【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。