基于负载关联摩擦模型的机器人负载辨识方法及系统
本发明涉及机器人动力学参数辨识,特别涉及一种基于负载关联摩擦模型的机器人负载辨识方法及系统。
背景技术:
1、在机器人动力学参数辨识领域,机器人末端负载的在线辨识是实现基于模型的机器人控制以及提升车间生产柔性与效率的重要基础。通过对末端负载参数的实时获取,可以提高动力学模型在不同作业工况下的准确性,从而增强控制系统在负载变化场景下的稳定性与鲁棒性。
2、现有的末端负载参数辨识方法多基于最小二乘法、递推最小二乘法等参数估计理论,通常需要获取负载作用下的受力或运动信息,并据此建立相应的动力学模型。然而,传统方法在实际应用中仍存在以下局限性:
3、局限1:辨识过程依赖额外传感器,系统成本与部署复杂度较高。
4、现有方法中,较多方案依赖机器人末端六维力/力矩传感器,或结合惯性测量单元(imu)等外部传感器获取负载相关信息,并直接用于动力学建模与参数辨识。上述方法需要在机器人系统中额外配置传感器,增加了系统成本与结构复杂度,且在部分工业机器人平台上受限于硬件条件,难以实现快速部署或大规模应用。
5、局限2:负载变化引起的关节摩擦特性变化难以在在线辨识中有效建模。
6、对于仅依赖机器人自身关节位置、速度、加速度及驱动力矩等内部传感数据进行负载参数辨识的方法而言,末端负载的引入和变化往往会导致关节摩擦特性的改变。而在在线辨识场景下,受限于实时性要求与计算资源,难以对包含多参数的复杂非线性摩擦模型进行同步优化辨识;若直接采用固定摩擦参数或简化摩擦模型,则容易因摩擦建模不准确而引入额外辨识误差,从而影响负载参数在线估计的精度与稳定性。
7、上述局限性在负载频繁变化或工况复杂的机器人应用场景中尤为突出,限制了现有末端负载参数在线辨识方法的适用范围与工程实用性。
技术实现思路
1、针对上述现有技术的不足,本发明所要解决的技术问题为:提出一种基于负载关联摩擦模型的机器人负载辨识方法及系统,能够在不依赖额外外部传感器的前提下,仅利用机器人自身关节测量数据即可实现末端负载参数在线辨识,并能够合理建模并实时补偿负载变化对关节摩擦特性影响。
2、本发明采用的一个技术方案是:一种基于负载关联摩擦模型的机器人负载辨识方法,该方法包括以下步骤:
3、s1:建立含线性摩擦的机器人动力学模型,线性化动力学参数,获得基参数线性模型;
4、s2:以傅里叶级数设计激励轨迹,以基参数回归阵条件数最小化为目标,以物理极限为约束进行优化;
5、s3:执行优化轨迹,采集关节数据辨识本体基参数,建立非摩擦本体力矩计算模型;
6、s4:带载执行激励轨迹,通过双层循环迭代辨识负载关联摩擦参数,经映射转移实现摩擦模型线性化;
7、s5:基于非摩擦本体力矩模型和线性化摩擦模型,解耦带载关节力矩,建立负载参数辨识模型及其在线递推算法。
8、进一步的,所述s1步骤包括以下子步骤:
9、s11:基于牛顿-欧拉法建立包含线性摩擦模型的机器人动力学模型:
10、;
11、其中,为机器人关节力矩,分别表示机器人的关节角度、关节角速度和关节角加速度,为机器人的惯性力相关矩阵,为离心力科氏力相关矩阵,为重力相关力矩,为摩擦力矩;
12、s12:对所述动力学模型中的动力学参数进行线性化处理,得到机器人动力学基参数的线性模型:
13、;
14、其中,表示动力学最小参数集,也称为基参数集,m为基参数的个数,表示基参数对应的回归矩阵。
15、进一步的,所述摩擦力矩在线性摩擦建模中表示为:
16、;
17、其中,表示关节i的摩擦力,表示关节i的粘滞摩擦系数,表示关节i的库仑摩擦系数,表示偏置摩擦力,表示符号函数。
18、进一步的,所述s2步骤包括以下子步骤:
19、s21:采用有限项傅里叶级数作为激励轨迹函数:
20、;
21、其中,t为时间,l为傅里叶级数的阶数,为傅里叶级数的基础频率,为傅里叶级数中第k阶正余弦项的待优化系数,每关节共有组系数,为关节偏置;
22、s22:以基参数回归阵的条件数最小化为优化目标,并以机器人各关节的角度、速度和加速度的物理极限作为优化约束条件,求解傅里叶级数系数。
23、进一步的,所述s22步骤包括以下子步骤:
24、s221:设置激励轨迹优化的目标函数为:
25、;
26、其中,分别为待优化的傅里叶级数系数和关节偏置,每关节共有2l+1个参数待定,为求取条件数的示意函数;
27、s222:设置激励轨迹优化的约束条件为:
28、;
29、其中,和分别表示第i关节角度的上下限,和表示第i关节的速度和加速度极限。
30、进一步的,所述s3步骤包括以下子步骤:
31、s31:执行优化后的激励轨迹,采集各关节的位置、速度、加速度和关节力矩数据:
32、;
33、其中,表示多组采样数据按列堆叠得到的辨识用回归阵,表示对应的辨识用关节力矩;
34、s32:利用采集到的数据通过最小二乘法或其变体辨识得到机器人本体基参数:
35、;
36、其中,表示的转置;
37、s33:从所述本体基参数中去除摩擦相关参数,构建非摩擦本体力矩计算模型:
38、;
39、其中,表示机器人非摩擦本体力矩,为本体力矩中除去摩擦力矩的其余部分,为非摩擦基参数,为非摩擦基参数个数,为对应列组成的回归阵。
40、进一步的,所述s4步骤包括以下子步骤:
41、s41:采用包含标准非线性摩擦项和负载关联摩擦项的负载关联摩擦模型替代线性摩擦模型:
42、;
43、;
44、;
45、其中,表示总摩擦,表示标准非线性摩擦项,表示负载关联摩擦项,表示库仑摩擦参数,表示粘滞摩擦参数,表示摩擦偏置参数,fk,i表示非线性参数,表示非线性参数,表示双曲正切函数,表示单关节负载关联摩擦模型的待辨识摩擦参数,表示负载关联参数,表示关节负载项;
46、s42:外层循环通过优化算法逐关节拟合摩擦模型并更新摩擦参数,内层循环通过加权最小二乘法更新非摩擦基参数,交替迭代直至收敛;
47、s43:通过数学变换将负载关联摩擦项中的关节负载项进行映射转移,使所述负载关联摩擦模型线性化。
48、进一步的,所述s42步骤包括以下子步骤:
49、s421:通过遗传算法等优化算法逐关节拟合摩擦模型并更新摩擦参数:
50、;
51、其中,角标k表示第k次循环所得结果,表示回归阵的第i行;
52、s422:通过加权最小二乘法循环辨识更新非摩擦基参数:
53、;
54、其中,表示非摩擦基参数。
55、进一步的,所述s5步骤包括以下子步骤:
56、s51:基于机器人带载时的动力学方程,结合所述非摩擦本体力矩计算模型和线性化的负载关联摩擦模型,对关节力矩进行解耦,建立包含负载参数和标准非线性摩擦参数的线性辨识模型;
57、s52:基于递推最小二乘法设计在线递推辨识算法,在每个采样时刻利用当前力矩数据和回归阵,结合上一时刻的参数估计值和协方差矩阵,递推更新当前时刻的负载参数和摩擦参数。
58、本发明采用的第二个技术方案是,一种基于负载关联摩擦模型的机器人负载辨识系统,该系统包括以下模块:
59、基参数建模模块,用于建立含线性摩擦的机器人动力学模型,线性化动力学参数,获得基参数线性模型;
60、激励轨迹优化模块,用于以傅里叶级数设计激励轨迹,以基参数回归阵条件数最小化为目标,以物理极限为约束进行优化;
61、本体力矩计算模块,用于执行优化轨迹,采集关节数据辨识本体基参数,建立非摩擦本体力矩计算模型;
62、摩擦模型映射模块,用于带载执行激励轨迹,通过双层循环迭代辨识负载关联摩擦参数,经映射转移实现摩擦模型线性化;
63、负载参数辨识模块,用于基于非摩擦本体力矩模型和线性化摩擦模型,解耦带载关节力矩,建立负载参数辨识模型及其在线递推算法。
64、本发明的一种基于负载关联摩擦模型的机器人负载辨识方法及系统,至少具有如下有益效果:
65、1.降低成本:仅利用机器人自身关节数据,无需外部传感器,降低系统成本与部署难度。
66、2.提升精度:通过负载关联摩擦模型表征负载对摩擦的影响,避免简化模型带来的辨识误差。
67、3.兼容在线辨识:通过映射转移将非线性摩擦模型线性化,可直接采用递推最小二乘法进行实时辨识。
68、4.适应动态工况:在线递推算法实时更新参数,快速响应负载变化,适用于频繁换载的复杂场景。
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