[发明专利]机器人力控方法、装置、电子设备及可读存储介质

说明书

本申请提供了一种机器人力控方法、装置、电子设备及可读存储介质，涉及机器人技术领域。该方法包括：获得预先训练好的目标DMP模型，该模型基于DMP及ILC算法根据目标期望接触力及目标类型的轨迹训练得到，ILC算法用于学习向DMP模型输入的控制信号，该控制信号作为DMP模型中的与实际接触力相关的耦合项，该控制信号使得DMP模型生成的轨迹跟踪目标期望接触力；利用目标DMP模型规划出目标类型的目标轨迹，以实现对目标期望接触力的跟踪。如此，通过ILC对DMP的耦合项进行迭代更新，可消除新环境的不可知性和不确定性带来的影响，以实现良好的力跟踪效果，并且，可使控制系统的整体结构更加紧凑，便于调试和维护。

技术领域

本申请涉及机器人技术领域，具体而言，涉及一种机器人力控方法、装置、电子设备及可读存储介质。

背景技术

拖动示教是协作机器人区别于传统工业机器人的重要功能，人通过直接拖动机器人示教点位，机器人记录点位、并根据这些点位复现动作轨迹，从而实现方便、快速的工作部署。在实际工作场景中，存在着这样的情况：一些同样类型的任务(如按摩、打磨等)有着相似的轨迹，但仍需重新拖动示教，这在一定程度上降低了工作效率。针对这一问题，Schaal等从生物运动中获取灵感，提出了动态运动基元(Dynamical movementprimitives，DMP)的概念。DMP可以将示教所得轨迹表示为一个非线性动力学系统，并通过改变系统的一些特性对原轨迹进行改变，以适应新的任务场景，而无需重新示教。

目前，DMP多用于根据空间位置信息对轨迹进行改变的场景，主要包括轨迹目标点改变、轨迹通过特定中间点、避障等，但在按摩、打磨等需要力控的场景下应用较少。这主要是由于将DMP用于力控需要实时的力信息来改变速度和加速度，而与新环境的接触具有不可知性和不确定性，因此不易对接触力进行控制。目前较常见的方法是轨迹规划部分使用DMP实现，力控部分仍使用传统的PID控制或阻抗控制方法实现。但是，传统力控方法对于新环境的不可知性和不确定性的鲁棒性不够强，并且，轨迹规划和力控分别进行，使得控制结构较为松散，不便于调试和维护。

发明内容

本申请实施例提供了一种机器人力控方法、装置、电子设备及可读存储介质，其将迭代学习控制ILC与DMP相结合，利用按摩、打磨类任务重复性强的特点，通过ILC对DMP的耦合项进行迭代更新，消除新环境的不可知性和不确定性带来的影响，以实现良好的力跟踪效果，并且，无需额外的力控制器，从而使控制系统的整体结构更加紧凑，便于调试和维护。

本申请的实施例可以这样实现：

第一方面，本申请实施例提供一种机器人力控方法，所述方法包括：

获得预先训练好的目标动态运动基元DMP模型，其中，所述目标DMP模型基于DMP及迭代学习控制ILC算法根据目标期望接触力及目标类型的轨迹训练得到，ILC算法用于学习向DMP模型输入的控制信号，该控制信号作为DMP模型中的与实际接触力相关的耦合项，该控制信号使得DMP模型生成的轨迹跟踪所述目标期望接触力；

利用所述目标DMP模型规划出所述目标类型的目标轨迹，以实现对所述目标期望接触力的跟踪。

第二方面，本申请实施例提供一种机器人力控装置，所述装置包括：

模型获得模块，用于获得预先训练好的目标动态运动基元DMP模型，其中，所述目标DMP模型基于DMP及迭代学习控制ILC算法根据目标期望接触力及目标类型的轨迹训练得到，ILC算法用于学习向DMP模型输入的控制信号，该控制信号作为DMP模型中的与实际接触力相关的耦合项，该控制信号使得DMP模型生成的轨迹跟踪所述目标期望接触力；

轨迹规划模块，用于利用所述目标DMP模型规划出所述目标类型的目标轨迹，以实现对所述目标期望接触力的跟踪。