[发明专利]一种基于机器学习前馈模型的自抗扰力矩控制方法

说明书

本发明公开了一种基于机器学习前馈模型的自抗扰力矩控制方法，PD控制器输入参考力矩τ_d和扩张状态观测器的输出z₁、z₂，输出电流I_c；机器学习前馈模型输入参考力矩τ_d、电机转速n_m、电机位置p_m、电机转加速度ω_m、电机温度T_m和减速器温度T_R，输出电机参考电流I_f；扩张状态观测器输入机器人关节输出力矩τ以及电机实际电流I_m与K_tb的乘积；I_c与I_f求和，再减去扩张状态观测器的输出z₃与(K_tb)^‑1的乘积，结果作为机器人关节的输入，机器人关节输出力矩τ。本发明能够对大部分扰动进行准确的估计，大大降低扩张状态观测器所需观测的总扰动范围，减少扩张状态观测器的负担。

技术领域

本发明属于机器人技术领域，具体涉及一种基于机器学习前馈模型的自抗扰力矩控制方法。

背景技术

随着科学技术的进步，机器人技术进入了快速发展时期，其应用场景也在不断快速拓展。单纯的位置控制已无法满足人们对机器人应用的需求，力控制是以力/力矩为控制量的一种机器人控制方法，其目的在于控制机器人末端或关节输出的力/力矩，相较于位置控制更适合应用于与人类交互、柔性装配、复杂曲面打磨等诸多需要更精确控制输出力/力矩的场景，因此力/力矩控制成为了机器人控制领域研究热点之一。

力矩控制关节即是机器人的组成的基本单元，也是最小的力控机器人系统。因此关节力矩控制是衡量和制约机器人水平的核心因素。然而相对于控制机器人关节运动的位置和速度，机器人关节的力矩对关节结构、摩擦力因素的影响等更为敏感，力矩信号通常伴随着较为明显波动，控制难度大。而现有的力矩控制方法中，开环力矩控制精度很难保证，而且需要关节可以实现精准建模；闭环控制需要关节中增加弹性元件来降低关节刚度，从而提高控制精度和稳定性，但是降低了控制带宽。

发明内容

针对现有技术中存在不足，本发明提供了一种基于机器学习前馈模型的自抗扰力矩控制方法，利用基于机器学习前馈模型准确估计了部分未知扰动，减少扩张状态观测器的负担；且没有改变被控机器人关节的结构，不影响控制带宽。

本发明是通过以下技术手段实现上述技术目的的。

一种基于机器学习前馈模型的自抗扰力矩控制方法：

PD控制器输入参考力矩τ_d和扩张状态观测器的输出z₁、z₂，输出电流I_c；

机器学习前馈模型输入参考力矩τ_d、电机转速n_m、电机位置p_m、电机温度T_m和减速器温度T_R，输出电机参考电流I_f；

扩张状态观测器输入机器人关节输出力矩τ以及电机实际电流I_m与K_tb的乘积；

所述I_c与I_f求和，再减去扩张状态观测器的输出z₃与(K_tb)^-1的乘积，结果作为机器人关节的输入，机器人关节输出力矩τ；

其中：K_t为电机扭矩系数，参数K为弹簧等效刚度系数，B为电机惯量。

进一步地，所述机器学习前馈模型具体为神经网络前馈模型。

更进一步地，神经网络前馈模型的建立包括数据采集、数据预处理、训练神经网络和神经网络评估。