[发明专利]一种改进的SCARA机器人动力学参数辨识方法

说明书

本发明涉及SCARA机器人的动力学参数辨识领域，公开了一种改进的SCARA机器人动力学参数辨识方法。采用Lagrange法建立包含摩擦项的SCARA机器人完整动力学模型，并对其进行线性化。采用5阶傅里叶级数作为激励轨迹的基本形式，并用5次多项式代替传统傅里叶级数中的常数项，使得关节角速度和关节角加速度在轨迹起始和停止时刻为零；以最小化观测矩阵条件数为目标，为增强全局寻优能力，采用基于排挤机制的小生境遗传算法对激励轨迹的各项系数进行优化。为避免直接对关节角度两次微分带来的传递误差，对采样得到的关节角速度数据拟合成傅里叶级数形式，再微分得到关节角加速度信号。考虑到测量噪声的影响，采用加权最小二乘法（WLS）作为参数估计方法。

技术领域

本发明属于SCARA机器人的动力学参数辨识领域，具体涉及一种改进的SCARA机器人动力学参数辨识方法。

背景技术

随着工业机器人应用于生命医疗、激光焊接、汽车电子等高精密领域，机器人技术向高速高精度方向发展。工业机器人的控制策略可以分为两种：(1)按照机器人实际轨迹与期望轨迹间的偏差进行负反馈控制。这种控制方法控制律简单，易于实现，称为“运动控制”，例如PID控制、模糊控制、鲁棒控制等。(2)充分考虑机器人的动力学特性，设计出更加精细的非线性控制律，即基于模型的控制策略，这种控制方法称为“动态控制”，例如重力补偿控制、计算力矩法、内模控制等。

由于机器人时变、强耦合和非线性的动力学特性，仅仅基于反馈的“运动控制”策略，难以满足工业机器人高速高精度的控制要求。目前，国产工业机器人大部分仍采用传统PID控制策略。所以，设计基于机器人动力学模型的控制策略是实现高速高精度运动控制的有效方法，该类控制策略要以机器人的精准动力学参数为基础。机器人动力学参数的获取方法可分为：解体测量法、CAD法以及整体辨识法。机器人结构复杂，很多参数难以直接测量得到，采用计算机建模的CAD法忽略了机器人的装配误差和材料的分布特性，整体辨识法能够考虑机器人实际工作中的各种因素影响，因而受到了广泛关注。

机器人动力学参数的辨识过程中，激励轨迹一般采用傅里叶级数的形式，既可以保证激励轨迹的连续周期性，以便于多次重复采样，又能充分激励机器人的动力学特性。但传统傅里叶级数无法保证机器人关节的角速度和角加速度在轨迹的起始和结束时刻为零；并且未经优化的傅里叶级数会导致观测矩阵的条件数过大，导致力矩和关节位置等的采样误差会过于放大动力学参数的辨识误差。由于观测矩阵条件数是多峰函数，当采用基本遗传算法(SGA)对傅里叶级数进行优化时，容易导致局部最优解，优化结果容易早熟。

另外，在采样数据处理时，除了多次采样求均值，以提高信噪比之外，如何获取有效角加速度信号是一个比较棘手的问题。由于采样得到的速度信号存在噪声，直接对速度信号进行差分，得到的加速度信号有很大误差。所以，一般通过对采样得到的关节角度进行反向拟合，再两次微分求角加速度，但两次微分容易造成传递误差。

发明内容

针对具体SCARA机器人，采用5阶傅里叶级数作为激励轨迹的基本形式，并用5次多项式取代传统傅里叶级数中的常数项，使得机器人各关节角速度和关节角加速度在激励轨迹的起始和结束时刻为零。为增强全局寻优能力，采用基于排挤机制的小生境遗传算法对傅里叶级数的系数进行优化，尽可能减小观测矩阵的条件数。为避免直接对关节角度两次微分带来的传递误差，对采样得到的关节角速度数据拟合成傅里叶级数形式，再微分得到关节角加速度信号。

为实现以上的技术目的，本发明提供的一种改进的SCARA机器人动力学参数辨识方法，包括以下步骤：

(1)根据实际情况，采用Lagrange法建立包含摩擦项的SCARA机器人完整动力学模型；

(2)对所述步骤(1)中完整动力学模型进行线性化，将其表示为回归矩阵和机器人动力学参数向量乘积的形式；