[发明专利]一种机器人神经网络式计算力矩控制器训练平台及训练方法

说明书

技术领域：

本发明属于机器人控制技术领域，涉及一种机器人神经网络式计算力矩控制器训练平台及训练方法，具体涉及一种基于虚机实电的高速并联机器人神经网络式计算力矩控制器训练平台及训练方法。

背景技术：

并联机器人自身的结构特点，使其在需要高刚度、高精度或者大载荷而无须很大工作空间的领域内得到了广泛应用；另外，其驱动装置大多置于定平台上或接近定平台的位置，这样运动部分重量轻，动态响应好，可实现高速运动。

在控制方面，目前，大多数商用机械手都采用PD和PID控制等线性单轴控制方式，这种控制方式尽管在低速下能达到满意的精度，但高速并联机械手因离心力、科里奥力和重力项的影响，无法通过该控制器实现高速运动下满意的控制品质。

事实上，计算力矩控制方法思路清晰，已广泛应用于机器人控制器设计中，但由于机器人是一个十分复杂的多输入多输出非线性系统，具有时变、强耦合和非线性的动力学特征，传统的计算力矩模型无法精确地逼近实际机器人控制模型，因此不能满足较高精度要求的场合。而神经网络具有学习任何复杂的非线性和不确定性对象的能力，利用神经网络学习高速并联机器人系统的非确定性因素，对计算力矩模型进行补偿修正，可实现其高精度控制。

采用神经网络控制器时，其训练网络模型并佐证其算法有效性的多为仿真方法，并主要是通过基于“虚机”或“虚电”系统得到，如Ideas，MATLAB/SimuLink，ADAMS，SolidWorks以及EASY-ROB等工具软件，并且局限“虚机”或者“虚电”系统。这种基于仿真得到的神经网络模型和实际机器人模型的差距使得其控制器难以在工程实践中得到很好的应用。另一方面，若采用实际样机训练神经网络的话，鉴于其初始模型和机器人模型的差别和训练过程的复杂不确定性，很可能因为控制器模型的错误使得设备在训练过程中发生意外，这种成本将难以负担。

发明内容：

本发明旨在提高高速并联机器人的轨迹跟踪控制性能，针对现有技术的不足，提出基于虚机实电的高速并联机器人神经网络式计算力矩控制器训练平台及训练方法，通过搭建与实际机器人机构静、动态性能一致的虚机实电训练平台，并借助本平台训练神经网络，得到较大程度符合实际机器人控制模型的神经网络式计算力矩控制模型，为控制器的设计提供帮助。

为解决上述技术问题，本发明的基本构思是：搭建最大程度与实物模型一致的高速并联机器人虚机实电系统，通过实电驱动虚机，并从实电及虚机中采集预定信号作为训练样本，训练神经网络式计算力矩控制器，得到虚机的神经网络表示的计算力矩控制模型，即训练完成后的神经网络中各连接权值及阈值表征了计算力矩控制模型。

本发明所提供的一种机器人神经网络式计算力矩控制器训练平台由上位控制单元、开放式运动控制驱动单元、高速并联机器人虚拟现实单元、数据采集与通信单元及基于人工神经网络的自适应控制模型组成；所述的上位控制单元完成运动规划及过程监视；所述的开放式运动控制驱动单元包括运动控制器、驱动器、伺服电机，是完成上位控制单元控制指令向电控驱动转化的实电部分；所述的高速并联机器人虚拟现实单元用于实现高速并联机器人虚机及相关三维场景的构建；所述的数据采集与通信单元实现所述上位控制单元、开放式运动控制驱动单元及高速并联机器人虚拟现实单元三者间相互的数据通讯，并能够采集人工神经网络所需训练样本；所述的基于人工神经网络的自适应控制模型由并行工作的神经网络式机器人逆动力学模型逼近器与线性比例微分反馈控制器组成。

所述的基于人工神经网络的自适应控制模型是本训练平台的操作对象，在训练期，通过学习高速并联机器人虚机实际轨迹与相应的控制力矩样本，并与期望轨迹比较，按权值调整律调整其人工神经网络连接权值，逐步逼近高速并联机器人虚机逆动力学模型，在运行期，它被嵌入上位控制单元作为控制器的核心，其内核等同于高速并联机器人补偿了非线性不确定项的逆动力学模型，实现由高速并联机器人期望轨迹到控制力矩的映射。

本发明所提供的一种机器人神经网络式计算力矩控制器的训练方法具体步骤如下：

（1）以所述的上位控制单元、开放式运动控制驱动单元、高速并联机器人虚拟现实单元及数据采集与通信单元为组成部分，搭建高速并联机器人虚机实电控制系统；

（2）建立基于人工神经网络的自适应控制模型，该模型由并行工作的神经网络式机器人逆动力学模型逼近器与线性比例微分反馈控制器组成，神经网络式机器人逆动力学模型逼近器的输出力矩与线性比例微分反馈控制器的输出力矩之和作为控制器的信号输入，驱动高速并联机器人虚机各关节运动；