[发明专利]一种多关节机械臂动力学参数辨识激励轨迹的优化方法

说明书

本发明公开了一种多关节机械臂动力学参数辨识激励轨迹的优化方法，其步骤是选择有限项傅里叶级数作为多关节机械臂动力学参数辨识激励轨迹的模型，以多关节机械臂的最小动力学参数集对应观测矩阵的条件数作为辨识激励轨迹优化目标函数，采用量子编码和旋转门变化策略的量子遗传算法优化出满足边界条件的辨识激励轨迹。本发明中的量子遗传算法能够快速实现优化收敛，优化的辨识激励轨迹满足边界要求并具有较好的激励性，可以为多关节机械臂动力学参数辨识优化出较好的激励轨迹。

技术领域

本发明涉及一种多关节机械臂动力学参数辨识激励轨迹优化方法。

背景技术

在近些年来，基于动力学模型的控制对于提升多关节机械臂动态性能变得越来越重要。但因多关节机械臂的动力学的复杂性，致使难以获得精确的动力学参数，而不精确的动力学参数导致无法建立精确的动力学模型，使得基于模型的控制难以实现。故通过动力学参数辨识方法掌握精确的动力学模型和动力学参数的研究引起重视。

精确的动力学参数辨识取决于多关节机械臂的动力学模型推导、激励轨迹的设计与优化、辨识数据的采集与清洗、辨识算法四个部分。设计和优化辨识激励轨迹能充分激励机械臂的动力学性能，较大程度地避免建模的不精确、实际测量数据噪声等带来的扰动因素，进而减小动力学参数辨识的偏差，提高机械臂动力学参数的辨识精度。

常用的寻优求解方法主要有Fmincon、粒子群算法及改进的遗传算法等，这些方法都是在激励轨迹约束边界内找到一条非局部的最小优化目标值。激励轨迹优化的Fmincon方法，很容易陷入局部极值，需要进行大量筛选工作。遗传算法通过模拟生物界的遗传特点，从概率角度采用随机方式搜索优化问题在其约束范围内的最优解，但是生物界进化的不可知性导致遗传算法收敛速度慢和早熟，迭代次数多，易陷入局部极值，从而影响了动力学参数辨识。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提供一种多关节机械臂动力学参数辨识激励轨迹的优化方法，以期能为多关节机械臂动力学参数辨识优化出较好的激励轨迹，且优化的辨识激励轨迹满足边界要求并具有较好的激励性，从而为进一步提升多关节机械臂动力学性能奠定基础。

本发明解决技术问题采用如下技术方案：

本发明一种多关节机械臂动力学参数辨识激励轨迹的优化方法的特点是按如下步骤进行：

步骤1、运用牛顿-欧拉法建立多关节机械臂的动力学模型，线性化处理所述动力学模型中的非线性项，从而获得多关节机械臂线性化的动力学模型；

步骤2、基于随机数模拟参数法求解所述多关节机械臂线性化的动力学模型，得到多关节机械臂的最小动力学参数集，并获得多关节机械臂动力学模型的简化模型；

步骤3、建立多关节机械臂动力学参数辨识激励轨迹的数学模型，并根据所述多关节机械臂动力学模型的简化模型，获得观测矩阵函数，再根据所述观测矩阵函数建立由辨识激励轨迹的优化目标函数与约束条件构成的辨识激励轨迹模型；

步骤4、根据量子遗传算法对所述辨识激励轨迹模型进行优化，获得满足关节约束条件和在空间范围内变动的激励轨迹，所述激励轨迹用于多关节机械臂动力学的参数辨识。

本发明所述的多关节机械臂动力学参数辨识激励轨迹的优化方法的特点也在于，所述步骤4是按如下过程进行：

步骤4.1、设定种群数量n，设定最大进化代数Tmax与量子旋转门旋转角度，当代进化代数为t；初始化t＝1；初始化辨识激励轨迹模型的第t代进化的优化参数全部为设定优化目标为优化目标函数的全局最小值；

步骤4.2、在[0,1]区间内生成n组第t代进化的随机数并与第t代进化的优化参数进行比较，从而获得第t代进化的所有优化参数对应的二进制解；