂模型参数辨识方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的机械臂模型参数辨识方法，其特征在于，步骤一中，将空间机械臂动力学方程分解为以下形式：
3.根据权利要求1所述的基于深度学习的机械臂模型参数辨识方法，其特征在于，步骤二中，针对步骤一提出的深度学习参数辨识问题，构建损失函数如下：
4.根据权利要求1所述的基于深度学习的机械臂模型参数辨识方法，其特征在于，步骤三中，质量矩阵d(q)的微分形式计算如下：
5.根据权利要求1所述的基于深度学习的机械臂模型参数辨识方法，其特征在于，步骤四中，设计三角矩阵l并进行分数阶优化：
6.根据权...
【专利技术属性】
技术研发人员：吴立刚，邵翔宇，赵彤宇，孙光辉，周栋，韩硕，崔裕翔，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
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。