复合机器人车臂协调动力学最优激励与高精度辨识方法技术

本发明专利技术属于机器人模型辨识领域，公开了一种复合机器人车臂协调动力学最优激励与高精度辨识方法，本发明专利技术通过复合机器人车臂协调运动的动力学递推模型设计非奇异线性化回归方程，然后基于有限项傅立叶级数和动力学回归矩阵加权条件数设计车臂协调运动的最优激励轨迹，并基于异常数据抑制和测量噪声先验知识设计动力学参数的高精度自适应加权迭代求解算法，最终实现复合机器人车臂协调动力学模型的高精度鲁棒辨识。本发明专利技术方法能够实现车臂协调全状态动力学线性化建模与最优同步激励，同时面向测量噪声和异常数据实现动力学模型参数的高精度鲁棒辨识，最终有效提升复合机器人模型辨识的准确性和物理一致性。型辨识的准确性和物理一致性。型辨识的准确性和物理一致性。

【技术实现步骤摘要】
复合机器人车臂协调动力学最优激励与高精度辨识方法


[0001]本专利技术属于机器人模型辨识领域，尤其涉及一种复合机器人车臂协调动力学最优激励与高精度辨识方法。

技术介绍

[0002]复合机器人的动力学模型是其运动控制算法开发和物理一致性仿真的重要基础，同时被用于设计干扰观测器和虚拟力/力矩传感器等以提升控制系统的响应性能，可见动力学模型的准确性直接影响复合机器人的作业效率及精度。然而在实际工程中难以准确获取复合机器人的动力学模型参数，比如直接测量方法不能确定复杂结构件惯量参数且忽略关节摩擦特性、CAD软件因电机/减速器/电缆等模型简化也无法有效计算动力学参数。因此，通过实验激励辨识复合机器人的动力学参数是行之有效的唯一途径，并且具有重要的工程意义和实际价值。
[0003]机器人动力学模型辨识技术是基于实验激励数据最小化理论模型输出与实际系统输出的偏差来估计模型参数，已有研究主要围绕串联机械臂的线性化动力学模型推导、激励轨迹设计、动力学模型参数求解等方面形成了丰富成果，但较少涉及复合机器人的动力学模型辨识。现有机器人动力学模型构建方法难以有效考虑关节摩擦影响，如库仑摩擦、粘滞摩擦、静态摩擦等将影响动力学建模的准确性；同时动力学线性化回归矩阵的奇异性也将影响模型参数辨识的准确性，对此已有最小惯量参数集构造、岭回归分析、正交三角分解等方法被提出来解决上述问题。此外，有效设计激励轨迹充分体现复合机器人的运动特性并且抑制实验中的外界干扰及测量噪声，是准确辨识其动力学模型参数的前提条件，现有方法多以机器人动力学回归矩阵的整体条件数作为优化指标来求解激励轨迹的最优参数，但相似条件数也可导致不同的激励效果或违背系统的物理特性，并且无法实现复合机器人车
‑
臂协调运动的同步激励。而现有机器人动力学模型参数求解的相关方法，如拟牛顿法、卡尔曼滤波、最小二乘回归、最大似然估计、粒子群优化等，均很少考虑实验过程中的异常数据和噪声对辨识精度的不利影响。因此目前复合机器人的动力学辨识技术在全状态线性化建模、车
‑
臂协调运动激励轨迹设计、动力学参数高精度求解等方面仍存在诸多挑战。

技术实现思路

[0004]本专利技术目的在于提供一种复合机器人车臂协调动力学最优激励与高精度辨识方法，以解决上述的技术问题。
[0005]为解决上述技术问题，本专利技术的复合机器人车臂协调动力学最优激励与高精度辨识方法的具体技术方案如下：
[0006]复合机器人车臂协调动力学最优激励与高精度辨识方法，包括如下步骤：
[0007]S1：基于牛顿
‑
欧拉递推方程设计复合机器人车臂协调运动的线性化动力学模型，通
[0008]过QR分解得到非奇异线性化回归方程，实现全状态动力学建模；
[0009]S2：基于复合机器人线性化动力学模型回归矩阵及其动态子矩阵的加权条件数构造优化泛函，并采用有限项傅立叶级数设计车臂协调动力学的最优同步激励轨迹，提升机
[0010]器人动态特性激励效果和模型参数物理一致性；
[0011]S3：基于测量噪声协方差矩阵正则化和异常数据加权抑制设计车臂协调动力学模型参数的自适应加权迭代最小二乘求解算法，并设计测试轨迹验证参数辨识结果的有效性，实现复合机器人动力学模型的高精度鲁棒辨识。
[0012]进一步地，所述步骤1包括基于牛顿
‑
欧拉递推方程构建复合机器人操作臂各连杆的线性化动力学模型，公式如下
[0013][0014]公式(1)中代表连杆i单独运动时关节i所需的的驱动力及力矩
[0015]且分别代表关节i的线加速度和重力加速度，代表关节i的角速度，m
i
代表连杆i的质量，代表连杆i的质心，代表连杆i相对其连杆坐标系的惯量矩向量，β
i
＝[I
ai
,F
ci
,F
si
,F
vi
]T
且I
ai
、F
ci
、F
si
、F
vi
分别代表关节i的转动惯量、库仑摩擦、静态摩擦和粘滞摩擦系数，
[0016]代表关节i的摩擦力矩观测矩阵，其中ω
s
>0代表静态摩擦的角速度阈值；算子分别代表操作向量的反对称矩阵和惯量矩左乘矩阵；代表连杆i的线性化动力学回归矩阵，Φ
i
＝[m
i
,m
i
c
i
,I
i
,β
i
]T
代表连杆i的未知惯量参数。
[0017]进一步地，所述步骤1包括构建复合机器人全向移动平台的线性化动力学模型，公式如下
[0018][0019]公式(2)中表示移动平台的笛卡尔空间坐标，表示移动平台的笛卡尔空间坐标，表示移动平台麦克纳姆轮组的驱动力矩，代表驱动力矩转换矩阵，m
O
、I
O
分别代表移动平台的质量和转动惯量，β
O
＝[F
Ovx
,F
Ovy
,F
Ovz
,F
Ocx
,F
Ocy
,F
Ocz
]T
代表移动平台沿平移轴x
O
、y
O
和旋转轴z
O
方向的粘滞摩擦系数及库仑摩擦系数，其中算子和代表移动平台摩擦力矩观测矩阵；Φ
O
＝[m
O
,I
O
,β
O
]T
分别代表移动平台的线性化动力学回归矩阵和未知惯量参数。
[0020]进一步地，所述步骤1包括基于公式(1)和公式(2)，设计复合机器人车
‑
臂协调运
动的全状态线性化动力学模型，公式如下
[0021][0022]公式(3)中表示驱动力矩且τ1,
…
,τ
n
表示操作臂各关节驱动力矩；分别代表线性化动力学模型回归矩阵和未知惯量参数，代表复合机器人的广义关节空间坐标且θ1,
…
,θ
n
表示操作臂各关节转角，S
O
＝E
‑1(q
O
)A
O
，，且其中z
i
＝[0,0,1]T
，且分别代表连杆i+1坐标系相对于连杆i坐标系的姿态旋转矩阵和原点平移向量；
[0023]针对由于复合机器人未知惯量参数Φ包括不可辨识参数、可独立辨识参数和仅可组合辨识参数三部分，导致其线性动力学回归矩阵存在不满秩现象，进而影响惯量参数的辨识精度的问题，首先通过随机采样取值计算动力学回归矩阵和删除其零元素列得到其中r为随机采样点数且满足(n+4)r≥c、c≤(14n+8)，从而排除不可辨识的惯量参数；
[0024]矩阵的秩b代表复合机器人可辨识的最小惯量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复合机器人车臂协调动力学最优激励与高精度辨识方法，其特征在于，包括如下步骤：S1：基于牛顿
‑
欧拉递推方程设计复合机器人车臂协调运动的线性化动力学模型，通过QR分解得到非奇异线性化回归方程，实现全状态动力学建模；S2：基于复合机器人线性化动力学模型回归矩阵及其动态子矩阵的加权条件数构造优化泛函，并采用有限项傅立叶级数设计车臂协调动力学的最优同步激励轨迹，提升机器人动态特性激励效果和模型参数物理一致性；S3：基于测量噪声协方差矩阵正则化和异常数据加权抑制设计车臂协调动力学模型参数的自适应加权迭代最小二乘求解算法，并设计测试轨迹验证参数辨识结果的有效性，实现复合机器人动力学模型的高精度鲁棒辨识。2.根据权利要求1所述的复合机器人车臂协调动力学最优激励与高精度辨识方法，其特征在于，所述步骤1包括基于牛顿
‑
欧拉递推方程构建复合机器人操作臂各连杆的线性化动力学模型，公式如下公式(1)中代表连杆i单独运动时关节i所需的的驱动力及力矩且分别代表关节i的线加速度和重力加速度，代表关节i的角速度，m
i
代表连杆i的质量，代表连杆i的质心，代表连杆i相对其连杆坐标系的惯量矩向量，β
i
＝[I
ai
，F
ci
，F
si
，F
vi
]
T
且I
ai
、F
ci
、F
si
、F
vi
分别代表关节i的转动惯量、库仑摩擦、静态摩擦和粘滞摩擦系数，代表关节i的摩擦力矩观测矩阵，其中ω
s
＞0代表静态摩擦的角速度阈值；算子分别代表操作向量的反对称矩阵和惯量矩左乘矩阵；代表连杆i的线性化动力学回归矩阵，Φ
i
＝[m
i
，m
i
c
i
，I
i
，β
i
]
T
代表连杆i的未知惯量参数。3.根据权利要求2所述的复合机器人车臂协调动力学最优激励与高精度辨识方法，其特征在于，所述步骤1包括构建复合机器人全向移动平台的线性化动力学模型，公式如下公式(2)中表示移动平台的笛卡尔空间坐标，表示移动平台的笛卡尔空间坐标，表示移动平台麦克纳姆轮组的驱动力矩，代表驱动力矩转换矩阵，m
O
、I
O
分别代表移动平台的质量和转动惯量，β
O
＝[F
Ovx
，F
Ovy
，F
Ovz
，F
Ocx
，F
Ocy
，F
Ocz
]
T
代表移动平台沿平移轴x
O
、y
O
和旋转轴z
O
方向的粘滞摩擦系数及库仑摩擦系数，其中算子和代表移动平台摩擦力矩观测矩阵；Φ
O
＝[m
O
，I
O
，β
O
]
T
分别代表移动平台的线性化动力学回归矩阵和未知惯量参数。
4.根据权利要求3所述的复合机器人车臂协调动力学最优激励与高精度辨识方法，其特征在于，所述步骤1包括基于公式(1)和公式(2)，设计复合机器人车
‑
臂协调运动的全状态线性化动力学模型，公式如下公式(3)中表示驱动力矩且τ1，
…
，τ
n
表示操作臂各关节驱动力矩；分别代表线性化动力学模型回归矩阵和未知惯量参数，代表复合机器人的广义关节空间坐标且θ1，
…
，θ
n
表示操作臂各关节转角，S
O
＝E
‑1(q
O
)A
O
，，且其中z
i
＝[0，0，1]
T
，且.分别代表连杆i+1坐标系相对于连杆i坐标系的姿态旋转矩阵和原点平移向量；针对由于复合机器人未知惯量参数Φ包括不可辨识参数、可独立辨识参数和仅可组合辨识参数三部分，导致其线性动力学回归矩阵存在不满秩现象，进而影响惯量参数的辨识精度的问题，首先通过随机采样取值计算动力学回归矩阵和删除其零元素列得到其中r为随机采样点数且满足(n+4)r≥c、c≤(14n+8)，从而排除不可辨...

【专利技术属性】
技术研发人员：李小飞，王进，张海运，陆国栋，
申请(专利权)人：余姚市机器人研究中心，
类型：发明
国别省市：