一种基于5G和循环神经网络的关节摩擦力矩补偿方法技术

本发明专利技术涉及机器人技术领域，具体涉及一种基于5G和循环神经网络的关节摩擦力矩补偿方法，包括以下步骤，步骤S1：利用信息采集器在关节机器人运动过程中实时采集相关信息；步骤S2：信息采集器收集完信息之后，通过摩擦力矩估计器预测下个周期摩擦力矩；步骤S3：控制器将计算得出的当前摩擦力矩补偿量反馈至驱动器，驱动器向关节机器人发出动作指令并使其在下一个控制周期内得到力矩的补偿，从而能实现关节机器人关节跟踪精度的提升；本发明专利技术采用循环神经网络对摩擦模型进行拟合并直接通过模型计算出当前摩擦力矩补偿量，反馈给机器人控制，从而提高系统跟踪精度。

【技术实现步骤摘要】
一种基于5G和循环神经网络的关节摩擦力矩补偿方法
本专利技术涉及机器人
，具体涉及一种基于5G和循环神经网络的关节摩擦力矩补偿方法。
技术介绍
工业机器人关节摩擦是造成机器人关节跟踪精度降低的主要因素之一，尤其是在低速状态下，跟踪精度受关节摩擦的影响更为明显，究其原因主要是因为摩擦在低速下是非线性变化的，而高速下则是线性变化，因此对机器人关节摩擦力矩有效的补偿是提高跟踪精度的关键，而对摩擦模型的建模是对摩擦力矩补偿的关键。目前工业界对摩擦模型分为两类：(1)静态摩擦模型，将摩擦力视为关于速度的函数，如库伦模型等；(2)动态摩擦模型，更多地从微观角度建立摩擦模型，对发现的预滑移现象，采用微分方程的方式来描述，如Dahl模型。当前基于两种摩擦模型的力矩补偿方法都存在着明显的不足：(1)动态摩擦模型，由于参数量的大量增加，以及引入了更多不可测量的量，导致这些模型很难在实际应用中取得成功；(2)静态摩擦模型，由于工业机器人运行过程中，随着关节温度、负载、润滑和磨损等参数的不断变化，以及动摩擦、静摩擦之间的不断转变，使得摩擦力随速度的函数不断变化，无法很好的拟合真实摩擦模型，从而导致基于静态摩擦模型的前馈补偿方法失效，引起机器人关节跟踪精度降低。
技术实现思路
本专利技术针对
技术介绍
所提出的问题设计了一种基于5G和循环神经网络的摩擦模型建模及摩擦力矩补偿方法，该方法通过采用循环神经网络对摩擦模型进行拟合并直接通过模型计算出当前摩擦力矩补偿量，反馈给机器人控制，从而提高系统跟踪精度。在该补偿方法中，系统当前摩擦力不仅和当前的角速度相关还和之前角速度、摩擦力相关，从而间接的考虑到了机器人的温度、负载、润滑、磨损以及动静摩擦切换等因素，故而相比于静态摩擦模型能够更好的对摩擦力矩进行补偿，提高了机器人关节跟踪精度，相比于动态摩擦模型，避免了大量不可测量的量。本专利技术是通过以下技术方案实现的：一种基于5G和循环神经网络的关节摩擦力矩补偿方法，包括以下步骤：步骤S1：利用信息采集器在关节机器人运动过程中实时采集相关信息；步骤S2：信息采集器收集完信息之后，通过摩擦力矩估计器预测下个周期摩擦力矩，其中摩擦力矩估计器通过5G网络与云端模型训练平台之间建立双向数据通信，摩擦力矩估计器的信号输出端还依次与控制器信号输入端、信号采集器输入端、摩擦力矩估计器的信号输入端之间形成一个修正的循环神经网络；步骤S3：控制器将计算得出的当前摩擦力矩补偿量反馈至驱动器，驱动器向关节机器人发出动作指令并使其在下一个控制周期内得到力矩的补偿，从而能实现关节机器人关节跟踪精度的提升。作为上述方案的进一步改进，所述步骤S1中相关信息中包括当前角速度ω、当前力矩M、当前目标速度三组容易获取的信息。作为上述方案的进一步改进，所述相关信息中当前角速度ω、当前力矩M均可直接通过关节机器人上伺服电机读取，而当前目标速度可通过关节机器人中控制器路径规划模块获取。作为上述方案的进一步改进，所述步骤S2中信息采集器的信号输出端即可与所述摩擦力矩估计器的信号输入端电性连接，也可与控制器信号输入端电性连接。作为上述方案的进一步改进，所述步骤S2中摩擦力矩估计器中对摩擦力矩估计是采用5G网络和修正的循环神经网络相结合的方式，循环神经网络的参数可通过5G网络在云端模型训练平台中实时训练获得，摩擦力矩在关节机器人的摩擦力矩估计器内进行实时计算获得。作为上述方案的进一步改进，所述步骤S2中可用修正的循环神经网络对摩擦力矩进行建模，具体流程如下：(a)前向计算：zt＝U1Mt+U2ωt+Wht-1+bht＝f(zt)ot＝Vht+c其中，U1是输入当前力矩—状态权重矩阵，U2是输入当前角速度—状态权重矩阵，W是状态—状态权重矩阵，V是状态—输出权重矩阵，b和c是网络偏置，ht表示t时刻网络中间隐藏层数值,f(.)和σ(.)表示是非线性激活函数，此过程中f(.)采用Sigmoid函数，σ(.)采用Tanh函数，模型输出为预测摩擦力矩Mt表示t-n时刻到t时刻的摩擦力矩向量，ωt表示t-n时刻到t时刻的角速度向量；(b)Loss定义：控制器通过预估的摩擦力矩对当前规划的力矩进行补偿，并反馈到伺服驱动器上，完成摩擦力矩的实时更新，预测下一个周期角速度，将定义为t-1时刻预测的t时刻角速度，此过程使用函数Γ(.)表示，如下：其中Jt为机器人路径规划模块计算的力矩，表示t-1时刻到t时刻角速度增加值，I表示转动惯量，对于关节机器人的某个轴，转动惯量默认为一个恒定值；此过程中将t时刻当前测量角速度ωt和t时刻预测角速度之间的回归损失作为t时刻Loss损失，如下：(c)反向计算：首先，计算Losst对的导数其次，计算Losst对V和对c的导数最后，计算Losst对U1、U2、W和对b的导数(d)权重更新：其中α表示学习率，此过程中α取0.01。与现有技术相比，本专利技术的有益效果是：1、本专利技术采用循环神经网络用于摩擦力力矩估计，相比于传统的全连接网络，不仅考虑当前时刻关节状态信息如角速度、力矩等，还能考虑到机器人关节历史状态信息，且可通过摩擦力矩估计值和摩擦力矩测量值之差去自学习无法测量的动态量信息，如动静摩擦切换、润滑和磨损状态等保存于模型隐藏层内。2、本专利技术中使用的循环神经网络，是基于传统循环神经网络修正之后的模型，不仅使用当前测量值角速度作为输入变量，同时和将当前测量值摩擦力矩作为输入参数，有效提高了模型预测的准确性。3、本专利技术首次采用了基于5G的关节摩擦力矩补偿方法，可以在云端进行模型实时训练，相比于传统的在云端训练，机器人侧推理的方式，该方式可以提高模型的时效性。随着机器人不断的运转，磨损会逐渐加剧，在传统部署方式下，摩擦力矩估计模型无法实现实时更新，因而估计偏差会越来越大，而基于5G的实时训练，则不存在该问题。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的控制流程示意图图；图2为本专利技术中摩擦力矩在摩擦力矩估计器内实时计算的网络结构图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的本文档来自技高网...

【技术保护点】
1.一种基于5G和循环神经网络的关节摩擦力矩补偿方法，其特征在于，包括以下步骤：/n步骤S1：利用信息采集器在关节机器人运动过程中实时采集相关信息；/n步骤S2：信息采集器收集完信息之后，通过摩擦力矩估计器预测下个周期摩擦力矩，其中摩擦力矩估计器通过5G网络与云端模型训练平台之间建立双向数据通信，摩擦力矩估计器的信号输出端还依次与控制器信号输入端、信号采集器输入端、摩擦力矩估计器的信号输入端之间形成一个修正的循环神经网络；/n步骤S3：控制器将计算得出的当前摩擦力矩补偿量反馈至驱动器，驱动器向关节机器人发出动作指令并使其在下一个控制周期内得到力矩的补偿，从而能实现关节机器人关节跟踪精度的提升。/n

【技术特征摘要】
1.一种基于5G和循环神经网络的关节摩擦力矩补偿方法，其特征在于，包括以下步骤：
步骤S1：利用信息采集器在关节机器人运动过程中实时采集相关信息；
步骤S2：信息采集器收集完信息之后，通过摩擦力矩估计器预测下个周期摩擦力矩，其中摩擦力矩估计器通过5G网络与云端模型训练平台之间建立双向数据通信，摩擦力矩估计器的信号输出端还依次与控制器信号输入端、信号采集器输入端、摩擦力矩估计器的信号输入端之间形成一个修正的循环神经网络；
步骤S3：控制器将计算得出的当前摩擦力矩补偿量反馈至驱动器，驱动器向关节机器人发出动作指令并使其在下一个控制周期内得到力矩的补偿，从而能实现关节机器人关节跟踪精度的提升。


2.根据权利要求1所述的一种基于5G和循环神经网络的关节摩擦力矩补偿方法，其特征在于：所述步骤S1中相关信息中包括当前角速度ω、当前力矩M、当前目标速度三组容易获取的信息。


3.根据权利要求2所述的一种基于5G和循环神经网络的关节摩擦力矩补偿方法，其特征在于：所述相关信息中当前角速度ω、当前力矩M均可直接通过关节机器人上伺服电机读取，而当前目标速度可通过关节机器人中控制器路径规划模块获取。


4.根据权利要求1所述的一种基于5G和循环神经网络的关节摩擦力矩补偿方法，其特征在于：所述步骤S2中信息采集器的信号输出端即可与所述摩擦力矩估计器的信号输入端电性连接，也可与控制器信号输入端电性连接。


5.根据权利要求1所述的一种基于5G和循环神经网络的关节摩擦力矩补偿方法，其特征在于：所述步骤S2中摩擦力矩估计器中对摩擦力矩估计是采用5G网络和修正的循环神经网络相结合的方式，循环神经网络的参数可通过5G网络在云端模型训练平台中实时训练获得，摩擦力矩在关节机器人的摩擦力矩估计器内进行实时计算获得。


6.根据权利要求1所述的一种基于5G...

【专利技术属性】
技术研发人员：孙坚，周凯强，
申请(专利权)人：宁波智诚祥科技发展有限公司，
类型：发明
国别省市：浙江;33