一种基于数据融合的机器人关节电机扭矩估计方法
本发明属于柔性机器人关节与人机交互控制,具体涉及一种基于数据融合的机器人关节电机扭矩估计方法,适用于人形机器人、协作机器人等设备。
背景技术:
1、随着人形机器人、协作机器人广泛应用于医疗陪护、工业装配等场景,关节电机逐渐成为机器人的核心部件。力矩感知是保障人机交互安全性的基础,对关节输出扭矩进行高精度测量是实现外力检测、碰撞防护及人机交互控制的前提。由于无需配置专用扭矩传感器、能够降低硬件成本,关节电机的无传感器扭矩估计技术逐渐成为机器人关节电机领域的研究热点。
2、机器人关节电机扭矩估计方法可分为基于模型的方法、基于电机电流的方法以及基于数据驱动的方法。基于模型的方法首先建立谐波驱动减速器的输出扭矩与扭转角的非线性模型,然后根据双编码器之间的差值计算输出扭矩。典型的非线性模型有非线性谐波顺应性模型,以及结构阻尼的简化线性模型。基于电机电流的方法则根据电机电流计算电磁扭矩,再减去摩擦力以获得关节输出扭矩。基于数据驱动的方法通过拟合机器人关节电机的运行状态与输出扭矩之间的非线性关系来估算扭矩,其中数据驱动的方法有反向传播神经网络、循环神经网络和物理信息神经网络。
3、然而,由于扭矩-扭矩角模型存在非线性和迟滞特性以及双编码器测量误差,基于模型的方法存在响应延迟和估计纹波误差;基于电流的方法响应迅速,但受限于摩擦模型精度及参数误差,易产生估计误差和超调误差;而基于数据驱动的方法鲁棒性较高,不受模型精度和参数误差的影响,但其算法复杂度较高,实时性能较差。
4、综上,现有的单一扭矩方法无法在存在模型误差、参数误差及测量误差的情况下,对关节电机输出扭矩实现快速、准确的估计。因此,如何实现机器人关节输出扭矩的快速、高精度实时估计,成为本领域亟待解决的技术问题。
技术实现思路
1、针对现有技术存在的不足,本发明的目的在于解决以下技术问题:
2、1.解决基于模型的扭矩估计方法受谐波减速器非线性、迟滞特性及双编码器测量误差影响,存在响应延迟、估计波纹误差较大的技术问题,提高扭矩估计方法的动态响应和稳定性。
3、2.解决基于电流的扭矩估计方法受电流响应超调、摩擦模型精度及参数误差影响,存在估计超调和稳态误差较大的技术问题,提高扭矩估计的准确性。
4、3.解决基于数据驱动的扭矩估计方法算法复杂度高、训练数据需求大、实时性能不足的技术问题,降低计算复杂度,提高扭矩估计的实时性。
5、4.解决现有单一扭矩估计方法数据来源单一、易受模型误差、参数误差及测量误差影响,导致鲁棒性不足的技术问题,提高扭矩估计的鲁棒性和可靠性。
6、本发明技术方案包括:
7、一种基于数据融合的机器人关节电机扭矩估计方法,包括:
8、s110,建立机器人关节电机的动力学模型、摩擦模型及谐波减速器的力-扭转模型;
9、s120,建立状态空间方程和测量方程,状态空间方程表示的是状态间的递推关系,状态空间方程可基于当前状态与控制输入预测下一时刻的系统状态;测量方程表示的是测量均值和实际测量结果的映射;
10、s130,基于s120所构建的状态空间方程和测量方程,采用非线性数据融合算法,将电机电流作为控制输入、双编码器位置作为观测信息进行融合,经预测更新与测量更新迭代,获取关节扭转角最优估计,再结合力-扭转模型计算输出转矩。
11、一种计算设备,包括:至少一个处理器和存储有程序指令的存储器;当所述程序指令被所述处理器读取并执行时,使得所述计算设备执行所述的基于数据融合的机器人关节电机扭矩估计方法。
12、一种存储有程序指令的可读存储介质,当所述程序指令被计算设备读取并执行时,使得所述计算设备执行所述的基于数据融合的机器人关节电机扭矩估计方法。
13、一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现所述的基于数据融合的机器人关节电机扭矩估计方法。
14、与现有技术相比,本发明具有如下有益效果:
15、1.本发明降低了谐波减速器力-扭转模型非线性、迟滞特性及双编码器测量误差对扭矩估计的影响,减小了扭矩估计波纹误差,提高了扭矩估计的动态响应性能和稳定性。
16、2.本发明减弱了电流响应超调、摩擦模型精度及参数误差对扭矩估计结果的影响,降低了估计超调和稳态误差,提高了机器人关节输出扭矩的估计精度。
17、3.本发明无需依赖大规模训练数据,降低了算法实现复杂度,提高了扭矩估计的实时性,在保证估计精度的同时,满足机器人关节在线实时运行的需求。
18、4.本发明融合电机电流与双编码器信息进行扭矩估计,提高了系统对模型误差、参数误差及测量误差的适应能力,增强了扭矩估计的鲁棒性和可靠性,为机器人关节外力检测、碰撞防护及柔顺控制提供了可靠的扭矩反馈。
19、5.本发明能够实现机器人关节输出扭矩的快速、高精度实时估计,在保证估计精度、动态响应性能和实时性的同时,提高了系统的稳定性和工程应用价值。
1.一种基于数据融合的机器人关节电机扭矩估计方法,其特征在于,包括:
2.根据权利要求1所述的基于数据融合的机器人关节电机扭矩估计方法,其特征在于,s110包括:
3.根据权利要求2所述的基于数据融合的机器人关节电机扭矩估计方法,其特征在于,s120包括:
4.根据权利要求3所述的基于数据融合的机器人关节电机扭矩估计方法,其特征在于,s130包括:
5.根据权利要求4所述的基于数据融合的机器人关节电机扭矩估计方法,其特征在于,s130-1包括:
6.根据权利要求5所述的基于数据融合的机器人关节电机扭矩估计方法,其特征在于,s130-2包括:
7.根据权利要求6所述的基于数据融合的机器人关节电机扭矩估计方法,其特征在于,所述转矩估计值作为机器人关节外力反馈信息,用于人形机器人、协作机器人及其他机器人关节外力检测、碰撞防护、柔顺控制。
8.一种计算设备,其特征在于,包括:至少一个处理器和存储有程序指令的存储器;当所述程序指令被所述处理器读取并执行时,使得所述计算设备执行如权利要求1-7中任一项所述的基于数据融合的机器人关节电机扭矩估计方法。
9.一种存储有程序指令的可读存储介质,其特征在于,当所述程序指令被计算设备读取并执行时,使得所述计算设备执行如权利要求1-7中任一项所述的基于数据融合的机器人关节电机扭矩估计方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于数据融合的机器人关节电机扭矩估计方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com