一种机器人谐波传动关节实际力矩值的获取方法及装置制造方法及图纸

本发明专利技术公开了一种机器人谐波传动关节实际力矩值的获取方法，方法包括：1)、利用谐波传动关节柔性误差模型获取谐波传动关节输出力矩模型值的集合；2)、获取样本数据集合，使用样本数据集合训练机器学习模型，然后根据谐波传动关节的电机端的位置信号、谐波传动关节的连杆端的位置信号以及电机电流数据，获取谐波传动关节输出力矩的预测值；3)、对谐波传动关节输出力矩模型值以及预测值均值进行滤波处理，得到谐波传动关节输出力矩模型值对应的实际力矩值。本发明专利技术公开了一种机器人谐波传动关节实际力矩值的获取装置。应用本发明专利技术实施例，可以提高获取的机器人谐波传动关节实际力矩值的准确性。

【技术实现步骤摘要】
一种机器人谐波传动关节实际力矩值的获取方法及装置
本专利技术涉及一种力矩值的获取方法及装置，更具体涉及一种机器人谐波传动关节实际力矩值的获取方法及装置。
技术介绍
基于柔性误差模型，利用电机电流、电机端位置信息和连杆端位置信息，可以测量谐波传动关节实际力矩。但是，利用电机端和连杆端的位置误差来拟合谐波传动关节实际力矩时，对谐波传动关节柔性进行建模需要精确的参数。模型中的参数选择直接影响柔性模型精度。谐波传动柔性建模过程中，大多使用的是拟合公式和经验公式，导致模型产生固有误差。因此，现有技术中存在获取的机器人谐波传动关节实际力矩值的精确性不高的问题。
技术实现思路
本专利技术所要解决的技术问题在于提供了一种机器人谐波传动关节实际力矩值的获取方法及装置，以提高获取的机器人谐波传动关节实际力矩值的准确性。本专利技术是通过以下技术方案解决上述技术问题的：本专利技术实施例提供了一种机器人谐波传动关节实际力矩值的获取方法，所述方法包括：1)、利用谐波传动关节柔性误差模型，根据谐波传动关节的电机端的位置信号、谐波传动关节的连杆端的位置信号以及电机电流数据获取谐波传动关节输出力矩模型值的集合；2)、获取样本数据集合，使用所述样本数据集合训练机器学习模型，然后根据所述谐波传动关节的电机端的位置信号、谐波传动关节的连杆端的位置信号以及电机电流数据，获取所述谐波传动关节输出力矩的预测值；3)、对所述谐波传动关节输出力矩模型值以及所述预测值均值进行滤波处理，得到所述谐波传动关节输出力矩模型值对应的实际力矩值。可选的，所述步骤1)，包括：利用公式，计算谐波传动关节的谐波传动变形角度，其中，Δθf为谐波传动关节的谐波传动变形角度；qd为谐波传动关节的连杆端的位置信号；qm为电机端的位置信号；sgn()为符号函数；Kω为谐波传动关节中的波发生器的刚度系数；Ii为电机电流；cω为谐波传动关节中的波发生器的滞后系数；l为谐波传动关节中的谐波减速器减速比；e为自然底数；||为求模函数；θerr为电机输端与连接杆输出端之间的柔性误差；i为电机电流参数的数量；利用公式，计算柔性传动扭转角，其中，Δθ为柔性传动扭转角；Δθω为波发生器的输入的扭转角；为波发生器输出扭转角；l谐波传动关节变速器的传动比；利用公式，τf＝a1Δθ+a2Δθ2+a3Δθ3，计算谐波传动关节柔性输出力矩，进而获取谐波传动关节输出力矩模型值的集合，其中，τf为谐波传动关节柔性输出力矩；a1为预设的第一参数；a2为预设的第二参数；a3为预设的第三参数；利用公式，计算谐波传动关节输出力矩模型值，其中，τmodel为谐波传动关节输出力矩模型值；tan()为正切函数；cf为预设的第一常量；Kfo为预设的第二常量。可选的，所述步骤2)包括：A：以所述谐波传动关节实际输出力矩值为目标，将所述样本数据集合分成多个子集合，然后将各个子集合分别输入各个局部高斯过程机器学习模型中进行训练，其中，所述样本数据包括：谐波传动关节的电机端的位置信号、谐波传动关节的连杆端的位置信号、电机电流数据以及谐波传动关节的实际力矩值；B：将步骤1)中的谐波传动关节的电机端的位置信号、谐波传动关节的连杆端的位置信号以及电机电流数据输入到所述训练后得到的局部高斯过程机器学习模型中，计算所述样本数据到各个局部高斯过程机器学习模型的距离，并获取距离最大值对应的局部高斯过程机器学习模型；C：获取所述谐波传动关节输出力矩的位置因子，判断所述位置因子中的各个距离参数中的最大值是否小于预设阈值；D：若是，更新局部高斯过程机器学习模型，并将更新后的局部高斯过程机器学习模型的中心点作为新的拟合点；返回执行所述B步骤，直至所述C步骤的判断结果为否；E：若否，根据各个局部高斯过程机器学习模型输出的所述谐波传动关节输出力矩的预测值的加权平均值，计算所述谐波传动关节输出力矩的预测值对应的预测值均值。可选的，所述步骤A包括：A1：将所述样本数据集合分成多个子集合，然后将各个子集合分别输入各个局部高斯过程机器学习模型中进行训练，其中，所述子集合是根据所述子集合中的样本数据的位置因子与所述局部高斯过程机器学习模型的中心点的距离确定的；A2：针对各个局部高斯过程机器学习模型，利用公式，计算预测值均值，其中，f(x*)为预测值均值；y为上一次迭代的局部高斯过程机器学习模型的预测值；α为预测向量；x*为样本数据；为高斯噪声的方差；I为训练样本的电流矩阵；()T为转置矩阵；K为当前次迭代时的协方差矩阵；A3：利用公式，计算当前次迭代时初始预测值对应的协方差，其中，V(x*)为当前次迭代时初始预测值对应的协方差；k()为协方差计算函数；k*为所述局部高斯过程机器学习模型在上次迭代时的协方差；K为协方差矩阵；x*为样本数据；为高斯噪声的方差；I为训练样本的电流矩阵；()T为转置矩阵；A4：判断所述协方差与预设的协方差之间的差值，以及预测均值与实际力矩值的差值是否均在预设范围内；A5：若是，将所述局部高斯过程机器学习模型作为训练后的局部高斯过程机器学习模型；A6：若否，更新局部高斯过程机器学习模型的参数，并返回执行A2步骤，直至得到训练后的局部高斯过程机器学习模型。可选的，获取所述谐波传动关节输出力矩的位置因子，包括：利用公式，计算谐波传动关节输出力矩的位置因子，其中，wk为谐波传动关节输出力矩模型值相对于第k个局部高斯过程机器学习模型的位置参数；exp()为以自然底数为底的指数函数；x为输入样本数据的子集合；ck为各个局部高斯过程机器学习模型的中心点的位置参数；()T为转置矩阵；W为与局部高斯过程机器学习模型宽度相同的对角矩阵；k为局部高斯过程机器学习模型的个数；利用公式，w(x,o)＝[w1,...,wk]，获取谐波传动关节输出力矩的位置因子，其中，w(x,o)为输入样本对应的谐波传动关节数据力矩的位置因子；x为输入样本数据的子集合；o为各个局部高斯过程机器学习模型的中心点构成的矩阵；w1为谐波传动关节输出力矩模型值相对于第1个局部高斯过程机器学习模型的位置参数；wk为谐波传动关节输出力矩模型值相对于第k个局部高斯过程机器学习模型的位置参数。可选的，所述更新局部高斯过程机器学习模型，包括：获取新的局部高斯过程机器学习模型，并将所述新的局部高斯过程机器学习模型中作为更新后的局部高斯过程机器学习模型。可选的，所述步骤E，包括：利用公式，获取样本数据在各个局部高斯过程机器学习模型中出现的概率，其中，p(k|x)为样本数据x在第k个局部高斯过程机器学习模型中出现的概率；x为样本数据；k为局部高斯过程机器学习模型的数量；M为获取的与所述谐波传动关节输出力矩模型值对应的局部高斯过程机器学习模型的个数；wk为谐波传动关节输出力矩模型值相对于第k个局部高斯过程机器学习模型的位置参数；利用公式，计算谐波传动关节输出力矩模型值对应的预测值均值，其中，为谐波传动关节输出力矩模型值对应的预测值均值；为第k个局部高斯过程机器学习模型的预测值。本专利技术实施例提供了一种机器人谐波传动关节实际力矩值的获取装置，所述装置包括：输出模块，用于利用谐波传动关节柔性误差模型，根据谐波传动关节的电机端的位置信号、谐波传动关节的连杆端的位置信号以及电机电流数据获取谐波传动关节输出力矩模型值的集合；获取本文档来自技高网...

【技术保护点】
1.一种机器人谐波传动关节实际力矩值的获取方法，其特征在于，所述方法包括：1)、利用谐波传动关节柔性误差模型，根据谐波传动关节的电机端的位置信号、谐波传动关节的连杆端的位置信号以及电机电流数据获取谐波传动关节输出力矩模型值的集合；2)、获取样本数据集合，使用所述样本数据集合训练机器学习模型，然后根据所述谐波传动关节的电机端的位置信号、谐波传动关节的连杆端的位置信号以及电机电流数据，获取所述谐波传动关节输出力矩的预测值；3)、对所述谐波传动关节输出力矩模型值以及所述预测值均值进行滤波处理，得到所述谐波传动关节输出力矩模型值对应的实际力矩值。

【技术特征摘要】
1.一种机器人谐波传动关节实际力矩值的获取方法，其特征在于，所述方法包括：1)、利用谐波传动关节柔性误差模型，根据谐波传动关节的电机端的位置信号、谐波传动关节的连杆端的位置信号以及电机电流数据获取谐波传动关节输出力矩模型值的集合；2)、获取样本数据集合，使用所述样本数据集合训练机器学习模型，然后根据所述谐波传动关节的电机端的位置信号、谐波传动关节的连杆端的位置信号以及电机电流数据，获取所述谐波传动关节输出力矩的预测值；3)、对所述谐波传动关节输出力矩模型值以及所述预测值均值进行滤波处理，得到所述谐波传动关节输出力矩模型值对应的实际力矩值。2.根据权利要求1所述的一种机器人谐波传动关节实际力矩值的获取方法，其特征在于，所述步骤1)，包括：利用公式，计算谐波传动关节的谐波传动变形角度，其中，Δθf为谐波传动关节的谐波传动变形角度；qd为谐波传动关节的连杆端的位置信号；qm为电机端的位置信号；sgn()为符号函数；Kω为谐波传动关节中的波发生器的刚度系数；Ii为电机电流；cω为谐波传动关节中的波发生器的滞后系数；l为谐波传动关节中的谐波减速器减速比；e为自然底数；||为求模函数；θerr为电机输端与连接杆输出端之间的柔性误差；i为电机电流参数的数量；利用公式，计算柔性传动扭转角，其中，Δθ为柔性传动扭转角；Δθω为波发生器的输入的扭转角；为波发生器输出扭转角；l谐波传动关节变速器的传动比；利用公式，τf＝a1Δθ+a2Δθ2+a3Δθ3，计算谐波传动关节柔性输出力矩，进而获取谐波传动关节输出力矩模型值的集合，其中，τf为谐波传动关节柔性输出力矩；a1为预设的第一参数；a2为预设的第二参数；a3为预设的第三参数；利用公式，计算谐波传动关节输出力矩模型值，其中，τmodel为谐波传动关节输出力矩模型值；tan()为正切函数；cf为预设的第一常量；Kfo为预设的第二常量。3.根据权利要求1所述的一种机器人谐波传动关节实际力矩值的获取方法，其特征在于，所述步骤2)包括：A：以所述谐波传动关节实际输出力矩值为目标，将所述样本数据集合分成多个子集合，然后将各个子集合分别输入各个局部高斯过程机器学习模型中进行训练，其中，所述样本数据包括：谐波传动关节的电机端的位置信号、谐波传动关节的连杆端的位置信号、电机电流数据以及谐波传动关节的实际力矩值；B：将步骤1)中的谐波传动关节的电机端的位置信号、谐波传动关节的连杆端的位置信号以及电机电流数据输入到所述训练后得到的局部高斯过程机器学习模型中，计算所述样本数据到各个局部高斯过程机器学习模型的距离，并获取距离最大值对应的局部高斯过程机器学习模型；C：获取所述谐波传动关节输出力矩的位置因子，判断所述位置因子中的各个距离参数中的最大值是否小于预设阈值；D：若是，更新局部高斯过程机器学习模型，并将更新后的局部高斯过程机器学习模型的中心点作为新的拟合点；返回执行所述B步骤，直至所述C步骤的判断结果为否；E：若否，根据各个局部高斯过程机器学习模型输出的所述谐波传动关节输出力矩的预测值的加权平均值，计算所述谐波传动关节输出力矩的预测值对应的预测值均值。4.根据权利要求3所述的一种机器人谐波传动关节实际力矩值的获取方法，其特征在于，所述步骤A包括：A1：将所述样本数据集合分成多个子集合，然后将各个子集合分别输入各个局部高斯过程机器学习模型中进行训练，其中，所述子集合是根据所述子集合中的样本数据的位置因子与所述局部高斯过程机器学习模型的中心点的距离确定的；A2：针对各个局部高斯过程机器学习模型，利用公式，计算预测值均值，其中，f(x*)为预测值均值；y为上一次迭代的局部高斯过程机器学习模型的预测值；α为预测向量；x*为样本数据；为高斯噪声的方差；I为训练样本的电流矩阵；()T为转置矩阵；K为当前次迭代时的协方差矩阵；A3：利用公式，计算当前次迭代时初始预测值对应的协方差，其中，V(x*)为当前次迭代时初始预测值对应的协方差；k()为协方差计算函数；k*为所述局部高斯过程机器学习模型在上次迭代时的协方差；K为协方差矩阵；x*为样本数据；为高斯噪声的方差；I为训练样本的电流矩阵；()T为转置矩阵；A4：判断所述协方差与预设的协方差之间的差值，以及预测均值与实际力矩值的差值是否均在预设范围内；A5：若是，将所述局部高斯过程机器学习模型作为训练后的局部高斯过程机器学习模型；A6：若否，更新局部高斯过程机器学习模型的参数，并返回执行A2步骤，直至得到训练后的局部高斯过程机器学习模型。5.根据权利要求3所述的一种机器人谐波传动关节实际力矩值的获取方法，其特征在于，获取所述谐波传动关节输出力矩的位置因子，包括：利用公式，计算谐波传动关节输出力矩的位置因子，其中，wk为谐波传动关节输出力矩模型值相对于第k个局部高斯过程机器学习模型的位置参数；exp()为以自然底数为底的指数函数；x为输入样本数据的子集合；ck为各个局部高斯过程机器学习模型的中心点的位置参数；()T为转置矩阵；W为与局部高斯过程机器学习模型宽度相同的对角矩阵；k为局部高斯过程机器学习模型的个数；利用公式，w(x,o)＝[w1,...,wk]，获取谐波传动关节输出力矩的位置因子，其中，w(x,o)为输入样本对应的谐波传动关节数据力矩的位置因子；x为输入样本数据的子集合；o为各个局部高斯过程机器学习模型的中心点构成的矩阵；w1为谐波传动关节输出力矩模型值相对于第1个局部高斯过程机器学习模型的位置参数；wk为谐波传动关节输出力矩模型值相对于第k个局部高斯过程机器学习模型的位置参数。6.根据权利要求3所述的一种机器人谐波传动关节实际力矩值的获取方法，其特征在于，所述更新局部高斯过程机器学习模型，包括：获取新的局部高斯过程机器学习模型，并将所述新的局部高斯过程机器学习模型中作为更新后的局部高斯过程机器学习模型。7.根据权利要求3所述的一种机器人谐波传动关节实际力矩值的获取方法，其特征在于，所述步骤E，包括：利用公式，获取样本数据在各个局部高斯过程机器学习模型中出现的概率，其中，p(k|x)为样本数据x在第k个局部高斯过程机器学习模型中出现的概率；x为样本数据；k为局部高斯过程机器学习模型的数量；M为获取的与所述谐波传动关节输出力矩模型值对应的局部高斯过程机器学习模型的个数；wk为谐波传动关节输出力矩模型值相对于第k个局部高斯过程机器学习模型的位置参数；利用公式，计算谐波传动关节输出力矩模型值对应的预测值均值，其中，为谐波传动关节输出力矩模型值对应的预测值均值；为第k个局部高斯过程机器学习模型的预测值。8.一...

【专利技术属性】
技术研发人员：夏科睿，丁亮，石胜君，张成林，刘鹏飞，王飞，
申请(专利权)人：哈工大机器人集团股份有限公司，
类型：发明
国别省市：黑龙江,23