[发明专利]一种基于深度学习的机器人动力学建模方法

说明书

本发明公开了一种基于深度学习的机器人动力学建模方法，属于智能机器人领域，收集数据划分为训练集和数据集，构建动力学模型搭建RNN循环神经网络；按时间步划分训练集输入到输入隐藏层，转化为三维数据到达GRU cell层，把当前输入的信息与之前的信息相结合，计算前一时刻的状态信息参与到新生成的状态的比例；然后将计算得到的当前的候选状态和前一个时间步时刻的信息通过更新门选择，得到当前时刻的隐藏层状态，传递到下一时间步，输出到输出隐藏层，得到预测值小于等于误差阈值采集的真实结果，为最优值。最后利用数据集对GRU门控循环单元网络进行检测。本发明提高扭矩预测的精度，大大减小输入信号的训练时间，减小了传统反向传播的梯度误差。

技术领域

本发明属于智能机器人领域，具体是一种基于深度学习的机器人动力学建模方法。

背景技术

机器人动力学模型的重要应用是控制机器人，通过动力学方程可以准确地计算出机器人运动需要的力矩；但是，由于扰动、弹性、非线性摩擦以及负载变化等因素的影响，很多动力学模型的参数难以被确定，传统的动力学方法(如拉格朗日、牛顿欧拉、凯恩)很难对机器人进行精准的动力学建模，无法满足精准的实际应用。

近些年来，深度学习的发展使得这一问题的解决迎来了转机；神经网络具有极强的非线性映射能力，通过训练一定数量的数据，使得在建模的过程中不用人为的考虑不确定性因素的影响，可以很好提高机器人动力学模型的预测精度。

目前应用的ESN(Echo State Network，回声状态网络)机器学习算法已经应用于推断机器人的结构和环境特征，模拟复杂的机器人系统；该算法包括两个隐藏层：自组织层和递归层，它是一个实时的机器人模型学习算法，能够很好的适应环境的变化。但是，该ESN机器学习算法没有充分考虑输入信号的特性，通常忽略输出反馈连接。因此，ESN的回波状态特性在一定时间内不能完全满足，不能提供更高的精度和更快的收敛速度进行时间序列预测。

基于动力学模型的机器人运动控制需要对机器人各关节扭矩实时精确预测，对于实现机器人功能完美性和安全性是必要的；机器人动力学模型是变化的，由于输入信号的不断变化和机器人系统的非线性摩擦、负载变化等因素的影响，实际预测的扭矩可能和真正的运动扭矩有一些差别，这时需要我们对建好的动力学模型进行实时更新，以减小误差，提升精度。

发明内容

本发明为了在实时学习过程中，提高扭矩预测的精度，精确地模拟复杂的机器人系统；提出了一种基于深度学习的机器人动力学建模方法。

具体步骤如下：

步骤一、针对某机器人，收集该机器人的关节位置，关节速度，关节加速度以及对应的扭矩数据，并划分为训练集和数据集；

步骤二、构建针对机器人的关节位置，关节速度和关节加速度的动力学模型T；

矢量q表示关节位置；表示关节速度；表示关节加速度；

T表示要学习的扭矩，代表着控制关节运动的力(矢量)进而控制机械臂的运动趋势；M(q)表示惯性矩阵，表示结合了科氏力、向心力、摩擦力和重力的作用；表达式为：表示科氏力，表示摩擦力；g(q)表示重力。

为模拟函数，模拟其他扰动、弹性、非线性摩擦或负载变化等因素；如：机械设计中的弹性、质量或惰性的模型参数误差、振动效应、摩擦、耦合和传感器噪音。

步骤三、根据动力学模型τ设置输入向量x的目标学习函数y；

y＝f(x)；y＝τ，x为输入的矢量值，包括机器人的关节位置，关节速度和关节加速度。

步骤四、搭建包括输入隐藏层，GRU cell层和输出隐藏层的RNN循环神经网络，用于对目标学习函数y进行优化；