【技术实现步骤摘要】
本专利技术属于接触力检测，具体涉及一种无力传感器机器人末端接触力估计方法及装置。
技术介绍
1、机器人是工业及非产业界的重要生产和服务性设备，也是先进制造
不可缺少的自动化设备。为了对机器人进行精准控制，需要对机器人与外界环境的接触力进行检测。传统方法为建立机器人动力学模型，根据动力学模型估计末端接触力，然而机器人是一个十分复杂的多输入多输出非线性系统，具有时变、强耦合的非线性动力学特征，难以准确建模及对包括重力、摩擦力、惯性力及哥氏力等在内的参数进行辨识，在实际中很难建立完整准确的机器人动力学模型，特别是对于无力传感器的机器人而言，仅通过本体有限的运动状态信息建立出精确感知的机器人末端接触力动力学模型极为困难，进而导致计算出的接触力误差也较大。目前也有基于卷积神经网络进行机器人末端接触力的估计方法，该方法不用建立复杂的动力学模型，但是由于其未考虑任何机器人本身的物理特性模型，只基于卷积神经网络模型估计的机器人接触力可能会存在较大误差，接触力估计结果可靠性较差，例如机器人关节低速换向部分容易造成电机力矩扰动导致电机电流的过程噪声大时，估计的机器人末端接触力误差较大。并且该方法只根据机器人某一时刻运行状态和末端接触力进行数据概率运算，未考虑机器人当前的运动状态与前序运动状态在时间上的关系，接触力估计结果容易突变，不利于机器人的运动控制。
技术实现思路
1、本专利技术的目的在于提供一种无力传感器机器人末端接触力估计方法及装置，用以解决机器人实际运行状况与训练卷积神经网络模型所用的
2、本专利技术为解决上述技术问题而提供一种无力传感器机器人末端接触力估计方法，包括：
3、获取机器人各关节在接触状态下的运行数据，包括位移、速度和电流；
4、将机器人各关节在接触状态下的位移和速度输入到预先训练好的机器学习模型中，得到各关节在非接触状态下的电流；基于机器人各关节在接触状态下的电流和非接触状态下的电流差异确定各关节外力电流，利用各关节外力电流计算各关节外力力矩；
5、将各关节外力力矩作为初始值输入到卡尔曼滤波器中，得到滤波后的各关节外力力矩；卡尔曼滤波器的过程噪声方差基于关节速度所处的工作区间、机器学习模型在适应关节速度范围与不适应关节速度范围之间的误差确定；
6、根据滤波后的各关节外力力矩计算机器人末端接触力。
7、进一步地，所述卡尔曼滤波器的过程噪声方差表达式为：
8、qi＝qi-min+(qi-max-qi-min)exp(-β|qi|γ)
9、其中，qi为关节i的过程噪声方差，qi-min为关节i速度位于正常工作区间内对应的关节力矩过程噪声方差，qi-max为关节i速度位于非正常工作区间内对应的关节力矩过程噪声方差,β为关节速度范围适应系数，γ为机器学习模型在适应关节速度范围与不适应关节速度范围之间的误差变化阶次，qi为关节i的位移。
10、进一步地，所述机器学习模型包括具有提取空间结构特征的神经网络模型和处理时间序列数据的神经网络模型。
11、进一步地，所述机器学习模型为cnn-gru模型。
12、进一步地，所述cnn-gru模型在训练时采用的训练数据为机器人各关节在非接触状态下的位移、速度和电流，训练时各关节在非接触状态下的位移和速度作为输入、各关节在非接触状态下的电流作为输出。
13、进一步地，根据机器人各关节的电机轴与关节输出轴的传动比及各关节外力电流计算机器人各关节外力力矩。
14、上述技术方案的有益效果为：本专利技术为改进型专利技术创造，预先训练能够预测机器人各关节在非接触状态下电流的机器学习模型，实际使用时利用记录的机器人各关节在接触状态下的运行数据和预先训练好的机器学习模型得到机器人各关节在非接触状态下的电流值，进而计算各关节外力力矩；设计用于平滑机器人各关节外力力矩的卡尔曼滤波器，并且考虑机器人关节低速换向部分容易造成电机力矩扰动而导致电机电流的过程噪声大，进而影响各关节外力力矩的准确性，基于机械臂关节速度所处的工作区间、机器学习模型在适应关节速度范围与不适应关节速度范围之间的误差设计卡尔曼滤波器的过程噪声，然后根据滤波后的机器人各关节外力力矩去计算机器人末端接触力，能够从不确定的环境及噪声污染下，实时地推断出隐藏的最优关节外力力矩，减小了机器人末端接触力的估计误差，解决了实际运行状况与训练卷积神经网络模型所用的数据差别较大时，卷积神经网络模型估计的机器人接触力存在较大误差的问题。
15、为解决上述技术问题，本专利技术还提供了一种无力传感器机器人末端接触力估计装置，包括处理器，所述处理器用于执行计算机程序指令以实现上述介绍的无力传感器机器人末端接触力估计方法中的步骤。
16、上述技术方案的有益效果为：本专利技术为改进型专利技术创造，预先训练能够预测机器人各关节在非接触状态下电流的机器学习模型，实际使用时利用记录的机器人各关节在接触状态下的运行数据和预先训练好的机器学习模型得到机器人各关节在非接触状态下的电流值，进而计算各关节外力力矩；设计用于平滑机器人各关节外力力矩的卡尔曼滤波器，并且考虑机器人关节低速换向部分容易造成电机力矩扰动而导致电机电流的过程噪声大，进而影响各关节外力力矩的准确性，基于机械臂关节速度所处的工作区间、机器学习模型在适应关节速度范围与不适应关节速度范围之间的误差设计卡尔曼滤波器的过程噪声，然后根据滤波后的机器人各关节外力力矩去计算机器人末端接触力，能够从不确定的环境及噪声污染下，实时地推断出隐藏的最优关节外力力矩，减小了机器人末端接触力的估计误差，解决了实际运行状况与训练卷积神经网络模型所用的数据差别较大时，卷积神经网络模型估计的机器人接触力存在较大误差的问题。
本文档来自技高网...【技术保护点】
1.一种无力传感器机器人末端接触力估计方法，其特征在于，包括：
2.根据权利要求1所述的无力传感器机器人末端接触力估计方法，其特征在于，所述卡尔曼滤波器的过程噪声方差表达式为：
3.根据权利要求1所述的无力传感器机器人末端接触力估计方法，其特征在于，所述机器学习模型包括具有提取空间结构特征的神经网络模型和处理时间序列数据的神经网络模型。
4.根据权利要求3所述的无力传感器机器人末端接触力估计方法，其特征在于，所述机器学习模型为CNN-GRU模型。
5.根据权利要求4所述的无力传感器机器人末端接触力估计方法，其特征在于，所述CNN-GRU模型在训练时采用的训练数据为机器人各关节在非接触状态下的位移、速度和电流，训练时各关节在非接触状态下的位移和速度作为输入、各关节在非接触状态下的电流作为输出。
6.根据权利要求1所述的无力传感器机器人末端接触力估计方法，其特征在于，根据机器人各关节的电机轴与关节输出轴的传动比及各关节外力电流计算机器人各关节外力力矩。
7.一种无力传感器机器人末端接触力估计装置，包括处理器，其特
...【技术特征摘要】
1.一种无力传感器机器人末端接触力估计方法，其特征在于，包括：
2.根据权利要求1所述的无力传感器机器人末端接触力估计方法，其特征在于，所述卡尔曼滤波器的过程噪声方差表达式为：
3.根据权利要求1所述的无力传感器机器人末端接触力估计方法，其特征在于，所述机器学习模型包括具有提取空间结构特征的神经网络模型和处理时间序列数据的神经网络模型。
4.根据权利要求3所述的无力传感器机器人末端接触力估计方法，其特征在于，所述机器学习模型为cnn-gru模型。
5.根据权利要求4所述的无力传感器机器人末端接触力估计方...
【专利技术属性】
技术研发人员：吴佩璋，李鹏飞，暴一飞，戴宗妙，王少参，郭建坡，熊子健，
申请(专利权)人：中国船舶集团有限公司第七一三研究所，
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。