机器人关节的控制方法、装置、机器人及存储介质与流程

1.本技术涉及机器人控制领域，特别涉及一种机器人关节的控制方法、装置、机器人及存储介质。


背景技术：

2.由于机器人的结构具有复杂性，使得设置于机器人关节内部的齿轮、轴承等传动结构之间存在复杂的摩擦现象，包括滚动摩擦和滑动摩擦。而这些摩擦现象将会影响机器人关节进行的运动，进而影响机器人的控制。
3.在机器人关节的控制过程中，通常将机器人关节的期望控制力矩转化为电机电流的控制量。相关技术中将期望控制力矩和电机电流视为线性关系，根据需要的期望控制力矩的大小可以得到对应的电机电流，从而通过底层控制器向机器人关节输出该电机电流，以驱动机器人关节的电机，从而实现对机器人关节的控制。
4.然而，实际中的期望控制力矩和电机电流的关系呈非线性关系，且由于摩擦现象导致关节摩擦力的存在，使得期望控制力矩和电机电流的关系更加复杂。因此，单一的线性关系无法充分描述二者之间的映射，从而导致机器人关节的电机无法获取到准确执行出期望运动所需要的电机电流，影响机器人关节的控制精度。


技术实现要素：

5.本技术实施例提供了一种机器人关节的控制方法、装置、机器人及存储介质，通过对关节摩擦力的补偿，提高了机器人关节的控制精度。所述技术方案如下：
6.根据本技术的一个方面，提供了一种机器人关节的控制方法，该方法包括：
7.获取机器人关节的期望控制力矩；
8.根据期望映射模型确定与期望控制力矩对应的电机电流，期望映射模型是根据期望控制力矩和电机电流的非线性关系生成的，期望映射模型中包括根据机器人关节的关节运动数据对机器人关节的关节摩擦力进行的补偿；
9.根据电机电流，驱动机器人关节的电机。
10.根据本技术的一个方面，提供了一种期望映射模型的参数辨识方法，该方法包括：
11.根据机器人关节的关节运动数据，构建机器人关节的关节摩擦模型；
12.根据机器人关节的理论输出力矩，构建机器人关节的理论映射模型；
13.根据关节摩擦模型和理论映射模型，构建参数辨识模型；
14.对参数辨识模型进行参数辨识，将参数辨识模型中的模型参数的辨识值，确定为期望映射模型中的参数值。
15.根据本技术的一个方面，提供了一种机器人关节的控制装置，该装置包括：
16.获取模块，用于获取机器人关节的期望控制力矩；
17.确定模块，用于根据期望映射模型确定与期望控制力矩对应的电机电流，期望映射模型是根据期望控制力矩和电机电流的非线性关系生成的，期望映射模型中包括根据机
器人关节的关节运动数据对机器人关节的关节摩擦力进行的补偿；
18.驱动模块，用于根据电机电流，驱动机器人关节的电机。
19.根据本技术的一个方面，提供了一种期望映射模型的参数辨识装置，该装置包括：
20.构建模块，用于根据机器人关节的关节运动数据，构建机器人关节的关节摩擦模型；
21.构建模块，还用于根据机器人关节的理论输出力矩，构建机器人关节的理论映射模型；
22.构建模块，还用于根据关节摩擦模型和理论映射模型，构建参数辨识模型；
23.确定模块，用于对参数辨识模型进行参数辨识，将参数辨识模型中的模型参数的辨识值，确定为期望映射模型中的参数值。
24.根据本技术的一个方面，提供了一种机器人，该机器人包括处理器和存储器，存储器中存储有至少一条程序代码，程序代码由处理器加载并执行如上所述的机器人关节的控制方法。
25.根据本技术的一个方面，提供了一种计算机设备，该计算机设备包括处理器和存储器，存储器中存储有至少一条程序代码，程序代码由处理器加载并执行如上所述的期望映射模型的参数辨识方法。
26.根据本技术的一个方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条程序代码，程序代码由处理器加载并执行以实现如上所述的机器人关节的控制方法，或者，期望映射模型的参数辨识方法。
27.本技术实施例提供的技术方案带来的有益效果至少包括：
28.通过对关节摩擦力的补偿，对期望映射模型中涉及到的期望控制力矩和电机电流之间的参数进行了修正，使得根据期望映射模型确定与期望控制力矩对应的电机电流的精度得到提高，从而使得电机向机器人关节提供的电机电流更加逼近实际所需的数值，提高了机器人关节的控制精度。
附图说明
29.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
30.图1是本技术一个示例性实施例提供的应用场景示意图；
31.图2是本技术一个示例性实施例提供的机器人关节的控制方法的流程图；
32.图3是本技术一个示例性实施例提供的确定期望映射模型中的参数值的流程图；
33.图4是本技术一个示例性实施例提供的确定期望映射模型中的参数值的流程图；
34.图5是本技术一个示例性实施例提供的机器人关节的控制方法的流程图；
35.图6是本技术一个示例性实施例提供的期望映射模型的参数辨识方法的流程图；
36.图7是本技术一个示例性实施例提供的机器人关节的控制装置的结构图；
37.图8是本技术一个示例性实施例提供的期望映射模型的参数辨识装置的结构图；
38.图9是本技术一个示例性实施例提供的机器人的结构框图；
39.图10是本技术一个示例性实施例提供的电子设备的结构框图。
具体实施方式
40.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
41.人工智能(artificial intelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
42.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
43.在人工智能技术应用于机器人的控制中的情况下，图1示出了本技术实施例提供的机器人关节的控制方法的应用场景示意图。
44.其中，机器人100与计算机设备200之间具有通信连接，计算机设备200向机器人100发送期望映射模型，机器人100根据期望映射模型控制机器人关节的运动。
45.具体的，机器人100可以是任意构型的机器人，包括但不限于串联机器人、并联机器人、足式机器人、轮式机器人、履带式机器人中的至少一种。
46.以下以机器人100是轮腿式机器人为例。
47.轮腿式机器人是一种通过轮结构对机器人主体进行运动控制的机器人结构，由于轮腿式机器人与地面的接触点仅包括车轮与地面的接触点，在轮式结构排布本身不稳定的情况下，存在平衡控制的问题。
48.在本技术的本实施例中，以轮腿式机器人实现为轮式双足机器人为例进行说明，也即，该轮式双足机器人中包括两个用于行动的车轮，两个车轮分别与腿部结构连接，并由腿部结构与机器人主体连接，从而由两个车轮带动机器人主体完成运动控制。但应当理解，本技术中的轮腿式机器人并不局限于上述结构。凡是轮腿式机器人应当被理解为任何包含轮式结构的机器人。
49.示意性的如图1所示，机器人100包括基座部110和轮腿部120。
50.其中，基座部110与轮腿部120连接，轮腿部120中包括2个车轮121，和用于连接车轮121和基座部110的腿部结构122，如图1所示，机器人100中共包括4个腿部结构122，该4个腿部结构122中的2个腿部结构122分别与一个车轮121连接。
51.示意性的，存在腿部结构a、腿部结构b、腿部结构c和腿部结构d，则腿部结构a、腿部结构b与左轮连接，腿部结构c、腿部结构d与右轮连接。
52.其中，腿部结构a、腿部结构b与左轮，以及腿部结构c、腿部结构d与右轮构成了轮腿式机器人的两腿平面并联结构。并联型腿有五个转动关节，分别在横向和垂直方向上有两个平移自由度。与串行机构相比，该并联机构具有结构紧凑、刚度高、承载能力强的特点。因此，机器人可以跳得更高，灵活地克服障碍。
53.示意性的，期望映射模型可应用于上述机器人的全身动态控制(whole body dynamic control，wb(d)c)中，或者上述机器人包括的机械臂、机械腿等一部分中。比如，期望映射模型用于控制轮腿式机器人的行走，或者，用于控制轮腿式机器人的4个腿部结构122。
54.结合上述内容，对本技术实施例提供的机器人关节的控制方法进行介绍，图2是本技术一个实施例提供的机器人关节的控制方法的流程图，该方法可以实现在图1中示出的机器人中。示意性的如图2所示，该方法包括如下步骤：
55.步骤102：获取机器人关节的期望控制力矩。
56.示意性的，期望控制力矩，是指控制机器人关节进行期望运动所需要的输出力矩。
57.在机器人的控制过程中，通常将机器人关节的期望控制力矩转化为机器人关节的电机电流的控制量。根据期望控制力矩与电机电流之间的映射关系，一个期望控制力矩对应唯一的电机电流。可选的，期望控制力矩与电机电流之间的映射关系是非线性的，或者是线性的。本技术实施例以期望控制力矩与电机电流之间存在非线性关系为例。
58.在需要的期望控制力矩的大小确定后，可以得到对应的电机电流。随后，机器人向机器人关节的电机输出上述电机电流，驱动机器人关节的电机输出同样大小的电机电流，从而使得机器人关节输出期望控制力矩，实现对机器人关节的控制。
59.这一过程中，根据能量守恒原理，机器人关节的输出力矩一部分用于产生摩擦，一部分用于产生运动。也即，机器人关节的输出力矩需要满足如下约束条件：τ＝τ
m
′
τ
f
。
60.其中，τ
m
′
为机器人关节的期望输出力矩，τ为机器人关节的理论输出力矩，τ
f
为机器人的关节摩擦力。
61.根据这一约束条件可知，关节摩擦力对期望输出力矩存在一定的抵消作用。具体的，理论输出力矩是根据理论映射模型得到的，可以视为一个理论值，而期望输出力矩中包括了对关节摩擦力的补偿。因此，在一些情况下，可以将期望输出力矩视为期望控制力矩。
62.步骤104：根据期望映射模型确定与期望控制力矩对应的电机电流。
63.示意性的，期望映射模型是根据期望控制力矩和电机电流的非线性关系生成的，期望映射模型中包括根据机器人关节的关节运动数据对机器人关节的关节摩擦力进行的补偿。
64.期望映射模型，用于描述机器人关节的期望控制力矩与电机电流的映射关系。可选的，期望映射关系可用如下式子表示：f(i)＝k1i k2i2 k3i3。其中，k
i
(i＝1、2、3)是期望映射模型中的一个参数，也可称之为转矩系数，用于描述期望控制力矩和电机电流的非线性关系。也即，在扭转系数确定的情况下(即为定值)，基于期望控制力矩的具体数值，可以得到唯一的电机电流的数值。
65.期望映射模型中包括根据机器人关节的关节运动数据对机器人关节的关节摩擦力进行的补偿。相当于，期望映射模型中的参数k
i
(i＝1、2、3)的确定，考虑了关节运动数据对关节摩擦力的影响。
66.示意性的，机器人关节的关节运动数据包括如下数据中的至少一种：机器人关节的关节角度、机器人关节的关节角速度和机器人关节的关节角加速度。其中，关节角速度相当于关节角度的一次导数，关节角加速度相当于关节角度的二次导数。
67.以期望映射模型是f(i)＝k1i k2i2 k3i3为例，在参数k
i
(i＝1、2、3)确定的情况下，
根据期望控制力矩可以唯一确定对应的电机电流。比如，期望控制力矩是10n，根据期望映射模型得到的电机电流i是能够提供10n的电流值，其中，10n中包括机器人关节运动所需的9n，以及对关节摩擦力1n的补偿。
68.步骤106：根据电机电流，驱动机器人关节的电机。
69.根据步骤104，将期望控制力矩代入到期望映射模型中，可以得到与之对应的电机电流。
70.随后，机器人向机器人关节的电机输出上述电机电流，驱动机器人关节的电机输出同样大小的电机电流，从而使得机器人关节输出期望控制力矩，实现对机器人关节的控制。
71.综上所述，本技术实施例提供的机器人关节的控制方法中，通过对关节摩擦力的补偿，对期望映射模型中涉及到的期望控制力矩和电机电流之间的参数进行了修正，使得根据期望映射模型确定与期望控制力矩对应的电机电流的精度得到提高，从而使得电机向机器人关节提供的电机电流更加逼近实际所需的数值，提高了机器人关节的控制精度。
72.根据前述内容，期望映射模型中包括有参数，在参数值确定的情况下，可以获取到与期望控制力矩对应的电机电流。因此，在使用本技术实施例提供的机器人关节的控制方法时，需要确定期望映射模型中的参数值。
73.图3示出了期望映射模型中的参数值的确定过程，包括如下步骤：
74.步骤202：根据关节运动数据，构建机器人关节的关节摩擦模型。
75.示意性的，关节运动数据包括如下数据中的至少一种：机器人关节的关节角度、机器人关节的关节角速度和机器人关节的关节角加速度。
76.根据机器人的构型的不同，机器人关节对应的关节摩擦力不同。具体的，关节摩擦力根据机器人的传动方式、关节零件加工装配误差、使用磨损程度等因素产生。上述因素均会对机器人关节的关节角度、关节角速度和关节角加速度造成影响。
77.因此，根据关节摩擦力的成因可以看出，关节摩擦力与机器人关节的关节角度、关节角速度和关节角加速度相关。也即，关节摩擦力受到关节运动数据的影响。
78.基于此，根据关节运动数据构建的关节摩擦模型，用于描述机器人关节的关节摩擦力，关节摩擦力受关节运动数据的影响。
79.可选的，关节摩擦力模型可用如下式子表示：其中，τ
f
为关节摩擦力，τ
f,q
为根据关节角度确定的角度参数项，为根据关节角速度确定的角速度参数项，为根据关节角加速度确定的角加速度参数项。
80.步骤204：根据机器人关节的理论输出力矩，构建机器人关节的理论映射模型。
81.示意性的，理论映射模型是根据理论输出力矩和电机电流的映射关系生成的。其中，理论输出力矩可以视为一个理论值。
82.根据前述内容，期望映射模型是根据机器人关节所需要的输出力矩和电机电流的映射关系生成的，且该映射关系可以是非线性的，或者是线性的。类似的，理论映射模型是根据机器人关节在理论上的输出力矩和电机电流的映射关系生成，且该映射关系可以是非线性的，或者是线性的。
83.同时，基于机器人关节所需要的输出力矩(也即期望控制力矩)和机器人关节在理论上的输出力矩(也即理论输出力矩)之间存在差异，使得理论映射模型中的参数和期望映
射模型中的参数也不同。
84.可选的，为降低理论输出力矩对机器人的控制精度的影响，使得理论输出力矩和电机电流的关系更趋向于实际情况，采用三次多项式对理论输出力矩和电机电流的关系进行描述。
85.也即，理论映射模型可用如下式子表示：τ＝k1i k2i2 k3i3。其中，k
i
为转矩系数，i为电机电流，该处的转矩系数用于描述理论输出力矩和电机电流的非线性关系，与步骤104中涉及的转矩系数不是同一个系数。也即，步骤104中涉及的转矩系数可视为第一转矩系数，步骤204中涉及的转矩系数可视为第二转矩系数。其中，第一转矩系数为定值，第二转矩系数为未知参数。
86.示意性的，理论映射模型的非线性关系，还可以通过神经网络的方法训练得到。
87.步骤206：根据关节摩擦模型和理论映射模型，构建参数辨识模型。
88.根据前述内容，机器人关节的输出力矩需要满足如下约束条件：τ＝τ
m
′
τ
f
。其中，τ
m
′
为期望输出力矩，τ为理论输出力矩，τ
f
为关节摩擦力。
89.为减少关节摩擦力对机器人关节的影响，需要在期望控制力矩(可视为期望输出力矩)中增加对关节摩擦力的补偿，该补偿用于抵消关节摩擦力。相当于，由于关节摩擦力的存在，使得机器人关节的期望控制力矩与理论输出力矩存在差异。
90.基于此，可构建参数辨识模型，用于描述期望控制力矩与理论输出力矩的差异。
91.其中，理论输出力矩还可以根据动力学模型进行确定，理论输出力矩在动力学模型中又称之为当前期望力矩。本技术实施例中，机器人的动力学模型是指与机器人关节对应的动力学模型。其中，动力学模型有多种表现形式，比如根据拉格朗日方程或者牛顿欧拉方程得到。
92.也即，参数辨识模型可根据当前期望力矩和期望输出力矩的差值构建。
93.可选的，参数辨识模型可用如下式子表示：f＝τ
m
‑
τ
m
′
＝τ
m
‑
τ τ
f
。其中，τ
m
为当前期望力矩，τ
m
′
为期望输出力矩，τ为理论输出力矩，τ
f
为关节摩擦力。
94.步骤208：对参数辨识模型进行参数辨识，将参数辨识模型中的模型参数的辨识值，确定为期望映射模型中的参数值。
95.示意性的，参数辨识是指，根据理论模型与实验数据对理论模型中的未知参数进行辨识，以获取到未知参数的确定值，从而使得通过理论模型得到的数值结果能达到更好的拟合效果。
96.相当于，对参数辨识模型进行的参数辨识，可以获取到模型参数的辨识值，该辨识值将使得根据参数辨识模型得到的数值结果更加接近真实值。
97.示意性的，参数辨识模型中的模型参数包括所有未知参数。
98.根据前述内容，参数辨识模型是根据关节摩擦模型和理论映射模型构建的。因此，参数辨识模型中包括了关节摩擦力的相关参数、以及期望映射模型中的参数。由于参数辨识是针对参数辨识模型进行的，使得得到的辨识值是所有未知参数的辨识值。也即，根据对参数辨识模型进行的参数辨识，使得期望映射模型中的参数的辨识值，满足了关节摩擦力的相关参数的要求，相当于期望映射模型中包括对关节摩擦力的补偿。
99.以期望映射模型是f(i)＝k1i k2i2 k3i3、参数辨识模型是f＝τ
m
‑
τ
m
′
＝τ
m
‑
τ τ
f
为例，参数辨识模型中的模型参数包括关节摩擦力的相关参数以及参数k
i
(i＝1、2、3)，参数k
i
(i＝1、2、3)的辨识值即为期望映射模型中所需的参数值。对参数辨识模型进行参数辨识，得到关节摩擦力的相关参数以及参数k
i
(i＝1、2、3)的辨识值，以便将k
i
(i＝1、2、3)的辨识值确定为期望映射模型中的参数值。
100.可选的，在获取到模型参数的辨识值后，可对模型参数的辨识值的精度进行判别，以提高期望映射模型中的参数值的精度。
101.综上所述，本技术实施例给出了期望映射模型中的参数值的确定方式，根据关节摩擦模型和理论映射模型构建参数辨识模型，将期望映射模型中的参数放入参数辨识模型，通过对参数辨识模型的参数辨识，得到期望映射模型中的参数值。
102.图4示出了期望映射模型中的参数值的另一种确定过程，包括如下步骤：
103.步骤301：根据关节运动数据生成关节摩擦模型的至少一个参数项。
104.示意性的，关节运动数据包括如下数据中的至少一种：机器人关节的关节角度、机器人关节的关节角速度和机器人关节的关节角加速度。
105.根据前述内容，关节摩擦力与机器人关节的关节角度、关节角速度和关节角加速度相关。基于此，根据关节运动数据构建的关节摩擦模型，用于描述机器人关节的关节摩擦力，关节摩擦力受关节运动数据的影响。
106.根据关节运动数据的不同，可生成不同的参数项。示意性的，关节摩擦模型中包括如下参数项中的至少一种：角度参数项、角速度参数项、角加速度参数项。其中，角度参数项根据关节角度确定，角速度参数项根据关节角速度确定，角加速度参数项根据关节角加速度确定。
107.以关节摩擦力是为例。其中，τ
f
为关节摩擦力，τ
f,q
为角度参数项，为角速度参数项，为角加速度参数项。
108.可选的，步骤301可实现为如下步骤中的至少一种：
109.根据机器人关节的关节角度生成角度参数项；
110.根据机器人关节的关节角速度生成角速度参数项；
111.根据机器人关节的关节角加速度生成角加速度参数项。
112.以下依次对上述三个步骤展开详细阐述：
113.1、角度参数项。
114.根据关节角度的大小，机器人关节内部的传动机构之间的磨损和/或润滑程度有所不同。具体的，机器人关节的磨损和/或润滑程度可用参数来进行描述，该参数值根据机器人的结构的变化而不同。基于此，关节摩擦力的影响与机器人关节的关节角度所在的范围相关。
115.示意性的，步骤根据机器人关节的关节角度生成角度参数项可实现为如下方式：
116.在关节角度位于第一预设区间时，生成第一角度参数项；
117.在关节角度位于第二预设区间时，生成第二角度参数项；
118.其中，第一预设区间和第二预设区间是不存在交集的两个区间。
119.可选的，角度参数项可用如下式子表示：
120.其中，为符号函数，s(q)为与关节角度相关的分段函数。
121.根据关节角度所处的区间的不同，分段函数可用如下式子表示：
[0122][0123]
其中，α0和α1是分段函数中的参数。也即，机器人关节的关节角度处于区间(q
min
,q
max
)内，有第一角度参数项，表示为反之，机器人关节的关节角度处于区间(q
min
,q
max
)之外，有第二角度参数项，表示为
[0124]
可选的，区间(q
min
,q
max
)选取为机器人在绝大多数工况下的关节角度所处的区间范围，机器人关节在此区间内的磨损、润滑程度可由参数α0描述。此区间外为少数工况下的关节角位置，由于机器人较少到达此角度，因此处于该角度时关节的磨损、润滑程度可由参数α1描述。
[0125]
2、角速度参数项。
[0126]
其中，角速度参数项包括第一参数项和第二参数项，第一参数项与机器人关节的摩擦曲线对应，第二参数项与关节角速度存在非线性关系。
[0127]
示意性的，步骤根据机器人关节的关节角速度生成角速度参数项可实现为如下方式：
[0128]
根据关节角速度生成第一参数项和第二参数项，第一参数项与机器人关节的摩擦曲线对应，第二参数项与关节角速度存在非线性关系；
[0129]
根据第一参数项和第二参数项生成角速度参数项。
[0130]
其中，机器人关节的摩擦曲线，又称为斯特里贝克(stribeck)曲线，用于描述机器人的传动机构之间的摩擦方式，其中包括机器人关节的摩擦。
[0131]
可选的，角速度参数项可用如下式子表示：
[0132]
其中，即为第一参数项，即为第二参数项。另外，σ0和σ1是角速度参数项中的参数，隐式变量z描述了鬃毛的平均变形，隐式变量z是角速度参数项中的一个变量，属于中间变量，用于等式变换，不参与关节摩擦力的计算。
[0133]
根据第一参数项和第二参数项的具体设置，根据关节角速度生成第一参数项和第二参数项有多种实现方式，本技术实施例给出如下方式。
[0134]
其一，步骤根据关节角速度生成第一参数项可实现为如下方式：
[0135]
确定与关节角速度对应的指数项，指数项中包括角速度参数，指数项用于对第一参数项进行修正，角速度参数是指数项的修正参数，角速度参数根据关节角速度确定；
[0136]
根据关节角速度和指数项生成第一参数项。
[0137]
可选的，第一参数项根据原始的摩擦力模型(即为lugre模型)构建，可用如下式子表示：其中，是机器人关节的摩擦曲线，又可称为斯特里贝克曲线。
[0138]
具体的，摩擦曲线可用如下式子表示：
[0139]
其中，β0、β1和β2是第二参数项的模型参数，exp是指数项，是符号函数，和是角速度参数项，两个角速度参
数项是根据关节角速度确定的两个不同的参数。
[0140]
其二，步骤根据关节角速度生成第二参数项可实现为如下方式：
[0141]
根据关节角速度和第二参数项的非线性关系，生成第二参数项。
[0142]
可选的，第二参数项可用如下式子表示：其中，β3和β4是第二参数项的模型参数。
[0143]
根据前述内容，根据第一参数项和第二参数项可得角速度参数项。
[0144]
示意性的，角速度参数项的构建，还可以通过神经网络的方法训练得到。
[0145]
3、角加速度参数项。
[0146]
示意性的，步骤根据机器人关节的关节角加速度生成角加速度参数项可实现为如下方式：
[0147]
根据关节角加速度和角加速度参数项的线性关系，生成角加速度参数项。
[0148]
可选的的，角加速度参数项可用如下式子表示：其中，γ0是角加速度参数项的模型参数。
[0149]
步骤302：根据至少一个参数项，构建关节摩擦模型。
[0150]
根据步骤302，可以得到角度参数项、角速度参数项和角加速度参数项中的至少一个，基于此可构建关节摩擦模型。
[0151]
示意性的，关节摩擦模型包括角度参数项、角速度参数项和角加速度参数项中的至少一个。
[0152]
比如，关节摩擦模型包括角度参数项和角速度参数项；又如，关节摩擦模型包括角速度参数项和角加速度参数项；又如，关节摩擦模型包括角度参数项和角加速度参数项中的至少一个；又如，关节摩擦模型包括角度参数项、角速度参数项和角加速度参数项。
[0153]
以角度参数项是角速度参数项是角加速度参数项是为例，根据三个参数项，关节摩擦力可用如下式子表示：
[0154][0155]
其中，为符号函数，s(q)为与关节角度相关的分段函数，为与摩擦曲线对应的第一参数项，为第二参数项，z是隐式变量，σ0和σ1是角速度参数项中的参数，γ0是角加速度参数项的模型参数。
[0156]
步骤303：根据理论输出力矩和转矩系数，构建理论映射模型。
[0157]
示意性的，理论输出力矩与电机电流存在非线性关系，转矩系数是与电机电流对应的参数项。具体的，理论映射模型是根据理论输出力矩和电机电流的映射关系生成的。其中，理论输出力矩可以视为一个理论值。
[0158]
可选的，为降低理论输出力矩对机器人的控制精度的影响，使得理论输出力矩和电机电流的关系更趋向于实际情况，采用三次多项式对理论输出力矩和电机电流的关系进行描述。
[0159]
也即，理论映射模型可用如下式子表示：τ＝k1i k2i2 k3i3。其中，τ为理论输出力
矩，k
i
为转矩系数，i为电机电流，该处的转矩系数用于描述理论输出力矩和电机电流的非线性关系，与步骤104中涉及的转矩系数不是同一个系数。也即，步骤104中涉及的转矩系数可视为第一转矩系数，步骤204中涉及的转矩系数可视为第二转矩系数。其中，第一转矩系数为定值，第二转矩系数为未知参数。
[0160]
步骤304：根据与机器人关节对应的动力学模型确定当前期望力矩。
[0161]
根据前述内容，机器人关节的输出力矩需要满足如下约束条件：τ＝τ
m
′
τ
f
。其中，τ
m
′
为期望输出力矩，τ为理论输出力矩，τ
f
为关节摩擦力。
[0162]
为减少关节摩擦力对机器人关节的影响，需要在期望控制力矩(可视为期望输出力矩)中增加对关节摩擦力的补偿，该补偿用于抵消关节摩擦力。基于此，可构建参数辨识模型，用于描述期望控制力矩与理论输出力矩的差异。
[0163]
其中，理论输出力矩还可以根据动力学模型进行确定，理论输出力矩在动力学模型中又称之为当前期望力矩。本技术实施例中，机器人的动力学模型是指与机器人关节对应的动力学模型。其中，动力学模型有多种表现形式，比如根据拉格朗日方程或者牛顿欧拉方程得到。
[0164]
可选的，与机器人关节对应的动力学模型如下：
[0165]
其中，τ
m
为当前期望力矩，q为关节角度，为关节角速度，为关节角加速度，h(q)为机器人的惯量矩阵，为机器人的离心力矩阵，g(q)为机器人的重力矩阵。
[0166]
示意性的，惯量矩阵、离心力矩阵和重力矩阵可根据实际需要进行设置，在此不做限定。
[0167]
根据动力学模型以及q、和的取值，可以得到τ
m
的取值。
[0168]
步骤305：根据当前期望力矩、关节摩擦模型和理论映射模型，构建参数辨识模型。
[0169]
参考前述内容，根据步骤304可得当前期望力矩τ
m
，当前期望力矩τ
m
为定值；根据步骤302可得关节摩擦力模型，该模型中包括与关节摩擦力τ
f
对应的模型参数；根据步骤303可得理论映射模型，该模型中包括与期望映射模型中的参数对应的模型参数。
[0170]
基于此，根据当前期望力矩、关节摩擦模型和理论映射模型，可构建参数辨识模型，用于进行参数辨识。
[0171]
根据前述内容，参数辨识模型可根据当前期望力矩和期望输出力矩的差值构建，参数辨识模型可用如下式子表示：f＝τ
m
‑
τ
m
′
＝τ
m
‑
τ τ
f
。其中，τ
m
为当前期望力矩，τ
m
′
为期望输出力矩，τ为理论输出力矩，τ
f
为关节摩擦力。
[0172]
示意性的，步骤305可实现为如下：
[0173]
根据关节摩擦模型和理论映射模型，确定机器人关节的期望输出力矩；
[0174]
根据当前期望力矩和期望输出力矩的差值，构建参数辨识模型。
[0175]
具体的参数如下：
[0176]
根据前述内容，τ
m
为当前期望力矩，且为定值；
[0177]
关节摩擦模型为其中，τ
f
为关节摩擦力，是符号函数，q为关节角度，为关节角速
度，为关节角加速度，exp是指数项，和是角速度参数项，α0、α1、σ0、σ1、β
i
(i＝1、2、3、4)和γ0均为模型参数。
[0178]
理论映射模型为τ＝k1i k2i2 k3i3。其中，τ为理论输出力矩，k
i
为转矩系数，i为电机电流。
[0179]
根据关节摩擦模型和理论映射模型可得，期望输出力矩为τ
m
′
＝τ
‑
τ
f
。
[0180]
根据当前期望力矩和期望输出力矩之差，参数辨识模型表示为：
[0181][0182]
其中，当前期望力矩τ
m
、关节角度q、关节角速度关节角加速度和电机电流i的电流值为定值，且存在以下模型参数：k
i
(i＝1、2、3)、α0、α1、σ0、σ1、β
i
(i＝1、2、3、4)和γ0。示意性的，上述模型参数可形成一个参数集合[k
i
(i＝1、2、3)、α0、α1、σ0、σ1、β
i
(i＝1、2、3、4)、γ0]。对参数辨识模型的参数辨识，即为对该参数集合的辨识。
[0183]
根据参数辨识模型的参数辨识，可得到参数集合的辨识值。其中，k
i
(i＝1、2、3)的辨识值即为期望映射模型中所需的参数值。因此，需要对参数辨识模型进行参数辨识，得到辨识值，以便将k
i
(i＝1、2、3)的辨识值确定为期望映射模型中的参数值。
[0184]
基于此，步骤208可实现为步骤306、步骤307和步骤308，具体阐述如下：
[0185]
步骤306：采集关节运动参数和理论映射模型中的电流值。
[0186]
根据参数辨识模型，当前期望力矩τ
m
、关节角度q、关节角速度关节角加速度和电机电流i的电流值为定值。
[0187]
其中，当前期望力矩τ
m
根据机器人的动力学模型确定，关节角度q、关节角速度关节角加速度包括于关节运动参数。
[0188]
为实现对参数集合[k
i
(i＝1、2、3)、α0、α1、σ0、σ1、β
i
(i＝1、2、3、4)、γ0]进行参数辨识，还需要确定关节角度q、关节角速度关节角加速度和电机电流i的电流值的取值。
[0189]
示意性的，步骤306可实现为如下：
[0190]
根据机器人关节的运动轨迹，采集关节运动参数和和电流值。
[0191]
其中，机器人关节的运动轨迹，又称为激励轨迹。可选的，激励轨迹包括但不限于如下轨迹中的一种：正弦激励轨迹、傅里叶级数激励轨迹。
[0192]
具体的，在机器人关节执行激励轨迹期间，可采集到关节角度q、关节角速度关节角加速度和电机电流i的电流值的取值。也即，根据机器人关节的运动轨迹，可以获取到关节角度q、关节角速度关节角加速度和电流值i。
[0193]
步骤307：根据关节运动参数和电流值，对参数辨识模型中的模型参数进行非线性优化处理，得到模型参数的辨识值。
[0194]
示意性的，模型参数中包括期望映射模型中的参数，非线性优化处理即为对上述参数集合的辨识处理，以获取参数的辨识值。
[0195]
其中，非线性优化处理可以是采用非线性优化算法。
[0196]
示意性的，步骤307可实现为如下：
[0197]
将关节运动参数和电流值代入参数辨识模型，得到更新后的参数辨识模型；
[0198]
采用非线性优化算法对更新后的参数辨识模型进行处理，得到模型参数的辨识值。
[0199]
其中，非线性优化算法包括如下算法中的至少一种：最大似然估计法，迭代算法、变尺度法，最小二乘法，单纯形搜索法，复合形搜索法，随机搜索法。
[0200]
也即，将关节角度q、关节角速度关节角加速度和电流值i代入参数辨识模型，得到更新后的参数辨识模型，该模型中只包括参数集合。
[0201]
随后，采用非线性优化算法对更新后的参数辨识模型进行处理。相当于，使用arg(f)函数求得参数集合的辨识值。
[0202]
示意性的，更新后的参数辨识模型可用如下式子表示：
[0203]
g＝arg(k
i
(i＝1、2、3),α0,α1,σ0,σ1,β
i
(i＝1、2、3、4),γ0)min(τ
m
‑
τ τ
f
)。
[0204]
其中，arg(f)函数是一种对目标函数(f)求参数或者参数集合的函数。具体的，argmin(f)函数是指求目标函数(f)取最小值时的参数或者参数集合的函数。
[0205]
也即，根据更新后的参数辨识模型，可以得到在目标函数f＝τ
m
‑
τ τ
f
取最小值时的参数集合中的每个参数的辨识值。其中，参数集合中包括如下参数：k
i
(i＝1、2、3)、α0、α1、σ0、σ1、β
i
(i＝1、2、3、4)和γ0。
[0206]
相当于，根据argmin(f)函数，可以获取到使得目标函数f＝τ
m
‑
τ τ
f
取最小值的参数集合。
[0207]
其中，目标函数f＝τ
m
‑
τ τ
f
取最小值，是指当前期望力矩和期望输出力矩(相当于期望控制力矩)的差值最小。也即，期望控制力矩无限接近当前期望力矩，从而使得机器人的控制精度得到提高。
[0208]
步骤308：在模型参数的辨识值满足预设精度的情况下，确定期望映射模型中的参数值。
[0209]
示意性的，预设精度用于判断模型参数的辨识值的精确度。
[0210]
根据步骤307，在参数集合中的每个参数的辨识值确定后，可得到k
i
(i＝1、2、3)的取值。此时，将参数k
i
(i＝1、2、3)代入期望映射模型f(i)＝k1i k2i2 k3i3中即可得到期望控制力矩和电机电流的映射关系。
[0211]
综上所述，本技术实施例给出了期望映射模型中的参数值的确定方式，根据关节摩擦模型和理论映射模型构建参数辨识模型，将期望映射模型中的参数放入参数辨识模型，通过对参数辨识模型的参数辨识，得到期望映射模型中的参数值。
[0212]
具体的，关节摩擦模型根据机器人关节的关节运动数据构建，充分考虑关节的摩擦力特性；理论映射模型根据多次项构建，充分考虑理论输出力矩和电机电流的非线性关系。基于此，使得构建的参数辨识模型能够充分反映期望控制力矩和电机电流的映射关系，从而得到包括对关节摩擦力的补偿的期望映射模型。
[0213]
图5示出了另一种机器人关节的控制方法的流程图，包括如下步骤：
[0214]
步骤401：构建关节摩擦模型。
[0215]
示意性的，关节摩擦模型用于描述机器人关节的关节摩擦力，关节摩擦力受关节
运动数据的影响。
[0216]
也即，根据关节运动数据，构建机器人关节的关节摩擦模型。其中，关节运动数据包括如下数据中的至少一种：机器人关节的关节角度、机器人关节的关节角速度和机器人关节的关节角加速度。
[0217]
可选的，关节摩擦力模型可用如下式子表示：其中，τ
f
为关节摩擦力，τ
f,q
为根据关节角度确定的角度参数项，为根据关节角速度确定的角速度参数项，为根据关节角加速度确定的角加速度参数项。
[0218]
关节摩擦力模型的具体构建可参考前述内容，在此不再赘述。
[0219]
步骤402：构建理论映射模型。
[0220]
示意性的，理论映射模型是根据理论输出力矩和电机电流的映射关系生成的。其中，理论输出力矩可以视为一个理论值。
[0221]
可选的，理论映射模型可用如下式子表示：τ＝k1i k2i2 k3i3。其中，k
i
为转矩系数，i为电机电流。
[0222]
理论映射模型的具体构建可参考前述内容，在此不再赘述。
[0223]
示意性的，根据关节摩擦力模型和理论映射模型，可构建参数辨识模型，具体可参考前述内容，在此不再赘述。
[0224]
步骤403：采集辨识数据和验证数据。
[0225]
示意性的，辨识数据用于对参数辨识模型进行参数辨识，验证数据用于对模型参数的辨识值进行验证。
[0226]
具体的，辨识数据和验证数据可根据机器人关节的运动轨迹进行采集。
[0227]
其中，机器人关节的运动轨迹，又称为激励轨迹。可选的，激励轨迹包括但不限于如下轨迹中的一种：正弦激励轨迹、傅里叶级数激励轨迹。
[0228]
具体的，在机器人关节执行激励轨迹期间，可采集到关节角度q、关节角速度关节角加速度和电机电流i的电流值的多组数据，辨识数据和验证数据分别是其中的一组或多组。
[0229]
步骤404：采用非线性优化方法进行参数辨识。
[0230]
其中，非线性优化方法是指对参数辨识模型进行非线性优化处理的方法。具体的，非线性优化处理即为对参数辨识模型中的模型参数进行的辨识处理，以获取参数的辨识值。
[0231]
其中，非线性优化处理可以是采用非线性优化算法。示意性的，非线性优化算法包括如下算法中的至少一种：最大似然估计法，迭代算法、变尺度法，最小二乘法，单纯形搜索法，复合形搜索法，随机搜索法。
[0232]
步骤405：判断模型参数的辨识值是否达到精度要求。
[0233]
在对参数辨识模型进行参数辨识后，可以得到模型参数的辨识值。为使得模型参数的精度得到提高，需要对模型参数的辨识值进行精度判别。
[0234]
基于此，步骤405中，在模型参数的辨识值达到精度要求的情况下，完成参数辨识，将需要的辨识值确定为期望映射模型中的参数值；在模型参数的辨识值未达到精度要求的情况下，继续执行步骤404。
[0235]
综上所述，本技术实施例给出了期望映射模型中的参数值的确定方式，根据关节
摩擦模型和理论映射模型构建参数辨识模型，将期望映射模型中的参数放入参数辨识模型，通过对参数辨识模型的参数辨识，得到期望映射模型中的参数值。
[0236]
本技术实施例还提供了一种期望映射模型的参数辨识方法，用于确定期望映射模型中的参数值，该方法可由图1中的计算机设备200执行，在确定参数值后，计算机设备200将参数值或者包括参数值的期望映射模型发送至机器人100。示意性的如图6所示，本技术实施例提供的期望映射模型的参数辨识方法包括如下步骤：
[0237]
步骤502：根据机器人关节的关节运动数据，构建机器人关节的关节摩擦模型。
[0238]
示意性的，关节运动数据包括如下数据中的至少一种：机器人关节的关节角度、机器人关节的关节角速度和机器人关节的关节角加速度。
[0239]
根据机器人的构型的不同，机器人关节对应的关节摩擦力不同。具体的，关节摩擦力根据机器人的传动方式、关节零件加工装配误差、使用磨损程度等因素产生。上述因素均会对机器人关节的关节角度、关节角速度和关节角加速度造成影响。
[0240]
因此，根据关节摩擦力的成因可以看出，关节摩擦力与机器人关节的关节角度、关节角速度和关节角加速度相关。也即，关节摩擦力受到关节运动数据的影响。
[0241]
基于此，根据关节运动数据构建的关节摩擦模型，用于描述机器人关节的关节摩擦力，关节摩擦力受关节运动数据的影响。
[0242]
可选的，关节摩擦力模型可用如下式子表示：其中，τ
f
为关节摩擦力，τ
f,q
为根据关节角度确定的角度参数项，为根据关节角速度确定的角速度参数项，为根据关节角加速度确定的角加速度参数项。
[0243]
步骤504：根据机器人关节的理论输出力矩，构建机器人关节的理论映射模型。
[0244]
示意性的，理论映射模型是根据理论输出力矩和电机电流的映射关系生成的。其中，理论输出力矩可以视为一个理论值。
[0245]
根据前述内容，期望映射模型是根据机器人关节所需要的输出力矩和电机电流的映射关系生成的，且该映射关系可以是非线性的，或者是线性的。类似的，理论映射模型是根据机器人关节在理论上的输出力矩和电机电流的映射关系生成，且该映射关系可以是非线性的，或者是线性的。
[0246]
同时，基于机器人关节所需要的输出力矩(也即期望控制力矩)和机器人关节在理论上的输出力矩(也即理论输出力矩)之间存在差异，使得理论映射模型中的参数和期望映射模型中的参数也不同。
[0247]
可选的，为降低理论输出力矩对机器人的控制精度的影响，使得理论输出力矩和电机电流的关系更趋向于实际情况，采用三次多项式对理论输出力矩和电机电流的关系进行描述。
[0248]
也即，理论映射模型可用如下式子表示：τ＝k1i k2i2 k3i3。其中，k
i
为转矩系数，i为电机电流，该处的转矩系数用于描述理论输出力矩和电机电流的非线性关系。
[0249]
步骤506：根据关节摩擦模型和理论映射模型，构建参数辨识模型。
[0250]
根据前述内容，机器人关节的输出力矩需要满足如下约束条件：τ＝τ
m
′
τ
f
。其中，τ
m
′
为期望输出力矩，τ为理论输出力矩，τ
f
为关节摩擦力。
[0251]
为减少关节摩擦力对机器人关节的影响，需要在期望控制力矩(可视为期望输出力矩)中增加对关节摩擦力的补偿，该补偿用于抵消关节摩擦力。相当于，由于关节摩擦力
的存在，使得机器人关节的期望控制力矩与理论输出力矩存在差异。
[0252]
基于此，可构建参数辨识模型，用于描述期望控制力矩与理论输出力矩的差异。
[0253]
其中，理论输出力矩还可以根据动力学模型进行确定，理论输出力矩在动力学模型中又称之为当前期望力矩。本技术实施例中，机器人的动力学模型是指与机器人关节对应的动力学模型。其中，动力学模型有多种表现形式，比如根据拉格朗日方程或者牛顿欧拉方程得到。
[0254]
也即，参数辨识模型可根据当前期望力矩和期望输出力矩的差值构建。
[0255]
可选的，参数辨识模型可用如下式子表示：f＝τ
m
‑
τ
m
′
＝τ
m
‑
τ τ
f
。其中，τ
m
为当前期望力矩，τ
m
′
为期望输出力矩，τ为理论输出力矩，τ
f
为关节摩擦力。
[0256]
步骤508：对参数辨识模型进行参数辨识，将参数辨识模型中的模型参数的辨识值，确定为期望映射模型中的参数值。
[0257]
示意性的，参数辨识是指，根据理论模型与实验数据对理论模型中的未知参数进行辨识，以获取到未知参数的确定值，从而使得通过理论模型得到的数值结果能达到更好的拟合效果。
[0258]
相当于，对参数辨识模型进行的参数辨识，可以获取到模型参数的辨识值，该辨识值将使得根据参数辨识模型得到的数值结果更加接近真实值。
[0259]
示意性的，参数辨识模型中的模型参数包括所有未知参数。
[0260]
根据前述内容，参数辨识模型是根据关节摩擦模型和理论映射模型构建的。因此，参数辨识模型中包括了关节摩擦力的相关参数、以及期望映射模型中的参数。由于参数辨识是针对参数辨识模型进行的，使得得到的辨识值是所有未知参数的辨识值。也即，根据对参数辨识模型进行的参数辨识，使得期望映射模型中的参数的辨识值，满足了关节摩擦力的相关参数的要求，相当于期望映射模型中包括对关节摩擦力的补偿。
[0261]
以期望映射模型是f(i)＝k1i k2i2 k3i3、参数辨识模型是f＝τ
m
‑
τ
m
′
＝τ
m
‑
τ τ
f
为例，参数辨识模型中的模型参数包括关节摩擦力的相关参数以及参数k
i
(i＝1、2、3)，参数k
i
(i＝1、2、3)的辨识值即为期望映射模型中所需的参数值。对参数辨识模型进行参数辨识，得到关节摩擦力的相关参数以及参数k
i
(i＝1、2、3)的辨识值，以便将k
i
(i＝1、2、3)的辨识值确定为期望映射模型中的参数值。
[0262]
可选的，在获取到模型参数的辨识值后，可对模型参数的辨识值的精度进行判别，以提高期望映射模型中的参数值的精度。
[0263]
示意性的，上述步骤均可参考前述内容，不再赘述。
[0264]
综上所述，本技术实施例根据关节摩擦模型和理论映射模型构建参数辨识模型，将期望映射模型中的参数放入参数辨识模型，通过对参数辨识模型的参数辨识，得到期望映射模型中的参数值。
[0265]
其中，关节摩擦模型根据角度参数项、角速度参数项和角加速度中的至少一个构建，使得关节摩擦模型能够包括关节运动数据对于关节摩擦力的作用，充分考虑了关节摩擦力的特性和影响因素，从而使得构建的参数辨识模型能够更加准确地反映了期望映射模型中的参数与关节摩擦力的影响。
[0266]
根据对关节摩擦模型的参数辨识，使得得到的期望映射模型中的参数值能够包括对关节摩擦力的补充，从而使得期望映射模型能准确地反映期望控制力矩和电机电流之间
的非线性关系，提高了机器人关节的控制精度。
[0267]
图7是本技术一个实施例提供的机器人关节的控制装置的结构框图。该装置包括：
[0268]
获取模块720，用于获取机器人关节的期望控制力矩；
[0269]
确定模块740，用于根据期望映射模型确定与期望控制力矩对应的电机电流，期望映射模型是根据期望控制力矩和电机电流的非线性关系生成的，期望映射模型中包括根据机器人关节的关节运动数据对机器人关节的关节摩擦力进行的补偿；
[0270]
驱动模块760，用于根据电机电流，驱动机器人关节的电机。
[0271]
在一个可选的实施例中，所述装置还包括参数辨识模块780，用于根据如下方式得到期望映射模型中的参数值：根据关节运动数据，构建机器人关节的关节摩擦模型；根据机器人关节的理论输出力矩，构建机器人关节的理论映射模型；根据关节摩擦模型和理论映射模型，构建参数辨识模型；对参数辨识模型进行参数辨识，将参数辨识模型中的模型参数的辨识值，确定为期望映射模型中的参数值。
[0272]
示意性的，参数辨识模块780设置于机器人关节的控制装置中，或者设置于与机器人关节的控制装置相连的其他装置中。
[0273]
在一个可选的实施例中，参数辨识模块780，用于根据关节运动数据生成关节摩擦模型的至少一个参数项；根据至少一个参数项，构建关节摩擦模型。
[0274]
在一个可选的实施例中，参数辨识模块780，用于实现如下步骤中的至少一个：根据机器人关节的关节角度生成角度参数项；根据机器人关节的关节角速度生成角速度参数项；根据机器人关节的关节角加速度生成角加速度参数项。
[0275]
在一个可选的实施例中，参数辨识模块780，用于在关节角度位于第一预设区间时，生成第一角度参数项；在关节角度位于第二预设区间时，生成第二角度参数项；其中，第一预设区间和第二预设区间是不存在交集的两个区间。
[0276]
在一个可选的实施例中，参数辨识模块780，用于根据关节角速度生成第一参数项和第二参数项，第一参数项与机器人关节的摩擦曲线对应，第二参数项与关节角速度存在非线性关系；根据第一参数项和第二参数项生成角速度参数项。
[0277]
在一个可选的实施例中，参数辨识模块780，用于根据关节角加速度和角加速度参数项的线性关系，生成角加速度参数项。
[0278]
在一个可选的实施例中，参数辨识模块780，用于根据理论输出力矩和转矩系数，构建理论映射模型，理论输出力矩与电机电流存在非线性关系，转矩系数是与电机电流对应的参数项。
[0279]
在一个可选的实施例中，参数辨识模块780，用于根据与机器人关节对应的动力学模型确定当前期望力矩；根据当前期望力矩、关节摩擦模型和理论映射模型，构建参数辨识模型。
[0280]
在一个可选的实施例中，参数辨识模块780，用于采集关节运动参数和理论映射模型中的电流值；根据关节运动参数和电流值，对参数辨识模型中的模型参数进行非线性优化处理，得到模型参数的辨识值，模型参数中包括期望映射模型中的参数；在模型参数的辨识值满足预设精度的情况下，确定期望映射模型中的参数值。
[0281]
图8是本技术一个实施例提供的期望映射模型的参数辨识装置的结构框图。该装置包括：
[0282]
构建模块820，用于根据机器人关节的关节运动数据，构建机器人关节的关节摩擦模型；
[0283]
根据机器人关节的理论输出力矩，构建机器人关节的理论映射模型；
[0284]
构建模块820，还用于根据关节摩擦模型和理论映射模型，构建参数辨识模型；
[0285]
确定模块840，用于对参数辨识模型进行参数辨识，将参数辨识模型中的模型参数的辨识值，确定为期望映射模型中的参数值。
[0286]
在一个可选的实施例中，构建模块820，用于根据关节运动数据生成关节摩擦模型的至少一个参数项；根据至少一个参数项，构建关节摩擦模型。
[0287]
在一个可选的实施例中，构建模块820，用于实现如下步骤中的至少一个：根据机器人关节的关节角度生成角度参数项；根据机器人关节的关节角速度生成角速度参数项；根据机器人关节的关节角加速度生成角加速度参数项。
[0288]
在一个可选的实施例中，构建模块820，用于在关节角度位于第一预设区间时，生成第一角度参数项；在关节角度位于第二预设区间时，生成第二角度参数项；其中，第一预设区间和第二预设区间是不存在交集的两个区间。
[0289]
在一个可选的实施例中，构建模块820，用于根据关节角速度生成第一参数项和第二参数项，第一参数项与机器人关节的摩擦曲线对应，第二参数项与关节角速度存在非线性关系；根据第一参数项和第二参数项生成角速度参数项。
[0290]
在一个可选的实施例中，构建模块820，用于根据关节角加速度和角加速度参数项的线性关系，生成角加速度参数项。
[0291]
在一个可选的实施例中，构建模块820，用于根据理论输出力矩和转矩系数，构建理论映射模型，理论输出力矩与电机电流存在非线性关系，转矩系数是与电机电流对应的参数项。
[0292]
在一个可选的实施例中，构建模块820，用于根据与机器人关节对应的动力学模型确定当前期望力矩；根据当前期望力矩、关节摩擦模型和理论映射模型，构建参数辨识模型。
[0293]
在一个可选的实施例中，确定模块840，用于采集关节运动参数和理论映射模型中的电流值；根据关节运动参数和电流值，对参数辨识模型中的模型参数进行非线性优化处理，得到模型参数的辨识值，模型参数中包括期望映射模型中的参数；在模型参数的辨识值满足预设精度的情况下，确定期望映射模型中的参数值。
[0294]
需要说明的是：上述实施例提供的装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置，与前述内容中的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0295]
图9示出了本技术一个示例性实施例提供的机器人900的结构框图。该机器人900包括：轮腿部910、连接至轮腿部910的基座部920，其中，轮腿部910及基座部920中的每个包括至少一个关节。
[0296]
轮腿部是指该机器人用于实现运动的轮式部件，包括轮部及连接至该轮部的中心轴且用于实现对该轮部的运动控制的腿部。本公开的实施例不受该轮腿部的具体组成类型
及其轮部数量的限制。
[0297]
基座部920是指该机器人的主体部分，例如可以为该机器人的躯干部，本公开的实施例不受基座部920的具体形状及组成的限制。
[0298]
示意性的，基座部920经由支架连接至轮腿部910，或者也可以经由其他方式实现基座部920与轮腿部910的连接。本公开的实施例不受基座部920与轮腿部910的具体连接方式的限制。
[0299]
在一些实施例中，基座部920包括2个关节，轮腿部910包括6个关节，本公开的实施例不受基座部920与轮腿部910所包括的具体关节个数的限制，也不受该机器人所具有的具体关节构型的限制。
[0300]
且该机器人还包括控制器930，控制器930设置在该机器人上，且能够执行如前所述的机器人关节的控制方法，具有如前所述的功能。
[0301]
示意性的，控制器930包括处理装置。处理装置可以包括微处理器、数字信号处理器(“dsp”)、专用集成电路(“asic”)、现场可编程门阵列、状态机或用于处理从传感器线接收的电信号的其他处理器件。这种处理器件可以包括可编程电子设备，例如plc，可编程中断控制器(“pic”)、可编程逻辑器件(“pld”)、可编程只读存储器(“prom”)、电子可编程只读存储器等。
[0302]
示意性的，机器人还包括如下部件中的至少一种：总线、存储器、传感器组件、通信模块和输入输出装置。
[0303]
总线可以是将该机器人的各部件互连并在各部件之中传递通信信息(例如，控制消息或数据)的电路。
[0304]
传感器组件可以用于对物理世界进行感知，例如包括摄像头、红外传感器超声波传感器等。此外，传感器组件还可以包括用于测量机器人当前运行及运动状态的装置，例如霍尔传感器、激光位置传感器、或应变力传感器等。
[0305]
通信模块例如可以通过有线或无效与网络连接，以便于与物理世界(例如，服务器)通信。通信模块可以是无线的并且可以包括无线接口，例如ieee 802.11、蓝牙、无线局域网(“wlan”)收发器、或用于接入蜂窝电话网络的无线电接口(例如，用于接入cdma、gsm、umts或其他移动通信网络的收发器/天线)。在另一示例中，通信模块可以是有线的并且可以包括诸如以太网、usb或ieee1394之类的接口。
[0306]
输入输出装置可以将例如从用户或任何其他外部设备输入的命令或数据传送到机器人的一个或多个其他部件，或者可以将从机器人的一个或多个其他部件接收的命令或数据输出到用户或其他外部设备。
[0307]
多个机器人可以组成机器人系统以协同地完成一项任务，该多个机器人通信地连接到服务器，并且从服务器接收协同机器人指令。
[0308]
在一些实施例中，该机器人还包括设置在该基座部上的附加部件940，附件部件940例如包括至少一个关节。
[0309]
附加部件940是指连接至基座部920且运动过程相对于基座部920及轮腿部910独立的部件，该部件例如可以具有自身的运动自由度且其运动控制过程独立于基座部920的姿态控制及轮腿部910的平衡运动控制过程。本公开的实施例不受该附加部件的具体设置位置及其关节构型的限制。
[0310]
基于上述，本技术中，通过进一步在该机器人的基座部920上设置附加部件940，并将附加部件940的部件运动控制、基座部920的姿态位置控制与轮腿部910的平衡运动控制彼此解耦，使得能够独立地实现对该基座部920、附加部件940及轮腿部910的运动控制，有利于根据实际需要灵活地调整该机器人的附加部件的相应运动过程(例如调整其三维坐标位置及速度)，使得该机器人能够适于不同的任务场景，且具有多种整体姿态构型，从而有利于更好的人机交互体验。
[0311]
本领域技术人员可以理解，图9中示出的结构并不构成对机器人900的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
[0312]
图10是示出了本技术一个示例性实施例提供的电子设备1000的结构框图。该电子设备1000可以是便携式移动终端，比如：智能手机、平板电脑、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。电子设备1000还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。本技术实施例中，该电子设备1000实现为机器人中的控制设备部分。
[0313]
通常，电子设备1000包括有：处理器1001和存储器1002。
[0314]
处理器1001可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1001可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1001也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1001可以集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1001还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0315]
存储器1002可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1002还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1002中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1001所执行以实现本技术中方法实施例提供的机器人关节的控制方法，或者期望映射模型的参数辨识方法。
[0316]
在一些实施例中，电子设备1000还可选包括有：外围设备接口1003和至少一个外围设备。处理器1001、存储器1002和外围设备接口1003之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1003相连。具体地，外围设备包括：射频电路1004、显示屏1005、摄像头组件1006、音频电路1007、定位组件1008和电源1009中的至少一种。
[0317]
外围设备接口1003可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器1001和存储器1002。在一些实施例中，处理器1001、存储器1002和外围设备接口1003被集成在同一芯片或电路板上；在一些其他实施例中，处理器1001、存储器1002和外围设备接口1003中的任意一个或两个可以在单独的芯片或电路板上实现，本实施
例对此不加以限定。
[0318]
射频电路1004用于接收和发射rf(radio frequency，射频)信号，也称电磁信号。射频电路1004通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1004将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选的，射频电路1004包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1004可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2g、3g、4g及5g)、无线局域网和/或wi
‑
fi(wireless fidelity，无线保真)网络。在一些实施例中，射频电路1004还可以包括nfc(near field communication，近距离无线通信)有关的电路，本技术对此不加以限定。
[0319]
显示屏1005用于显示ui(user interface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1005是触摸显示屏时，显示屏1005还具有采集在显示屏1005的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1001进行处理。此时，显示屏1005还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1005可以为一个，设置在电子设备1000的前面板；在另一些实施例中，显示屏1005可以为至少两个，分别设置在电子设备1000的不同表面或呈折叠设计；在另一些实施例中，显示屏1005可以是柔性显示屏，设置在电子设备1000的弯曲表面上或折叠面上。甚至，显示屏1005还可以设置成非矩形的不规则图形，也即异形屏。显示屏1005可以采用lcd(liquid crystal display，液晶显示屏)、oled(organic light
‑
emitting diode，有机发光二极管)等材质制备。
[0320]
摄像头组件1006用于采集图像或视频。可选的，摄像头组件1006包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及vr(virtual reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1006还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
[0321]
音频电路1007可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1001进行处理，或者输入至射频电路1004以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在电子设备1000的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1001或射频电路1004的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1007还可以包括耳机插孔。
[0322]
定位组件1008用于定位电子设备1000的当前地理位置，以实现导航或lbs(location based service，基于位置的服务)。定位组件1008可以是基于美国的gps(global positioning system，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的
定位组件。
[0323]
电源1009用于为电子设备1000中的各个组件进行供电。电源1009可以是交流电、直流电、一次性电池或可充电电池。当电源1009包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
[0324]
在一些实施例中，电子设备1000还包括有一个或多个传感器1010。该一个或多个传感器1010包括但不限于：加速度传感器1011、陀螺仪传感器1012、压力传感器1013、指纹传感器1014、光学传感器1015以及接近传感器1016。
[0325]
加速度传感器1011可以检测以电子设备1000建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1011可以用于检测重力加速度在三个坐标轴上的分量。处理器1001可以根据加速度传感器1011采集的重力加速度信号，控制显示屏1005以横向视图或纵向视图进行用户界面的显示。加速度传感器1011还可以用于游戏或者用户的运动数据的采集。
[0326]
陀螺仪传感器1012可以检测电子设备1000的机体方向及转动角度，陀螺仪传感器1012可以与加速度传感器1011协同采集用户对电子设备1000的3d动作。处理器1001根据陀螺仪传感器1012采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变ui)、拍摄时的图像稳定、游戏控制以及惯性导航。
[0327]
压力传感器1013可以设置在电子设备1000的侧边框和/或显示屏1005的下层。当压力传感器1013设置在电子设备1000的侧边框时，可以检测用户对电子设备1000的握持信号，由处理器1001根据压力传感器1013采集的握持信号进行左右手识别或快捷操作。当压力传感器1013设置在显示屏1005的下层时，由处理器1001根据用户对显示屏1005的压力操作，实现对ui界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
[0328]
指纹传感器1014用于采集用户的指纹，由处理器1001根据指纹传感器1014采集到的指纹识别用户的身份，或者，由指纹传感器1014根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器1001授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1014可以被设置在电子设备1000的正面、背面或侧面。当电子设备1000上设置有物理按键或厂商logo时，指纹传感器1014可以与物理按键或厂商logo集成在一起。
[0329]
光学传感器1015用于采集环境光强度。在一个实施例中，处理器1001可以根据光学传感器1015采集的环境光强度，控制显示屏1005的显示亮度。具体地，当环境光强度较高时，调高显示屏1005的显示亮度；当环境光强度较低时，调低显示屏1005的显示亮度。在另一个实施例中，处理器1001还可以根据光学传感器1015采集的环境光强度，动态调整摄像头组件1006的拍摄参数。
[0330]
接近传感器1016，也称距离传感器，通常设置在电子设备1000的前面板。接近传感器1016用于采集用户与电子设备1000的正面之间的距离。在一个实施例中，当接近传感器1016检测到用户与电子设备1000的正面之间的距离逐渐变小时，由处理器1001控制显示屏1005从亮屏状态切换为息屏状态；当接近传感器1016检测到用户与电子设备1000的正面之间的距离逐渐变大时，由处理器1001控制显示屏1005从息屏状态切换为亮屏状态。
[0331]
本领域技术人员可以理解，图9中示出的结构并不构成对电子设备1000的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
[0332]
本技术的实施例还提供了一种机器人，该机器人包括处理器和存储器，该存储器中存储有至少一条程序代码，程序代码由处理器加载并执行以实现如上所述的机器人关节的控制方法。
[0333]
本技术的实施例还提供了一种计算机设备，该计算机设备包括处理器和存储器，该存储器中存储有至少一条程序代码，程序代码由处理器加载并执行以实现如上所述的期望映射模型的参数辨识方法。
[0334]
本技术的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有至少一条程序代码，程序代码由处理器加载并执行以实现如上所述的机器人关节的控制方法，或者，期望映射模型的参数辨识方法。
[0335]
本技术的实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如上所述的机器人关节的控制方法，或者，期望映射模型的参数辨识方法。
[0336]
可选的，该计算机可读存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、固态硬盘(ssd，solid state drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(reram,resistance random access memory)和动态随机存取存储器(dram，dynamic random access memory)。
[0337]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0338]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0339]
以上所述仅为本技术的可选实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。