CN114030008B - 一种基于数据驱动的工业机器人实训能耗测量方法 - Google Patents
一种基于数据驱动的工业机器人实训能耗测量方法 Download PDFInfo
- Publication number
- CN114030008B CN114030008B CN202111407468.9A CN202111407468A CN114030008B CN 114030008 B CN114030008 B CN 114030008B CN 202111407468 A CN202111407468 A CN 202111407468A CN 114030008 B CN114030008 B CN 114030008B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- space
- input
- data set
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 86
- 238000012549 training Methods 0.000 title claims abstract description 59
- 238000000691 measurement method Methods 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 230000001133 acceleration Effects 0.000 claims abstract description 21
- 230000000875 corresponding effect Effects 0.000 claims abstract description 14
- 230000009471 action Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于数据驱动的工业机器人实训能耗测量方法。该方法主要利用实训机器人在示教器运动指令的位置变量参数、最大速度和加速度等直接获取的数据,结合物理设备采集对应动作的能耗数据,使用径向基(RBF)神经网络训练出工业六轴机器人实训能耗预测模型,以此来评估未知动作下的能量消耗。本发明不受特定环境和机器人型号的影响,可迁移性强,预测精度高。
Description
技术领域
本发明属于能耗测量领域,具体涉及了一种基于数据驱动的工业机器人实训能耗测量方法。
背景技术
以在工业中广泛应用的六轴机器人作为示例,要想研究其运动过程与能耗的关系,采用传统的数学物理建模方法,依靠严谨的运动学、动力学原理,需要对整个机器人对象作极为详尽的“解剖”,深入了解机器人的各轴设计尺寸、质量、惯性矩阵、轴间动摩擦系数、静摩擦系数以及各轴运动过程中的同步方式和具体插补方式。这些参数作为机器人的核心技术贯穿整个机器人的设计,制造,封装过程,厂家并不会对用户和研究者公开这些底层设计细节,实验获取这些参数有相当大的难度。如图3所示,现代工业机器人***由操作、驱动和控制单元三部分组成,整个***的能耗组成丰富,需要提前在整个***的生产过程进行设计,嵌入各单元的能耗监测模块,操作难度大,实施性不高,只能针对某一单一***,可迁移性弱。
发明内容
本发明的目的主要针对传统预测工业机器人能耗建模方法复杂度高,细节需求高、实施性差以及可迁移性弱等方面的不足,提出一种实现难度低,准确性高、可移植性强的能耗测量方法。
本发明的目的是通过以下技术方案来实现,一种基于数据驱动的工业机器人实训能耗测量方法,该方法包括如下步骤:
(1)构建能耗数据集:
工业机器人实训过程中的运动格式为{运动方式,位置点,速度,加速度},组合不同的速度和加速度,分别采集笛卡尔空间下和关节空间下的机器人末端位姿数据,并获取对应动作的能耗数据,重复采样多次后获得运动-能耗数据集,运动-能耗数据集由训练数据集和测试数据集组成;
(2)径向基RBF神经网络训练:
径向基RBF神经网络为三层神经网络,包括输入层、隐含层和输出层;其中输入层的输入为{运动方式,位置点,速度,加速度}格式的机器人运动特征数据,隐含层由一定数量的高斯核函数神经元组成,输出层是机器人的运动能耗;从输入空间到隐层空间为非线性变换,从隐层空间到输出层空间为线性变换;使用笛卡尔空间下的运动-能耗数据集对径向基RBF神经网络进行训练,生成在笛卡尔空间下的能耗计算模型;使用关节空间下的运动-能耗数据集对径向基RBF神经网络进行训练,生成在关节空间下的能耗计算模型;
径向基RBF神经网络的激活函数表示为:
其中xp表示第p个输入样本,σ表示隐含层中神经元的高斯核宽度,ci表示隐含层第i个神经元的中心点向量,其维度与输入样本特征数相等,||xp-ci||2表示第p个输入样本与第i个神经元的欧氏几何距离。
根据RBF神经网络的结构,网络输出的机器人能耗:
其中i=1,2,…,h为隐含层节点数,j=1,2,…,n为输出层输出节点的数量,Yj为与输入样本对应网络的第j个输出节点的实际输出,wij表示第i个神经元与第j个输出之间的连接权重;
训练过程中的损失函数记作:
其中dj为样本的期望输出值,即实际的动作能耗,P为输入的数据样本总量;
(3)测试数据集检验:
针对步骤(2)中训练好的笛卡尔空间下和关节空间下的能耗计算模型,通过将运动-能耗数据集中的测试数据集作为能耗计算模型的输入,检测能耗计算模型的预测误差,若在笛卡尔空间或者关节空间下的能耗计算模型未达到收敛的误差目标或者对模型评价的R2系数不满足需求,均需要重新对能耗计算模型进行重新训练,直至达到上述目标和要求。
进一步地,对于六轴工业机器人的实训过程,所述笛卡尔空间下的机器人末端TCP位姿可以表示为Pcartesian={x,y,z,rx,ry,rz},x,y,z为末端TCP点空间坐标,rx,ry,rz表示TCP点的空间位姿。所述关节空间下的机器人末端TCP位姿可以表示为Pjoint={J1,J2,J3,J4,J5,J6},Ji,i=1,2,…,6表示第i个关节轴的动作弧度。
进一步地,工业机器人实训过程中的运动以单个指令移动为标准,获取对应动作的能耗,重复采样后,获得相应的数据集Dset={Trainset+Testset},包括训练数据集Trainset和测试数据集Testset。
进一步地,隐含层把输入数据从低维度特征空间映射到高维度特征空间,以此在高维度中解决低维度中不能解决的问题,并且通过这种非线性和线性的组合方式,可以加快学习速度并避免局部极小问题。
进一步地,径向基RBF神经网络的训练过程中,将不同运动空间下的训练数据集分开训练,达到更好的预测效果,不同空间的输入数据如下:
1)笛卡尔空间
在笛卡尔空间中训练数据集的输入向量为:
其中,Input表示RBF神经网络输入层的输入;表示最大空间速度,表示最大空间加速度,/>分别表示笛卡尔空间下的初始位置矢量和结束位置矢量。
2)关节空间
在关节空间中训练数据集的输入向量为:
其中,表示关节最大速度矢量,/>表示关节最大加速度矢量,分别表示关节空间下的初始位置矢量和结束位置矢量。
进一步地,测试数据集检验过程中,检验效果采用统计学中的R2检验:
其中i=1,2,…,p表示样本的数量,表示第i个样本的期望输出,/>表示所有样本的平均输出,yi表示第i个样本的实际输出。
本发明的有益效果:
(1)本发明使用的方法简洁,对比传统的机器人能耗数学模型,复杂度显著下降,更容易理解。
(2)本发明使用的RBF神经网络较传统的神经网络学习速度更快,并且能够避免局部最小问题。
(3)本发明最突出的优点是迁移性强,针对不同的工业六轴机器人,无需单独地获取其运动学、动力学参数,只需要构建发明中类似的指令-能耗数据集对RBF神经网络进行训练,就能得到对应的六轴机器人高准确度的能耗计算结果。
附图说明
图1为工业中应用广泛的六轴机器人示意图,其中虚线表示各关节轴的运动方向;
图2为本发明中主要的方法流程图;
图3为机器人能耗组成图。
具体实施方式
以下结合附图对本发明具体实施方式作进一步详细说明。本发明实施的大致结构分为上文中指出的三步,但在具体的实施过程之前还应包括能耗采集模块的安装,这一步可以通过功率表或者PLC模块进行监测获取相应的能耗数据。
如图2所示,本发明提供的一种基于数据驱动的工业机器人实训能耗测量方法,具体实施步骤如下:
(1)构建能耗数据集:
实训机器人的运动指令***可以大致分为笛卡尔空间运动和关节空间运动,笛卡尔空间下的机器人末端TCP位姿可以表示为Pcartesian={x,y,z,rx,ry,rz},x,y,z为末端TCP点空间坐标,rx,ry,rz表示TCP点的空间位姿。关节空间下的机器人末端TCP位姿可以表示为Pjoint={J1,J2,J3,J4,J5,J6},Ji,i=1,2,…,6表示第i个关节轴的动作弧度。
运动过程以最基础的单个指令移动为标准,运动指令格式如下{运动方式,位置点,速度,加速度},从A点到B点,组合不同的速度,加速度来获取对应动作的能耗WA*B*v*a,v代表速度信息,a代表加速度信息,重复采样多次后可获得相应的运动-能耗数据集Dset={Trainset+Testset};包括训练数据集Trainset和测试数据集Testset。
(2)径向基(RBF)神经网络训练
RBF神经网络是一种三层神经网络,其包括输入层、隐含层、输出层。其中输入层的输入为{运动方式,位置点,速度,加速度}格式的机器人运动特征数据,隐含层由一定数量的高斯核函数神经元组成,输出层是机器人的运动能耗;从输入空间到隐层空间的变换是非线性的,从隐层空间到输出层空间的变换是线性的。
RBF神经网络的基本思想是:用RBF作为隐单元的“基”构成隐含层空间,这样就可以将输入矢量通过非权连接的方式映射到隐空间。当RBF的中心点确定以后,这种映射关系也就确定下来。隐含层空间到输出空间的映射是线性的。其中,隐含层的作用是把向量从低维度空间映射到高维度空间,以此在高维度中解决低维度中不能解决的问题,并且通过这种非线性和线性的组合方式,可以加快学习速度并避免局部极小问题。径向基神经网络的激活函数可以表示为:
其中,其中xp表示第p个输入样本,σ表示隐含层中神经元的高斯核宽度,ci表示隐含层第i个神经元的中心点向量,其维度与输入样本特征数相等,||xp-ci||2表示第p个输入样本与第i个神经元的欧氏几何距离。
根据RBF神经网络的结构,网络输出的机器人能耗:
其中i=1,2,…,h为隐含层节点数,j=1,2,…,n为输出层输出节点的数量,Yj为与输入样本对应网络的第j个输出节点的实际输出,wij表示第i个神经元与第j个输出之间的连接权重。
训练过程中的损失函数记作:
其中dj为样本的期望输出值,即实际的动作能耗,P为输入的数据样本总量。
RBF神经网络的训练过程由训练集Trainset来完成,并且为保证模型的效果,将不同运动空间下的数据集分开训练,达到更好的预测效果:
1)Cartesian空间
在笛卡尔空间中Trainset的输入向量为:
其中,Input表示RBF神经网络输入层的输入;表示最大空间速度,表示最大空间加速度,/>分别表示笛卡尔空间下的初始位置矢量和结束位置矢量。
2)Joint空间
在关节空间中Trainset的输入向量为:
其中,表示关节最大速度矢量,/>表示关节最大加速度矢量,分别表示关节空间下的初始位置矢量和结束位置矢量。
3.测试数据集检验
针对上一阶段训练好的笛卡尔空间下和关节空间下的能耗计算模型,通过将测试数据集Testset作为输入,检测能耗计算模型的预测误差。检验效果采用统计学中的R2(回归平方和与总离差平方和的比值)来表示总离差平方和可以由回归平方和解释的比例。
其中i=1,2,…,p表示样本的数量,表示第i个样本的期望输出,/>表示所有样本的平均输出,yi表示第i个样本的实际输出。
若在笛卡尔空间或者关节空间下的能耗计算模型未达到收敛的误差目标或者对模型评价的R2系数不满足需求,均需要重新对能耗计算模型进行重新训练,直至达到上述目标和要求。
实施例一:
如图1所示,以六轴工业机器人的实训过程为例,采用本发明方法预测其实训过程能耗,此种场景下,机器人动作在关节空间进行;
关节空间下,六轴机器人各轴零位状态下的初始位置为:
动作指令运动点:
各轴的运动速度约束为:
各轴的运动加速度约束为:
RBF神经网络的输入为:
RBF神经网络的输出为预测能耗Y;训练集中的能耗实际值为
其中,x,y∈{10%,20%,30%,40%,50%,60%,70%,80%,90%,},为运动参数比例系数,分别改变数据集中的输入轴关节速度、输入轴关节加速度。
通过修改运动的位置点来获取足够多的运动-能耗数据来构建数据集,将完整的机器人运动-能耗数据集Dset按一定比例分成训练数据集Trainset与测试数据集Testset,利用训练集Trainset中的运动参数输入Input与能耗实际值对网络进行训练,当损失函数Eloss<0.001时完成针对机器人关节空间运动能耗的RBF网络模型的生成。
使用测试集对上述生成的RBF网络模型进行测试,观察到测试样本的R2系数大于0.95,说明采用本发明中的方法能够实现对机器人在关节空间运动过程的能耗进行准确计算。
实施例二:
如图1所示,以六轴工业机器人的实训过程为例,采用本发明方法预测其实训过程能耗。此种场景下,机器人动作在笛卡尔空间进行。
笛卡尔空间下的机器人末端TCP位姿表示为Pcartesian={x,y,z,rx,ry,rz}
x,y,z为末端TCP点空间坐标,单位为mm,rx,ry,rz表示TCP点的空间位姿,单位为°
现机器人在笛卡尔空间下的初始位姿为
动作指令点:
机器人TCP运动速度约束为:
机器人TCP运动加速度约束为:
RBF神经网络的输入为:
RBF神经网络的输出为预测能耗Y;训练集中的能耗实际值为
其中,x,y∈{10%,20%,30%,40%,50%,60%,70%,80%,90%,},为运动参数比例系数,分别改变数据集中的输入TCP速度、输入TCP加速度。
通过修改运动的位置点来获取足够多的运动-能耗数据来构建数据集,将完整的机器人运动-能耗数据集Dataset按一定比例分成训练数据集Trainset与测试数据集Testset,利用训练集Trainset中的运动参数输入Input与能耗实际值对网络进行训练,当损失函数Eloss<0.001时完成针对机器人笛卡尔空间运动能耗的RBF网络模型的生成。
使用测试集对上述生成的RBF网络模型进行测试,观察到测试样本的R2系数大于0.93,说明本发明中的方法能够对机器人在笛卡尔空间运动过程的能耗进行准确计算。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (6)
1.一种基于数据驱动的工业机器人实训能耗测量方法,其特征在于,该方法包括如下步骤:
(1)构建能耗数据集:
工业机器人实训过程中的运动格式为{运动方式,位置点,速度,加速度},组合不同的速度和加速度,分别采集笛卡尔空间下和关节空间下的机器人末端位姿数据,并获取对应动作的能耗数据,重复采样多次后获得运动-能耗数据集,运动-能耗数据集由训练数据集和测试数据集组成;
(2)径向基RBF神经网络训练:
径向基RBF神经网络为三层神经网络,包括输入层、隐含层和输出层;其中输入层的输入为{运动方式,位置点,速度,加速度}格式的机器人运动特征数据,隐含层由一定数量的高斯核函数神经元组成,输出层是机器人的运动能耗;从输入空间到隐层空间为非线性变换,从隐层空间到输出层空间为线性变换;使用笛卡尔空间下的运动-能耗数据集对径向基RBF神经网络进行训练,生成在笛卡尔空间下的能耗计算模型;使用关节空间下的运动-能耗数据集对径向基RBF神经网络进行训练,生成在关节空间下的能耗计算模型;
径向基RBF神经网络的激活函数表示为:
其中xp表示第p个输入样本,σ表示隐含层中神经元的高斯核宽度,ci表示隐含层第i个神经元的中心点向量,其维度与输入样本特征数相等,||xp-ci||2表示第p个输入样本与第i个神经元的欧氏几何距离;
根据RBF神经网络的结构,网络输出的机器人能耗:
其中i=1,2,…,h为隐含层节点数,j=1,2,…,n为输出层输出节点的数量,Yj为与输入样本对应网络的第j个输出节点的实际输出,wij表示第i个神经元与第j个输出之间的连接权重;
训练过程中的损失函数记作:
其中dj为样本的期望输出值,即实际的动作能耗,P为输入的数据样本总量;
(3)测试数据集检验:
针对步骤(2)中训练好的笛卡尔空间下和关节空间下的能耗计算模型,通过将运动-能耗数据集中的测试数据集作为能耗计算模型的输入,检测能耗计算模型的预测误差,若在笛卡尔空间或者关节空间下的能耗计算模型未达到收敛的误差目标或者对模型评价的R2系数不满足需求,均需要重新对能耗计算模型进行重新训练,直至达到上述目标和要求。
2.根据权利要求1所述的一种基于数据驱动的工业机器人实训能耗测量方法,其特征在于,对于六轴工业机器人的实训过程,所述笛卡尔空间下的机器人末端TCP位姿可以表示为Pcartesian={x,y,z,rx,ry,rz},x,y,z为末端TCP点空间坐标,rx,ry,rz表示TCP点的空间位姿;所述关节空间下的机器人末端TCP位姿可以表示为Pjoint={J1,J2,J3,J4,J5,J6},Ji,i=1,2,…,6表示第i个关节轴的动作弧度。
3.根据权利要求1所述的一种基于数据驱动的工业机器人实训能耗测量方法,其特征在于,工业机器人实训过程中的运动以单个指令移动为标准,获取对应动作的能耗,重复采样后,获得相应的数据集Dset={Trainset+Testset},包括训练数据集Trainset和测试数据集Testset。
4.根据权利要求1所述的一种基于数据驱动的工业机器人实训能耗测量方法,其特征在于,隐含层把输入数据从低维度特征空间映射到高维度特征空间,并且通过这种非线性和线性的组合方式,加快学习速度并避免局部极小。
5.根据权利要求1所述的一种基于数据驱动的工业机器人实训能耗测量方法,其特征在于,径向基RBF神经网络的训练过程中,将不同运动空间下的训练数据集分开训练,达到更好的预测效果,不同空间的输入数据如下:
1)笛卡尔空间
在笛卡尔空间中训练数据集的输入向量为:
其中,Input表示RBF神经网络输入层的输入;表示最大空间速度,/>表示最大空间加速度,/>分别表示笛卡尔空间下的初始位置矢量和结束位置矢量;
2)关节空间
在关节空间中训练数据集的输入向量为:
其中,表示关节最大速度矢量,/>表示关节最大加速度矢量,/>分别表示关节空间下的初始位置矢量和结束位置矢量。
6.根据权利要求1所述的一种基于数据驱动的工业机器人实训能耗测量方法,其特征在于,测试数据集检验过程中,检验效果采用统计学中的R2检验:
其中i=1,2,…,p表示样本的数量,表示第i个样本的期望输出,/>表示所有样本的平均输出,yi表示第i个样本的实际输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111407468.9A CN114030008B (zh) | 2021-11-24 | 2021-11-24 | 一种基于数据驱动的工业机器人实训能耗测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111407468.9A CN114030008B (zh) | 2021-11-24 | 2021-11-24 | 一种基于数据驱动的工业机器人实训能耗测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114030008A CN114030008A (zh) | 2022-02-11 |
CN114030008B true CN114030008B (zh) | 2023-08-22 |
Family
ID=80138804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111407468.9A Active CN114030008B (zh) | 2021-11-24 | 2021-11-24 | 一种基于数据驱动的工业机器人实训能耗测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114030008B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114770499B (zh) * | 2022-03-30 | 2023-09-12 | 清华大学 | 工业机器人的能耗高效建模预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008917A (zh) * | 2007-01-29 | 2007-08-01 | 中南大学 | 基于人工免疫***的移动机器人软件故障诊断*** |
CN103332233A (zh) * | 2013-07-10 | 2013-10-02 | 哈尔滨工业大学 | 三自由度大阻尼欠驱动攀爬桁架机器人及其控制方法 |
CN104057290A (zh) * | 2014-06-24 | 2014-09-24 | 中国科学院自动化研究所 | 一种基于视觉和力反馈控制的机器人装配方法与*** |
JP2017030137A (ja) * | 2015-07-31 | 2017-02-09 | ファナック株式会社 | 人の行動パターンを学習する機械学習装置、ロボット制御装置、ロボットシステム、および機械学習方法 |
CN110936382A (zh) * | 2019-12-18 | 2020-03-31 | 哈尔滨工业大学 | 一种数据驱动的工业机器人能耗优化方法 |
-
2021
- 2021-11-24 CN CN202111407468.9A patent/CN114030008B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008917A (zh) * | 2007-01-29 | 2007-08-01 | 中南大学 | 基于人工免疫***的移动机器人软件故障诊断*** |
CN103332233A (zh) * | 2013-07-10 | 2013-10-02 | 哈尔滨工业大学 | 三自由度大阻尼欠驱动攀爬桁架机器人及其控制方法 |
CN104057290A (zh) * | 2014-06-24 | 2014-09-24 | 中国科学院自动化研究所 | 一种基于视觉和力反馈控制的机器人装配方法与*** |
JP2017030137A (ja) * | 2015-07-31 | 2017-02-09 | ファナック株式会社 | 人の行動パターンを学習する機械学習装置、ロボット制御装置、ロボットシステム、および機械学習方法 |
CN110936382A (zh) * | 2019-12-18 | 2020-03-31 | 哈尔滨工业大学 | 一种数据驱动的工业机器人能耗优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114030008A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111590581B (zh) | 机器人的定位补偿方法及装置 | |
CN105843073B (zh) | 一种基于气动力不确定降阶的机翼结构气动弹性稳定性分析方法 | |
CN110000787A (zh) | 一种超冗余机械臂的控制方法 | |
CN113510709B (zh) | 基于深度强化学习的工业机器人位姿精度在线补偿方法 | |
CN104570736B (zh) | 一种星‑臂耦合***的动力学参数在轨辨识方法和装置 | |
Wang et al. | Research on robot path planning based on fuzzy neural network algorithm | |
CN114030008B (zh) | 一种基于数据驱动的工业机器人实训能耗测量方法 | |
CN114004023A (zh) | 一种基于循环神经网络的飞行器气动参数辨识的方法 | |
CN107102617A (zh) | 一种高精度空间椭圆曲线实时插补方法 | |
CN115688288B (zh) | 飞行器气动参数辨识方法、装置、计算机设备及存储介质 | |
CN110705105A (zh) | 一种机器人逆动力学模型的建模方法及*** | |
CN114964313A (zh) | 一种基于rvm的光纤陀螺温度补偿方法 | |
CN110412997B (zh) | 一种基于神经网络的航天器姿控喷管故障智能诊断***及方法 | |
CN117901104A (zh) | 面向机械臂性能监测及误差补偿的特征主动学习-反馈数字孪生方法 | |
CN112326187A (zh) | 一种应用液晶涂层和深度学习算法测量摩擦力场的方法 | |
CN104715133B (zh) | 一种待辨识对象的运动学参数在轨辨识方法和装置 | |
CN114186477A (zh) | 一种基于Elman神经网络的轨道预测算法 | |
Zhang et al. | CafkNet: GNN-Empowered Forward Kinematic Modeling for Cable-Driven Parallel Robots | |
CN107957685A (zh) | 一种求解含噪声时变问题的神经动力学方法 | |
Stölzle et al. | Modelling handed shearing auxetics: Selective piecewise constant strain kinematics and dynamic simulation | |
CN109631813B (zh) | 一种大尺寸关节臂式坐标测量机的标定方法 | |
Gan et al. | Wavelet neural network aerodynamic modeling from flight data based on pso algorithm with information sharing and velocity disturbance | |
CN117784616B (zh) | 一种基于智能观测器组的高速飞行器故障重构方法 | |
CN112084574B (zh) | 一种基于神经网络的船舶附加质量和附加惯性矩确定方法 | |
CN115328203B (zh) | 一种基于数据驱动的大规模无人机集群编队仿真加速方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |