[发明专利]一种基于深度神经网络的机械臂残余振动抑制方法及装置

说明书

本申请提供一种基于深度神经网络的机械臂残余振动抑制方法及装置。其中，该机械臂振动抑制方法包括：获取机械臂在预设位姿和预设负载下的动力学特征，建立动力学特征与预设位姿、预设负载之间对应的数据集；基于数据集训练深度神经网络模型；根据机械臂的目标位姿和目标负载，利用深度神经网络模型预测目标动力学特征；根据目标动力学特征设计振动抑制器，配合运动控制器控制机械臂运动至目标位姿的同时抑制残余振动。可以实现，以低计算代价实现动力学特征在线实时预测，自适应设计振动抑制器，实现开放工作场景下的振动抑制。

技术领域

本申请涉及运动控制技术领域，具体涉及一种基于深度神经网络的机械臂残余振动抑制方法及装置。

背景技术

残余振动是由机械臂关节弹性和结构惯性力所引起，属于典型的动力学系统阶跃振荡现象。振荡频率即为系统固有频率，最大振幅通常和机械臂的运行加速度正相关，即机械臂的快速启动和制动会引起末端执行器明显振荡。在对效率要求较高的场景下，残余振动会限制机械臂的运行速率，导致无法充分发挥驱动器能力，而且等待振荡耗散也会浪费大量时间；在对末端的任务执行器由高精准度要求的场景下，如协同手术等，振荡引起的执行器位置超调则是不被允许的。

然而，目前对于机械臂的振动抑制控制方法大多只能针对单一频率，但机械臂自身姿态和末端负载的变化，都会直接影响系统的惯量分布，导致系统动力学特征呈现时变性，机械臂的惯量分布与各关节姿态角之间呈强非线性关系，二者之间的映射关系很难通过简单的函数形式准确表示。如果在机械臂实时运行过程中，不断对携带差异化负载的机械臂建立并求解复杂的动力学方程，会显著提高对控制器硬件的要求，引入大量的计算消耗，且计算耗时可能因姿态不同而存在明显的差异，对机械臂控制造成不良影响。因此亟需一种新型的机械臂振动抑制方法来解决上述问题。

发明内容

本申请针对相关技术的缺点，提出一种基于深度神经网络的机械臂残余振动抑制方法及装置，用以解决相关技术中只能针对单一频率进行振动抑制或振动抑制对应的频率自适应性差的问题。

本申请提供一种机械臂振动抑制方法，包括：获取机械臂在预设位姿和预设负载下的动力学特征，建立所述动力学特征与预设位姿、预设负载之间对应的数据集；基于所述数据集训练深度神经网络模型；根据机械臂的目标位姿和目标负载，利用所述深度神经网络模型预测目标动力学特征；根据所述目标动力学特征设计振动抑制器，配合运动控制器控制所述机械臂运动至目标位姿的同时抑制残余振动。

根据上述实施例可知，本申请通过建立动力学特征与预设位姿、预设负载之间的对应的数据集，并根据数据集训练深度神经网络模型；通过预先训练的深度神经网络模型对机械臂系统具有时变性的动力学特征进行在线预测，再结合振动抑制器实现以极低的计算代价实现机械臂末端残余振动的自适应抑制。本申请采用深度神经网络模型(DeepNeural Networks，DNN)替代了动力学求机械臂特征频率的复杂过程，实现了在线快速对机械臂的时变频率进行预测。其中，本申请中用于训练深度神经网络模型的数据集通过动力学参数仿真分析获得，无需依赖实物样机。同时，训练数据集的样本空间内的样本数量可根据机械臂各参数的设计范围、振动抑制效果等方面的要求来确定，因此操作简单，易于实现。

另外，通过预先训练的深度神经网络模型与振动抑制器设计相结合，可快速根据机械臂的目标位姿和目标负载预测机械臂的目标动力学特征，使机械臂平稳移动至目标位置。所需的计算代价极低，可完全满足机械臂在线快速执行的需求。

在一个实施例中，所述获取机械臂在预设位姿和预设负载下的动力学特征，建立所述动力学特征与预设位姿、预设负载之间对应的数据集包括：获取机械臂关节的动力学参数；根据机械臂的结构设计方案和所述关节的动力学参数建立机械臂动力学模型；基于所述机械臂动力学模型，分析得到机械臂在预设位姿和预设负载下的动力学特征，从而建立所述动力学特征与预设位姿、预设负载之间对应的数据集。