[发明专利]一种基于神经网络的6轴机器人动力学参数辨识方法

说明书

本发明公开了一种基于神经网络的6轴机器人动力学参数辨识方法。步骤如下：第一步：机器人动力学建模以及线性化；第二步：激励轨迹优化，采用人工免疫算法来优化激励轨迹；第三步：实验采样，让机器人跟随激励轨迹运动，获取多组观测矩阵与关节力矩作为实验数据。第四步：数据处理，采用三标准差准则以及中位值平均滤波法对实验采集的数据进行预处理，降低数据噪声带来的影响。第五步：动力学参数估计，采用神经网络对动力学参数进行估计。第六步：参数验证，再让机器人跟随一条与激励轨迹不同的可执行轨迹，再次采样实验数据，根据辨识所得的动力学参数来预测理论关节力矩，用力矩残差根来评价辨识的动力学参数的可靠性。

技术领域

本发明涉及了一种机器人动力学参数辨识的方法，尤其是涉及了一种基于神经网络的6轴机器人动力学参数辨识方法，涉及工业生产、物流运输等领域中广泛使用的串联工业机器人，准确的动力学参数是机器人高精度控制的基础。

背景技术

机器人动力学是探讨机器人控制的基础，所以动力学参数辨识是机器人控制中非常关键的一项技术，工业机器人实现高精度控制，平滑运动轨迹都需要高精度的动力学参数。目前机器人动力学传参数辨识大多采用遗传算法来优化激励轨迹，用最小二乘法来进行动力学参数的迭代估计，动力学参数估计精度不高，导致工业机器人难以准确控制。

发明内容

针对现有技术的不足，本发明公开了一种基于神经网络的6轴机器人动力学参数辨识方法，提高了动力学参数的估计精度，具有较高的容错性。

一种基于神经网络的6轴机器人动力学参数辨识的方法，包括以下几个步骤：

第一步 动力学建模，建立6轴机器人的D-H连杆坐标系，构建其动力学方程，因为后三轴主要影响机器人末端姿态，对关节力矩的影响小，故不予考虑，主要进行前三关节动力学参数的辨识。根据拉格朗日动力学方程，推导出机器人显性线性表达式，根据最小惯性原理将表达式简化成线性形式，给出需要辨识的动力学参数，观测矩阵。

第二步 激励轨迹优化，进行关节角度的傅里叶级数展开，为了得到边界连续，关节角速度，角加速度在周期起始等于0的傅里叶级数，需要对它进行优化(改进)，以五次多项式来代替常数项，得到改进的傅里叶级数，相关公式如下：

其中i为第i关节，w_f为傅里叶级数的基频，a_ik，b_ik为傅里叶级数，为常数项系数，M为傅里叶级数的阶数。

以免疫克隆算法来优化得到傅里叶级数的系数，得到优化的激励轨迹；

第三步 实验采样，让机器人跟随激励轨迹运动，多个周期，不同时刻用光电编码器采集多组机器人的关节角度，得到多组关节力矩作为实验样本，同时得到电机反馈电流，根据转矩系数，求出电机输出力矩即为关节力矩；

第四步 数据处理，通过三标准差以及中位值平均滤波法对实验采集的数据进行数据预处理，来降低数据噪声对实验的影响；

第五步 动力学参数估计，根据实验得到的多组观测矩阵以及关节力矩，通过神经网络来辨识出动力学参数。

第六步 参数验证，给出一条不同于激励轨迹的可执行轨迹，机器人跟随轨迹运动，多个周期，不同时刻采集多组机器人的关节角度，电机反馈电流，根据所求的动力学参数得到理论的关节力矩与实验得到关节力矩做对比，用力矩残差根来评价动力学参数的可靠性。

进一步的，所述的免疫克隆算法优化傅里叶级数具体为改进后的激励轨迹每个关节有10个自由度，3个关节共计30个自由度系数，同时，机器人的关节位置，速度和加速度受到约束，采用免疫克隆选择算法，来获得优化结果，优化指标为观测矩阵的条件数最小，免疫克隆选择算法寻优步骤如下：