【技术实现步骤摘要】
本申请涉及机械臂控制领域，特别是涉及一种基于数据驱动的机械臂控制方法、设备、介质及产品。
技术介绍
1、由于模型预测控制方法能够有效处理输入和状态约束问题，其已经初步应用于机械臂系统的控制器设计。然而，传统的模型预测控制强烈依赖于机械臂精确的动力学模型。为了提升预测控制应对建模误差和外界干扰的鲁棒性能，学者们陆续提出了增量模型预测控制和基于诸如滑模、高斯过程、神经网络等鲁棒技术的模型预测控制方法。尽管如此，这些模型预测控制方法的性能要么仍然需要系统的标称模型，要么就是依赖于选取的部分设计参数。离线辨识机械臂系统的动力学方程和选取设计参数是一个工作量很大，极其消耗时间的过程。
2、为了解决上述问题，亟需提供一种数据驱动的增量模型预测控制方法，实现控制器在设计过程中不再需要系统的标称模型，同时在线调整预测控制算法的关键设计参数，进而提高机械臂系统控制的准确性和鲁棒性能。
技术实现思路
1、本申请的目的是提供一种基于数据驱动的机械臂控制方法、设备、介质及产品，能够提高机械臂系统控制的准确性和鲁棒性能。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种基于数据驱动的机械臂控制方法，所述基于数据驱动的机械臂控制方法包括：
4、采用时延估计方法确定机械臂的动力学方程；并根据机械臂的动力学方程确定离散线性增量系统模型；
5、根据离散线性增量系统模型得到的状态预测量以及根据离散线性增量系统模型得到的参考增量控制信
6、构建以离散线性增量系统模型产生状态预测量的约束以及施加关节角度、角速度和角加速度的约束为约束条件，以阶段目标函数最小为目标的增量模型预测控制器；
7、根据迭代最小二乘法的数据驱动算法实时调整增量模型预测控制器；
8、机械臂根据当前调整后的增量模型预测控制器得到的控制序列进行控制。
9、可选地，所述采用时延估计方法确定机械臂的动力学方程；并根据机械臂的动力学方程确定离散线性增量系统模型，具体包括：
10、利用公式确定动力学方程；
11、利用公式x(k+1)＝ax(k)+b(k)δτ(k)确定离散线性增量系统模型；
12、其中，为时延估计参数，q,分别为机械臂关节角度、角速度和角加速度，τ表示每个关节的输入力矩，m(q)为对称的正定惯性矩阵，为离心或coriolis矩阵，g(q)为重力矩阵，为摩擦力，hq为包含m(q)、g(q)以及的所有不确定的非线性函数，系统矩阵控制矩阵控制矩阵ts为系统采样时间，i为单位矩阵，o为零矩阵，δτ(k)为k时刻增量控制信号，x(k)为k时刻状态预测量，x(k+1)为k+1时刻状态预测量。
13、可选地，所述根据离散线性增量系统模型得到的状态预测量以及根据离散线性增量系统模型得到的参考增量控制信号构建阶段目标函数，具体包括：
14、利用公式确定阶段目标函数；
15、其中，l(k+i)为阶段目标函数，ek+i|k＝xk+i|k-xref(k+i)为预测跟踪误差，xref(k+i)为组合参考指令信号，为预测控制信号偏差，δτk+i|k为在预测时域内增量控制信号的预测值数值，δτref(k+i)为增量控制参考信号，q，r为权重矩阵，xk+i|k为状态预测量。
16、可选地，构建以离散线性增量系统模型产生状态预测量的约束以及施加关节角度、角速度和角加速度的约束为约束条件，以阶段目标函数最小为目标的增量模型预测控制器，具体包括：
17、
18、其中，为最优的控制序列，i,j为中间变量，n表示预测时域，qk+i+1|k表示机械臂关节角度的预测值，表示机械臂角速度的预测值，为角加速度，·min和·max分别表示为变量的上下界，xk+i+1|k为下一时刻状态预测量。
19、可选地，所述根据迭代最小二乘法的数据驱动算法实时调整增量模型预测控制器，具体包括以下式：
20、
21、
22、其中，将动力学方程确定的增量系统模型转换为y＝φθ，φ＝δτt，δq＝q-q0为机械臂关节角度增量变化量，q0为机械臂关节角度初始值，δτ为增量控制信号，θ(k)为k时刻的参数，θ(k+1)为k+1时刻的参数，φ(k)为k时刻的δτ转置的函数，p(k)为k时刻迭代最小二乘法相关矩阵的逆矩阵，λ表示遗忘因子，p(k+1)为k+1时刻迭代最小二乘法相关矩阵的逆矩阵，y(k)为k时刻的函数，θ(k-1)为k-1时刻的参数，λmin为遗忘因子的最小值，r表示自适应律，λ(k)为遗忘因子自适应调节律。
23、第二方面，本申请提供了一种基于数据驱动的机械臂控制设备，所述基于数据驱动的机械臂控制设备包括：
24、增量系统确定模块，用于采用时延估计方法确定机械臂的动力学方程；并根据机械臂的动力学方程确定离散线性增量系统模型；
25、阶段目标函数构建模块，用于根据离散线性增量系统模型得到的状态预测量以及根据离散线性增量系统模型得到的参考增量控制信号构建阶段目标函数；
26、增量模型预测控制器构建模块，用于构建以离散线性增量系统模型产生状态预测量的约束以及施加关节角度、角速度和角加速度的约束为约束条件，以阶段目标函数最小为目标的增量模型预测控制器；
27、增量模型预测控制器调整模块，用于根据迭代最小二乘法的数据驱动算法实时调整增量模型预测控制器；
28、控制模块，用于机械臂根据当前调整后的增量模型预测控制器得到的控制序列进行控制。
29、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现所述的基于数据驱动的机械臂控制方法的步骤。
30、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于数据驱动的机械臂控制方法的步骤。
31、第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现所述的基于数据驱动的机械臂控制方法的步骤。
32、根据本申请提供的具体实施例，本申请公开了以下技术效果：
33、本申请提供了一种基于数据驱动的机械臂控制方法、设备、介质及产品，首先，采用时延估计方法结合系统状态测量信息近似不确定的机械臂动力学方程，得出近似的离散线性增量系统模型。根据建立的离散线性增量系统模型，设计增量模型预测控制方法，其中，离散线性增量系统模型用于产生系统状态预测量。其次，为了避免离线选择时延估计参数的繁琐耗时过程，并提升增量模型的近似精度，采用一种迭代最小二乘法的数据驱动算法，其中，迭代最小二乘法算法的遗忘因子将依据被识别参数的变化而自适应调整。最后，辨识出的时延估计参数应用于增量模型预测控制器优化，形成数据驱动的增量模型预测控制算法。本文档来自技高网...
【技术保护点】
1.一种基于数据驱动的机械臂控制方法，其特征在于，所述基于数据驱动的机械臂控制方法包括：
2.根据权利要求1所述的基于数据驱动的机械臂控制方法，其特征在于，所述采用时延估计方法确定机械臂的动力学方程；并根据机械臂的动力学方程确定离散线性增量系统模型，具体包括：
3.根据权利要求2所述的基于数据驱动的机械臂控制方法，其特征在于，所述根据离散线性增量系统模型得到的状态预测量以及根据离散线性增量系统模型得到的参考增量控制信号构建阶段目标函数，具体包括：
4.根据权利要求3所述的基于数据驱动的机械臂控制方法，其特征在于，构建以离散线性增量系统模型产生状态预测量的约束以及施加关节角度、角速度和角加速度的约束为约束条件，以阶段目标函数最小为目标的增量模型预测控制器，具体包括：
5.根据权利要求4所述的基于数据驱动的机械臂控制方法，其特征在于，所述根据迭代最小二乘法的数据驱动算法实时调整增量模型预测控制器，具体包括以下式：
6.一种基于数据驱动的机械臂控制设备，其特征在于，所述基于数据驱动的机械臂控制设备包括：
7.一种计
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述的基于数据驱动的机械臂控制方法的步骤。
9.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述的基于数据驱动的机械臂控制方法的步骤。
...【技术特征摘要】
1.一种基于数据驱动的机械臂控制方法，其特征在于，所述基于数据驱动的机械臂控制方法包括：
2.根据权利要求1所述的基于数据驱动的机械臂控制方法，其特征在于，所述采用时延估计方法确定机械臂的动力学方程；并根据机械臂的动力学方程确定离散线性增量系统模型，具体包括：
3.根据权利要求2所述的基于数据驱动的机械臂控制方法，其特征在于，所述根据离散线性增量系统模型得到的状态预测量以及根据离散线性增量系统模型得到的参考增量控制信号构建阶段目标函数，具体包括：
4.根据权利要求3所述的基于数据驱动的机械臂控制方法，其特征在于，构建以离散线性增量系统模型产生状态预测量的约束以及施加关节角度、角速度和角加速度的约束为约束条件，以阶段目标函数最小为目标的增量模型预测控制器，具体包括：
5.根据权利要求4所述的基于数据驱...
【专利技术属性】
技术研发人员：王永超，廖守亿，朱建文，夏朝辉，宋海涛，郭杨，王夏复，郑惠，张仕源，王少博，
申请(专利权)人：中国人民解放军火箭军工程大学，
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。