基于反馈校正的GRU神经网络机器人柔性关节补偿控制方法技术

本发明专利技术公开一种基于反馈校正的GRU神经网络机器人柔性关节补偿控制方法，针对负载转矩传感器的情况下，通过反映负载大小变化的电机驱动电流与关节扭转角之间的特性，描述关节在不同负载下的迟滞特性，在GRU神经网络的基础上引入反馈结构，利用模型输出值与期望输出值之间的误差组成补偿量，反馈给GRU神经网络模型，用于校正GRU神经网络模型的输出值，以提高关节的GRU神经网络模型精度。柔性关节迟滞模型预测随负载变化的扭转角，作为补偿量，修改关节的角度设定值，从关节输入端，间接实现对关节迟滞特性造成误差的有效补偿。本发明专利技术是一种低成本补偿控制方法，有利于低成本高精度轻型工业机器人的高端智能制造中的大量普及。型工业机器人的高端智能制造中的大量普及。型工业机器人的高端智能制造中的大量普及。

【技术实现步骤摘要】
基于反馈校正的GRU神经网络机器人柔性关节补偿控制方法


[0001]本专利技术涉及机器人控制
，具体涉及一种基于反馈校正的GRU(Gated Recurrent Unit，门控循环单元)神经网络机器人柔性关节补偿控制方法。

技术介绍

[0002]轻型工业机器人凭借着安全、易用、灵活等优势，在3C、焊接、医疗、零部件装配和无人零售等领域得到越来越广泛的应用。轻型工业机器人关节和臂杆的结构设计通常使机器人在轻质量下得到尽可能高的负载比，满足小型化、精细化需求的同时带来了柔性。关节和臂杆的柔性化导致机器人在运动过程中的稳定性下降，其中柔性关节对机器人的动力学性能、定位精度和运动平稳性起决定性作用。然而，由于弹性形变、非线性摩擦、齿隙和装配误差等因素的存在，使柔性关节的输入输出表现出复杂的迟滞特性，严重影响了机器人的动态性能和控制精度。
[0003]随着人工智能技术的发展，基于数据驱动的建模方法被广泛应用到各个领域，其中机器学习方法凭借着强大的非线性拟合能力成为主流的数据驱动方法，并在迟滞建模领域得到应用。迟滞特性表现出的多值对应关系使传统前馈神经网络无能为力，常见的方法是通过扩展输入空间将输入输出关系映射成单值对应问题后，再使用神经网络去拟合。然而，由于轻型工业机器人柔性关节表现为强非线性、非对称的复杂迟滞特性，已有迟滞模型难以准确描述其特有的迟滞特性。此外，未配置负载转矩传感器的低成本关节执行器也给迟滞特性的建模与补偿带来困难。

技术实现思路

[0004]本专利技术针对无负载转矩传感器情况下，现有迟滞建模方法不能准确描述关节特殊的复杂迟滞特性的问题，提供一种基于反馈校正的GRU神经网络机器人柔性关节补偿控制方法。
[0005]为解决上述问题，本专利技术是通过以下技术方案实现的：
[0006]基于反馈校正的GRU神经网络机器人柔性关节补偿控制方法，其包括步骤如下：
[0007]步骤1、对机器人柔性关节在t时刻的输入电流i
<t>
进行卡尔曼滤波Kalman(i
<t>
)后作为改进的GRU神经网络的输入层在t时刻的第一输入信号；同时将改进的GRU神经网络在t
‑
1时刻的输出信号Δθ
<t
‑
1>
作为改进的GRU神经网络的输入层在t时刻的第二输入信号；
[0008]步骤2、先将机器人柔性关节在t
‑
1时刻的角度设定值与机器人柔性关节在t
‑
1时刻的角度测量值作差，得到机器人柔性关节在t
‑
1时刻的扭转角Δθ
d<t
‑
1>
，其中Δθ
d<t
‑
1>
＝θ
d<t
‑
1>
‑
θ
c<t
‑
1>
；再将机器人柔性关节在t
‑
1时刻的扭转角Δθ
d<t
‑
1>
与改进的GRU神经网络在t
‑
1时刻的输出信号Δθ
<t
‑
1>
作差，得到t
‑
1时刻的扭转角的建模误差e
<t
‑
1>
，其中e
<t
‑
1>
＝Δθ
d<t
‑
1>
‑
Δθ
<t
‑
1>
；后将t
‑
1时刻的扭转角的建模误差e
<t
‑
1>
作为改进的GRU神经网络在t时刻的输出补偿信号；
[0009]步骤3、基于改进的GRU神经网络的输入层在t时刻的第一输入信号、第二输入信号和输出补偿信号，改进的GRU神经网络的隐藏层将输入电流(第一输入信号)与输出扭转角(第二输入信号)的历史信息建立关联，并通过建模误差(输出补偿信号)来修正改进的GRU神经网络的输出，得到改进的GRU神经网络的输出层在t时刻的输出信号Δθ
<t>
，以提高改进的GRU神经网络的关节建模精度；
[0010]步骤4、利用改进的GRU神经网络的输出层在t时刻的输出信号Δθ
<t>
对机器人柔性关节在t时刻的角度设定值进行补偿，得到机器人柔性关节在t时刻补偿后的角度设定值其中并将机器人柔性关节在t时刻补偿后的角度设定值提供给机器人柔性关节的控制端，达到提高关节角度执行精度的目的。
[0011]改进的GRU神经网络的数学模型如下：
[0012][0013]其中，Δθ
<t>
表示改进的GRU神经网络在t时刻的输出信号，Δθ
y<t>
表示改进的GRU神经网络在t时刻的中间输出信号，β表示补偿系数，e
<t
‑
1>
表示表示改进的GRU神经网络在t时刻的输出补偿信号，表示改进的GRU神经网络在t时刻的更新门状态，表示改进的GRU神经网络在t时刻的重置门状态，表示改进的GRU神经网络在t时刻的隐状态，表示改进的GRU神经网络在t时刻的第一输入信号，表示改进的GRU神经网络在t时刻的第一输入信号，表示改进的GRU神经网络在t时刻的第二输入信号，进的GRU神经网络在t时刻的第二输入信号，表示改进的GRU神经网络在t
‑
1时刻的中间输出信号，W
z1
、W
r1
和W1分别表示更新门、重置门和隐状态中与第一输入信号对应的权值，W
z2
、W
r2
和W2分别表示更新门、重置门和隐状态中与第二输入信号对应的权值，U
z
、U
r
和U分别表示更新门、重置门和隐状态中与中间输出信号对应的权值；和b
y
分别表示更新门、重置门和隐状态的偏置向量；σ(
·
)表示sigmoid激活函数；tanh(
·
)表示双曲正切激活函数；
⊙
表示Hadamard乘积。
[0014]与现有技术相比，本专利技术针对负载转矩传感器的情况下，通过反映负载大小变化的电机驱动电流与关节扭转角之间的特性，描述关节在不同负载下的迟滞特性，提出一种基于反馈校正的GRU神经网络的机器人柔性关节迟滞模型，其在GRU本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于反馈校正的GRU神经网络机器人柔性关节补偿控制方法，其特征是，其包括步骤如下：步骤1、对机器人柔性关节在t时刻的输入电流i
<t>
进行卡尔曼滤波后作为改进的GRU神经网络的输入层在t时刻的第一输入信号；同时将改进的GRU神经网络在t
‑
1时刻的输出信号Δθ
<t
‑
1>
作为改进的GRU神经网络的输入层在t时刻的第二输入信号；步骤2、先将机器人柔性关节在t
‑
1时刻的角度设定值与机器人柔性关节在t
‑
1时刻的角度测量值作差，得到机器人柔性关节在t
‑
1时刻的扭转角Δθ
d<t
‑
1>
，其中Δθ
d<t
‑
1>
＝θ
d<t
‑
1>
‑
θ
c<t
‑
1>
；再将机器人柔性关节在t
‑
1时刻的扭转角Δθ
d<t
‑
1>
与改进的GRU神经网络在t
‑
1时刻的输出信号Δθ
<t
‑
1>
作差，得到t
‑
1时刻的扭转角的建模误差e
<t
‑
1>
，其中e
<t
‑
1>
＝Δθ
d<t
‑
1>
‑
Δθ
<t
‑
1>
；后将t
‑
1时刻的扭转角的建模误差e
<t
‑
1>
作为改进的GRU神经网络在t时刻的输出...

【专利技术属性】
技术研发人员：党选举，张一晨，原翰玫，李晓，伍锡如，张向文，张斌，季运佳，邹水中，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：