[发明专利]一种卷积神经网络的半参数化工业机器人动力学建模方法

说明书

本发明公开一种卷积神经网络的半参数化工业机器人动力学建模方法，涉及工业机器人技术领域。包括如下步骤：建立工业机器人动力学模型；设计激励轨迹；采集机器人沿激励轨迹运动的关节电流和编码器信息并进行处理；根据机器人动力学方程和线性矩阵不等式与半定规划算法(LMI‑SDP)求解刚体动力学参数；选取用于获取误差数据集的运动轨迹，采集数据，利用先前所得的刚体动力学参数求得误差；针对每个关节构建卷积神经网络(CNN)，用于误差补偿；模型验证。本发明在考虑机器人传统刚体动力学建模的同时，用卷积神经网络对误差进行建模与补偿，提升机器人动力学建模的精度，为基于机器人动力学模型的控制算法的性能提升打下了基础。

技术领域

本发明涉及工业机器人技术领域，尤其涉及一种卷积神经网络的半参数化工业机器人动力学建模方法。

背景技术

工业机器人的动力学模型在机器人控制算法的设计、运动规划、碰撞检测以及仿真中有着非常广泛的应用，在这些方面，精确的动力学模型能够提升机器人的性能，因此，对工业机器人的动力学精确建模具有非常重要的意义。

传统的机器人动力学建模以刚体动力学为理论基础，通过对动力学方程的线性化分离出惯性参数和摩擦系数矩阵，从而可以用最小二乘法辨识动力学参数。对此，B.Siciliano等人在“Robotics:modelling,planning and control”一书中有详细阐述。

在基于刚体动力学的建模方法中，摩擦力模型一般选择为传统的库仑摩擦加粘滞摩擦或是Stribeck摩擦力模型，但是采用这些摩擦力模型得到的最终动力学模型精度并不高。

在使用传统方法如最小二乘法求解动力学参数时，得到的惯性参数可能会出现负质量等与实际相悖的情况，这种物理不可行条件的出现可能会造成控制算法失效等情况。

为了提升机器人动力学模型的精度，许多机器学习领域的算法被用于建模或是误差补偿。RenéFelix Reinhart等人在文章“Hybrid Analytical and Data-DrivenModeling for Feed-Forward Robot Control”中采用极限学习机对KUKA LWR IV+机器人的动力学误差模型进行建模。Jin Hu等人在文章“Contact Force Estimation for RobotManipulator Using Semiparametric Model and Disturbance Kalman Filter”使用纯刚体动力学、支持向量机回归、高斯过程回归、局部加权映射回归和多层感知机等算法对误差模型进行建模。然而在这些研究中的机器人都带有关节力/力矩传感器。对于普通的工业机器人，关节的力/力矩信息仅由关节电流给出。由于电流的噪声，对于普通的工业机器人使用上述方法进行动力学建模与误差补偿会产生震荡、过拟合等现象。

因此，本领域的技术人员致力于开发一种基于卷积神经网络的半参数化工业机器人动力学建模方法，在考虑机器人传统刚体动力学建模的同时，用卷积神经网络对误差进行建模与补偿，提升了机器人动力学建模的精度，为基于机器人动力学模型的控制算法的性能提升打下了基础。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是现有技术对基于关节电流反馈信息的机器人动力学模型参数辨识精度不高、且存在参数物理不可行情况的问题。

为实现上述目的，本发明提供了一种卷积神经网络的半参数化工业机器人动力学建模方法，包括以下步骤：

步骤1、建立工业机器人的动力学模型；

步骤2、采用五次傅里叶级数作为激励轨迹，并加入位置、速度和加速度约束；

步骤3、根据所述步骤2中得到的激励轨迹采集各个关节的电流和编码器信息，用巴特沃斯低通滤波器对上述关节信息进行滤波，并通过对角速度进行数值微分得到各个所述关节的加速度；