[发明专利]GRU的柔性关节迟滞特性建模与补偿控制方法

说明书

本发明公开一种GRU的柔性关节迟滞特性建模与补偿控制方法，对于未配置负载转矩传感器的低成本轻型工业机器人柔性关节，采用电机驱动电流‑电机端扭转角间接描述关节迟滞特性，将关节迟滞特性中正逆程特有的特征融入GRU神经网络迟滞模型中，利用基于卡尔曼滤波的电流增量，提取正程和逆程的特征，描述电流‑电机端扭转角迟滞特性中正逆程所表现出的多值特性，并将模型的历史值作为输入模型，构造具有记忆能力和非线性映射能力的动态GRU神经网络迟滞模型，获得电机端扭转角。基于迟滞模型，对电机端的控制角度设定值的有效补偿控制，实现关节角度的高精度传递，减小关节结构及负载对关节性能的影响。

技术领域

本发明涉及机器人技术领域，具体涉及一种GRU的柔性关节迟滞特性建模与补偿控制方法。

背景技术

在3C、医疗和无人零售等领域， 为了满足在未知环境中工作的安全性，需要在轻型工业机器人中引入柔性，但轻型工业机器人的柔性关节执行器表现出的复杂迟滞特性，却严重影响了关节的动态性能和传动精度。轻型工业机器人关节迟滞特性产生的原因有很多， 如关节柔性、非线性摩擦、齿轮背隙和装配误差等都会使关节产生复杂的迟滞特性。由于柔性关节迟滞特性受到诸多因素的影响表现出高度非线性， 因此基于经典迟滞建模方法很难应对所有影响因素。

基于数据驱动的建模方法通过研究系统的相关数据， 能够获取其中的规律，可以有效描述由多种因素引起的复杂迟滞特性。机器学习算法有着强大的非线性映射能力和泛化能力，可以学习到隐藏在数据背后的抽象规律， 成为主流的数据驱动方法， 并在迟滞建模领域得到应用。然而直接将神经网络运用到迟滞建模中无法准确描述迟滞特性：有文献提出一种多分支BP神经网络模型可以有效避免神经网络迟滞建模过程中的过拟合现象；有文献在循环神经网络的基础上，将迟滞模型分成了迟滞子模型和频率子模型， 使模型能够准确描述迟滞特性的频率相关性。然而， 上述文献在建模过程中没有直接考虑迟滞所表现出的多值对应和极值点特性(非光滑特征)，通过间接方式考虑迟滞相关特性， 设计的结构复杂的迟滞模型， 不利于工程实现与应用。

此外， 目前机器人关节迟滞特性建模需要依赖多种传感器的支持： 有文献构建了关节输出角度与关节输出转矩之间的迟滞非线性关系， 用于描述不同刚度下的关节输出转矩； 如有文献针对机器人关节中表现的迟滞特性， 构建了磁流变离合器中电流与转矩之间的迟滞非线性特性， 并提出了一种转矩补偿算法， 提高了柔性关节的控制精度。然而， 上述文献中的关节迟滞特性建模方法， 均是以机器人关节配置转矩传感器为前提，但是对于未配置负载转矩传感器的低成本轻型工业机器人柔性关节，通过迟滞特性的高精度建模，并基于模型的补偿控制提高低成本、轻型工业机器人关节传动精度， 却是工程中急需解决的问题。

发明内容

本发明针对未配置负载转矩传感器的低成本、轻型工业机器人柔性关节表现出的复杂迟滞特性高精度补偿控制问题，提供一种GRU的柔性关节迟滞特性建模与补偿控制方法。

为解决上述问题，本发明是通过以下技术方案实现的：

GRU的柔性关节迟滞特性建模与补偿控制方法，包括步骤如下：

步骤1、关节电流传感器采样机器人柔性关节当前时刻k时刻的电机驱动电流x(k)；

步骤2、对当前时刻k时刻的电机驱动电流x(k)进行卡尔曼滤波，得到当前时刻k时刻的预处理后电流信号x_f(k)；

步骤3、对当前时刻k时刻的预处理后电流信号x_f(k)进行卡尔曼滤波，得到当前时刻k时刻的滤波后电流信号x_ff(k)；