CN115179290B - 一种机械臂及其轨迹控制方法与装置 - Google Patents
一种机械臂及其轨迹控制方法与装置 Download PDFInfo
- Publication number
- CN115179290B CN115179290B CN202210864724.5A CN202210864724A CN115179290B CN 115179290 B CN115179290 B CN 115179290B CN 202210864724 A CN202210864724 A CN 202210864724A CN 115179290 B CN115179290 B CN 115179290B
- Authority
- CN
- China
- Prior art keywords
- track
- feedforward
- mechanical arm
- information
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000007246 mechanism Effects 0.000 claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 10
- 239000012636 effector Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005381 potential energy Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J18/00—Arms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1633—Programme controls characterised by the control loop compliant, force, torque control, e.g. combined with position control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于工业机械臂轨迹跟踪相关技术领域,其公开了一种机械臂及其轨迹控制方法与装置,该方法包括以下步骤:(1)获取机械臂的轨迹信息并转换到关节空间,进而预设轨迹粗分节点并通过机理模型求解得到前馈力矩值;同时预设轨迹细分节点并通过数据驱动模型求解得到前馈力矩值;(2)采用跟踪滤波器对得到的两种前馈力矩值进行数据融合以得到新的前馈力矩值;(3)采用离散初始化工具对机械臂的轨迹信息进行离散,并将离散后的轨迹信息与新的前馈力矩值的维度进行对齐,以作为前馈补偿通道的输入,进而经由反馈控制器对输入进行处理以得到控制信息,并对机械臂进行轨迹控制。本发明提高了机械臂控制的实时性和轨迹跟踪精度。
Description
技术领域
本发明属于工业机械臂轨迹跟踪控制相关技术领域,更具体地,涉及一种机械臂及其轨迹控制方法与装置。
背景技术
工业机械臂在进行焊接、喷涂时,其末端执行器的运动轨迹固定,且需要具有较高的动态响应和精度要求。传统的反馈控制虽然能保证轨迹的精度,但在高速运动情况下滞后现象严重,无法满足快速响应的性能要求。
前馈控制是一种直接对被控变量进行控制的开环控制***,其特点是当扰动产生后,被控变量还未变化以前,根据扰动作用的大小进行控制,以补偿扰动作用对被控变量的影响。前馈控制***可以提高时间响应特性,避免负反馈调节时矫枉过正而产生的波动和反应的滞后现象,使调节控制更快、更准确。
如何实现机械臂控制程序在复杂工况下仍保持较高的鲁棒性、灵敏度以及精度是伴随机械臂高性能运动发展的关键问题,而引入前馈补偿的反馈控制已被证明是有效解决手段。对于需要兼顾速度和精度的任务轨迹,高增益的前馈补偿通道可以快速对预设轨迹进行响应,迅速将执行器末端预置到大概位置,再由低增益的反馈通道进一步调整扰动,提高控制精度。
目前获取机械臂各关节前馈力矩值的方式主要有两种,其一是基于机理模型:该方法从机械臂的动力学特性出发,对机械臂建立DH坐标系,根据末端执行器预设的任务轨迹信息通过逆动力学求解前馈力矩值。但该方法没有考虑连杆柔性变形所带来的能量变化,且难以准确衡量摩擦因素,导致建立的动力学模型与实际模型有较大的区别;其二是基于数据驱动模型:该方法通过大量实验,得到包含各轨迹信息和对应前馈力矩值信息的数据集,通过上述数据集训练神经网络,从而获取前馈力矩值。但该方法的数据来源为测量值,存在干扰,且泛化能力差,仅对已训练好的轨迹效果较好。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种机械臂及其轨迹控制方法与装置,该方法将传统的机理模型与数据驱动模型有机地结合,并通过蹑踪滤波算法从概率的角度将基于机理模型与数据驱动模型获得的前馈力矩值进行数据融合,得到的前馈值继承了两种模型的优势,提高了机械臂控制的实时性和轨迹跟踪精度。同时该方法通过假设模态法获取机械臂柔性变形的数学模型,进一步提高了机理模型的准确度。
为实现上述目的,按照本发明的一个方面,提供了一种机械臂的轨迹控制方法,该方法包括以下步骤:
(1)获取机械臂的轨迹信息并转换到关节空间,进而预设轨迹粗分节点并通过机理模型求解得到前馈力矩值;同时预设轨迹细分节点并通过数据驱动模型求解得到前馈力矩值;
(2)采用跟踪滤波器对得到的两种前馈力矩值进行数据融合以得到新的前馈力矩值;
(3)采用离散初始化工具对机械臂的轨迹信息进行离散,并将离散后的轨迹信息与新的前馈力矩值的维度进行对齐,以作为前馈补偿通道的输入,进而经由反馈控制器对输入进行处理以得到控制信息,并将该控制信息输出给机械臂以对机械臂进行轨迹控制。
进一步地,步骤(3)中,将得到的前馈力矩值转换为电机电流值,与轨迹信息一同作为前馈通道的输入,同时实时监控机械臂末端执行器的位置信息与各关节的电流信息,并将得到的位置信息与电流信息与预设信息的偏差作为反馈通道的输入。
进一步地,通过机理模型求解得到前馈力矩值包括以下子步骤:
(1)通过假设模态法获取连杆的振型函数hj(x);
(2)通过雅可比矩阵获取空间机械臂各个连杆的速度与位移;
(3)求解空间机械臂的动能和势能;
(4)通过拉格朗日法建立空间机械臂的柔性动力学模型:
进而求解出对应任务轨迹下的前馈力矩值。
进一步地,通过数据驱动模型求解得到前馈力矩值主要包括以下子步骤:
(1)通过实验获取包含轨迹信息与其对应的力矩值的数据集;
(2)选用支持向量机或者神经网络方法对得到的数据集进行深度学习获取参数权重w与偏置b;
(3)由训练好的网络模型构建函数τ=f(q,q′,q″,w,b),求解出对应任务轨迹下的前馈力矩值。
进一步地,将机理模型与数据驱动模型得到预测值的概率分布进行融合,以机理模型的预测值提供状态初值,不断对数据驱动模型的预测值进行蹑踪,得到最优的概率分布,进而得到前馈补偿力矩值。
进一步地,机理模型获取的概率分布为其中根据机理模型与测量真实值的偏差确定;数据驱动模型获取的概率分布为其中根据传感器误差决定,确定最优权重K随着循环进行同步更新;将得到的概率相乘以得到新的概率,继而完成数据融合以得到新的前馈力矩值;其中,新概率分布为:
本发明还提供了一种机械臂的轨迹控制装置,所述轨迹控制装置包括可读存储介质及处理器,所示可读存储介质存储有计算机程序;所述处理器用于读取并执行所述可读存储介质存储的计算机程序,以使所述处理器执行如上所述的机械臂的轨迹控制方法。
本发明还提供了一种机械臂的轨迹控制装置,所述轨迹控制装置包括数据融合模块和控制补偿模块;其中,
数据融合模块用于获取机械臂的轨迹信息并转换到关节空间,进而预设轨迹粗分节点并通过机理模型求解得到前馈力矩值;同时预设轨迹细分节点并通过数据驱动模型求解得到前馈力矩值;还采用跟踪滤波器对得到的两种前馈力矩值进行数据融合以得到新的前馈力矩值;
所述控制补偿模块用于采用离散初始化工具对机械臂的轨迹信息进行离散,并将离散后的轨迹信息与来自所述数据融合模块的新的前馈力矩值的维度进行对齐,以作为前馈补偿通道的输入,进而经由反馈控制器对输入进行处理以得到控制信息,并将该控制信息输出给机械臂以对机械臂进行轨迹控制。
本发明提供了一种机械臂,所述机械臂采用权利要求1-6任一项所述的机械臂的轨迹控制方法对机械臂进行轨迹控制。
本发明提供了一种机械臂,所述机械臂包括如上所述的机械臂的轨迹控制装置。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的机械臂及其轨迹控制方法与装置主要具有以下有益效果:
1.本发明加入了数据融合,获得的前馈力矩值既保留了机理模型对于绝大部分轨迹的适用性,保证其落在合理的取值区间,又滤去了数据驱动模型引起的噪声干扰,使得到的前馈力矩值平滑且精确。
2.采用控制补偿,将得到的前馈力矩值作为补偿通道的输入,提高了机械臂控制的实时性和轨迹跟踪精度;同时,该控制补偿模块还从位置环和电流环进行反馈控制,进一步提高了机械臂控制时的控制精度。
3.该方法通过假设模态法获取机械臂柔性变形的数学模型,进一步提高了机理模型的准确度。
附图说明
图1是本发明提供的一种机械臂的轨迹控制方法的规划结构示意图;
图2是本发明提供的轨迹控制装置的数据融合模块的工作流程图;
图3是本发明提供的轨迹控制装置的跟踪滤波器的工作流程图;
图4是本发明提供的轨迹控制装置的数据融合模块的整体示意图;
图5是本发明提供的机械臂的轨迹控制方法的详细流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特点只要彼此之间未构成冲突就可以相互组合。
请参阅图1,本发明提供了一种机械臂的轨迹控制方法,其为了弥补反馈控制存在的滞后缺陷,引入了前馈补偿来实现机械臂的快速响应,提高了工业机械臂的控制性能。所述方法引入数据驱动模型用于克服机理模型的简化误差、计算成本高等缺陷,其将传统的机理模型与数据驱动模型有机地组合,并通过蹑踪滤波算法从概率的角度将基于机理模型与数据驱动模型获得的前馈力矩值进行数据融合,得到的前馈值继承了两种模型的优势,提高了机械臂控制的实时性和轨迹跟踪精度。同时该方法通过假设模态法获取机械臂柔性变形的数学模型,进一步提高了机理模型的准确度。
多种工业机械臂都可使用该方法对任意点到点或者连续轨迹,得到取值区间合理、平滑、精确的前馈力矩值,同时通过离散初始化工具将轨迹信息与前馈值对齐后一起作为机械臂的输入,并从位置环和电流环进行反馈控制,加强机械臂控制的实时性和轨迹跟踪精度。
所述轨迹控制方法主要包括以下步骤:
步骤一,获取机械臂的轨迹信息并转换到关节空间,进而预设轨迹粗分节点并通过机理模型求解得到前馈力矩值;同时预设轨迹细分节点并通过数据驱动模型求解得到前馈力矩值。
通过机理模型求解得到前馈力矩值包括以下子步骤:
(1)通过假设模态法获取连杆的振型函数hj(x)。
(2)通过雅可比矩阵获取空间机械臂各个连杆的速度与位移。
(3)求解空间机械臂的动能和势能。
(4)通过拉格朗日法建立空间机械臂的柔性动力学模型:
进而求解出对应任务轨迹下的前馈力矩值。
通过数据驱动模型求解得到前馈力矩值主要包括以下子步骤:
(1)通过实验获取包含轨迹信息与其对应的力矩值的数据集。
(2)选用包括但不限于支持向量机、神经网络方法对得到的数据集进行深度学习获取参数权重w与偏置b。
(3)由训练好的网络模型构建函数τ=f(q,q′,q″,w,b),求解出对应任务轨迹下的前馈力矩值。
步骤二,采用跟踪滤波器对得到的两种前馈力矩值进行数据融合以得到新的前馈力矩值。具体包括以下子步骤:
(1)获取任务轨迹。
(2)将任务轨迹离散化,分别获得n个离散点的粗粒度轨迹和n×k个离散点的细粒度轨迹;n为外循环计数,k为内循环次数,n和k自行设定。对于机理模型,求解前馈值的速度较慢,但符合大致范围;为此将任务轨迹粗分为n个节点用以提供状态初值。对于数据驱动模型,可以迅速求解前馈值,但普适性不强,为此将任务轨迹细分为n×k个节点用以进行动态更新。
(3)基于机理模型计算粗粒度轨迹的前馈力矩值,记为xi,i=1…n;基于数据驱动模型计算细粒度轨迹的前馈力矩值,记为zij,i=1…n,j=1…k。
(4)基于计算得到的前馈力矩值的概率分布,引入不确定性。其中机理模型获取的概率分布为其中根据机理模型与测量真实值的偏差确定;数据驱动模型获取的概率分布为其中根据传感器误差决定。
(5)确定最优权重K随着循环进行同步更新;正态分布的集中程度取决于其方差,方差越小,对应的概率分布越集中,将得到的二概率相乘,新概率分布如下所示:
确定最优权重K随着循环进行同步更新;记最优权重为其中x′=xi+K(zij-xi),经过相乘后得到新的概率分布方差会更小,循环该过程可以提高前馈值的精度。其中最优权重K随着循环进行同步更新。
(6)执行内循环,通过蹑踪滤波算法更新最优权重并精炼前馈力矩值。
(7)执行外循环,循环执行步骤六得到一系列估计值将其作为前馈力矩值输送给控制补偿模块。
步骤三,采用离散初始化工具对机械臂的轨迹信息进行离散,并将离散后的轨迹信息与新的前馈力矩值的维度进行对齐,以作为前馈补偿通道的输入,进而经由反馈控制器对输入进行处理以得到控制信息,并将该控制信息输出给机械臂以对机械臂进行轨迹控制。
其中,将得到的前馈力矩值转换为电机电流值,与轨迹信息一同作为前馈通道的输入,同时实时监控机械臂末端执行器的位置信息与各关节的电流信息,并将得到的位置信息与电流信息与预设信息的偏差作为反馈通道的输入。
本发明还提供一种机械臂的轨迹控制装置,所述控制装置包括可读存储介质,所示可读存储介质存储有计算机程序,所述计算机程序被执行时执行如上所述的机械臂的轨迹控制方法。
所述机械臂控制装置还包括处理器,所述处理器用于执行所述可读存储介质存储的计算机程序,以使所述处理器执行如上所述的机械臂的轨迹控制方法。
本发明还提供了一种机械臂,所述机械臂包括如上所述的机械臂控制装置。或者,所述机械臂采用如上所述的机械臂的轨迹控制方法来进行轨迹控制。
在一个实施方式中,所述轨迹控制装置包括数据融合模块和控制补偿模块,其数据融合模块的输入为任务轨迹信息;输出为融合后的前馈值;其主要功能是根据上位机给定的任务轨迹信息,分别通过机理模型和数据驱动模型求解器进行预测,经过跟踪滤波器融合得到更精确的前馈力矩值。该模块具有如下特点:
可以通过数据驱动模型快速求解出对应轨迹的前馈力矩值。
对于复杂的预设轨迹,机理模型可以保证求解出的力矩值落在合理的取值区间内,再由数据驱动模型进行动态修正。
该数据融合模块包括以下功能组件:
机理模型求解器:根据机械臂动力学模型求解前馈力矩值;
数据驱动模型求解器:通过神经网络求解得出前馈力矩值;
跟踪滤波器:将机理模型与数据驱动模型得到预测值的概率分布进行融合,以机理模型的预测值提供状态初值,不断对数据驱动模型的预测值进行蹑踪,得到更集中的概率分布,从而得到更精确的前馈补偿力矩值。
数据融合模块的一般步骤如下:
步骤一、上位机下发任务空间轨迹信息,激活数据融合模块。
步骤二、将任务轨迹粗分和细分若干节点,同步将粗分节点下发至机理模型,细分节点下发至数据驱动模型进行求解。
步骤三、通过跟踪滤波器得到上述二者的概率分布,融合过程分为内循环与外循环,内循环将机理模型的预测值作为状态初值,对数据驱动模型的预测值不断蹑踪进行动态更新,外循环得到任务轨迹各节点对应的前馈力矩值,将得到的前馈力矩值作为控制补偿模块的输入。
控制补偿模块的输入为上位机的轨迹信息;数据融合模块输出的前馈力矩值以及机械臂实时监控的位置和电流返回值;输出为优化后的控制补偿信息;其主要功能是将得到的前馈力矩值与轨迹信息进行对齐,并从位置环和电流环进行反馈,生成能达到任务轨迹的控制补偿信息,连同任务轨迹一起作为机械臂控制的输入。该模块具有如下特点:
1、前馈补偿对机械臂控制***的电机电流进行直接控制,响应速度快。
2、前馈控制将末端执行器快速预置到任务轨迹大致区域,降低了反馈控制的负担,理论上可以做到无差控制。
控制补偿模块包括以下功能组件:
离散初始化工具:按照机械臂控制信号接收频率离散轨迹,并将轨迹信息与数据融合模块得到的前馈值在维度上对齐;
反馈控制器:实时监控得到的末端执行器位置与电流信息作为反馈与预期值进行对比,通过反馈控制器向机械臂输入控制补偿信息。
控制补偿模块的一般步骤如下:
步骤一、离散初始化工具根据机械臂接收控制信号的频率对预设的任务轨迹信息进行离散。将前馈力矩值和关节空间角度、角速度以及角加速度的维度对齐。
步骤二、将得到的前馈力矩值转换为电机电流值,与轨迹信息一同作为前馈通道的输入。
步骤三、将测量得到的实际电流值和末端执行器轨迹信息输入反馈通道。
请参阅图2、图3及图4,本模块包括预处理阶段和正式工作阶段,预处理阶段用以建立机理模型和数据驱动模型,正式工作阶段接收轨迹信息可以立刻求解结果。
预处理阶段建立机理模型具体步骤如下:
步骤一、通过假设模态法获取连杆的振型函数hj(x)
步骤二、通过雅可比矩阵获取空间机械臂各个连杆的速度与位移。
步骤三、求解空间机械臂的动能和势能。
步骤四、通过拉格朗日法建立空间机械臂的柔性动力学模型:
求解出对应任务轨迹下的前馈力矩值。
预处理阶段建立数据驱动模型步骤如下:
步骤一、进行大量实验,得到包含轨迹信息与其对应的力矩值的数据集。
步骤二、选用包括但不限于支持向量机、神经网络方法对步骤一得到的数据集进行深度学习获取参数权重w与偏置b。
步骤三、由训练好的网络模型构建函数τ=f(q,q′,q″,w,b),求解出对应任务轨迹下的前馈力矩值。
正式工作阶段具体包含以下步骤:
S201:数据融合模块读取上位机下发的轨迹,并转换到关节空间。
S202:通过机理模型求解器得到前馈力矩值。
S203:通过数据驱动模型求解器得到前馈力矩值。其中S202与S203能够并行进行。
S204:通过跟踪滤波器对二者进行数据融合得到前馈力矩值。
其中跟踪滤波器工作流程如图3所示,具体步骤如下:
步骤一:从上层应用获取任务轨迹;
步骤二:将任务轨迹离散化,分别获得n个离散点的粗粒度轨迹和n×k个离散点的细粒度轨迹;n为外循环计数,k为内循环次数,n和k自行设定;对于机理模型,求解前馈值的速度较慢,但符合大致范围;为此将任务轨迹粗分为n个节点用以提供状态初值。对于数据驱动模型,可以迅速求解前馈值,但普适性不强,为此将任务轨迹细分为n×k个节点用以进行动态更新。
步骤三:基于机理模型计算粗粒度轨迹的前馈力矩值,记为xi,i=1…n;基于数据驱动模型计算细粒度轨迹的前馈力矩值,记为zij,i=1…n,j=1…k;
步骤四:基于前述计算值得到前馈力矩值的概率分布,引入不确定性。其中机理模型获取的概率分布为其中根据机理模型与测量真实值的偏差确定;数据驱动模型获取的概率分布为其中根据传感器误差决定。
步骤五:确定最优权重K随着循环进行同步更新;正态分布的集中程度取决于其方差,方差越小,对应的概率分布越集中,将步骤四得到的二者相乘,新概率分布如下所示:
确定最优权重K随着循环进行同步更新;记最优权重为其中x′=xi+K(zij-xi),经过相乘后得到新的概率分布方差会更小,循环该过程可以提高前馈值的精度。其中最优权重K随着循环进行同步更新。
步骤六:执行内循环,通过蹑踪滤波算法更新最优权重并精炼前馈力矩值。
将机理模型得到的xi作为状态初值,由数据模型提供的一系列观测值zij进行动态更新。以第i个循环为例:xi与zi1通过步骤五的最优权重K进行融合,得到更精确的估计真实值再以与zi2进行融合,此时对权重K进行更新,得到对上述过程不断循环直至j=k。具体迭代过程如下所示:
(1)计算最优权重:
(2)从当前状态预测下一次状态:x′ij=xi+K(zij-xi),
(3)更新最优权重:
(4)将计算出的x′ij代入(2)中的xi,K′代入(2)中的K,迭代计算下一步最优状态。
步骤七:执行外循环,循环执行步骤六得到一系列估计值将其作为前馈力矩值输送给控制补偿模块。
请参阅图5,具体包括以下步骤:
S501:控制补偿模块读取数据融合模块输出的前馈力矩值与上位机的轨迹信息,并将前馈值转换为电机电流值。
S502:离散初始化工具按照机器人接收控制信号频率对轨迹信息进行离散,并与接收到的前馈力矩值维度对齐,将二者作为前馈补偿通道的输入。
S503:实时监控机械臂末端执行器的位置信息与各关节的电流信息,将得到的位置信息机与电流信息与预设信息的偏差作为反馈通道的输入。
S504:选用但不限于PID,LQR方法作为反馈控制器接收S503的信号,并将控制信息输出给机械臂。
本发明对上位机预设的任务轨迹,提供平滑且精确、取值范围合理的前馈力矩值,通过机理模型求解器,能保证对绝大部分轨迹的适用性;通过数据驱动模型求解器,能快速求解一般轨迹的前馈值,提高了轨迹控制的实用性和通用性;同时,加入控制补偿模块,从位置环和电流环对机械臂进行反馈控制,提高了六轴机械臂的控制精度。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种机械臂的轨迹控制方法,其特点在于,该方法包括以下步骤:
(1)获取机械臂的轨迹信息并转换到关节空间,进而预设轨迹粗分节点并通过机理模型求解得到前馈力矩值;同时预设轨迹细分节点并通过数据驱动模型求解得到前馈力矩值;
(2)采用跟踪滤波器对得到的两种前馈力矩值进行数据融合以得到新的前馈力矩值;
(3)采用离散初始化工具对机械臂的轨迹信息进行离散,并将离散后的轨迹信息与新的前馈力矩值的维度进行对齐,以作为前馈补偿通道的输入,进而经由反馈控制器对输入进行处理以得到控制信息,并将该控制信息输出给机械臂以对机械臂进行轨迹控制;
将机理模型与数据驱动模型得到预测值的概率分布进行融合,以机理模型的预测值提供状态初值,不断对数据驱动模型的预测值进行蹑踪,得到最优的概率分布,进而得到前馈补偿力矩值;
机理模型获取的概率分布为其中根据机理模型与测量真实值的偏差确定;数据驱动模型获取的概率分布为其中根据传感器误差决定,确定最优权重K随着循环进行同步更新;将得到的概率相乘以得到新的概率,继而完成数据融合以得到新的前馈力矩值;其中,新概率分布为:
2.如权利要求1所述的机械臂的轨迹控制方法,其特点在于:步骤(3)中,将得到的前馈力矩值转换为电机电流值,与轨迹信息一同作为前馈通道的输入,同时实时监控机械臂末端执行器的位置信息与各关节的电流信息,并将得到的位置信息与电流信息与预设信息的偏差作为反馈通道的输入。
3.如权利要求1所述的机械臂的轨迹控制方法,其特点在于:通过机理模型求解得到前馈力矩值包括以下子步骤:
(1)通过假设模态法获取连杆的振型函数hj(x);
(2)通过雅可比矩阵获取空间机械臂各个连杆的速度与位移;
(3)求解空间机械臂的动能和势能;
(4)通过拉格朗日法建立空间机械臂的柔性动力学模型:
进而求解出对应任务轨迹下的前馈力矩值。
4.如权利要求1所述的机械臂的轨迹控制方法,其特点在于:通过数据驱动模型求解得到前馈力矩值主要包括以下子步骤:
(1)通过实验获取包含轨迹信息与其对应的力矩值的数据集;
(2)选用支持向量机或者神经网络方法对得到的数据集进行深度学习获取参数权重w与偏置b;
(3)由训练好的网络模型构建函数τ=f(q,q′,q″,w,b),求解出对应任务轨迹下的前馈力矩值。
5.一种机械臂的轨迹控制装置,其特点在于:所述轨迹控制装置包括可读存储介质及处理器,所示可读存储介质存储有计算机程序;所述处理器用于读取并执行所述可读存储介质存储的计算机程序,以使所述处理器执行权利要求1-4任一项所述的机械臂的轨迹控制方法。
6.一种机械臂的轨迹控制装置,其特点在于:所述轨迹控制装置包括数据融合模块和控制补偿模块;其中,
数据融合模块用于获取机械臂的轨迹信息并转换到关节空间,进而预设轨迹粗分节点并通过机理模型求解得到前馈力矩值;同时预设轨迹细分节点并通过数据驱动模型求解得到前馈力矩值;还采用跟踪滤波器对得到的两种前馈力矩值进行数据融合以得到新的前馈力矩值;
所述控制补偿模块用于采用离散初始化工具对机械臂的轨迹信息进行离散,并将离散后的轨迹信息与来自所述数据融合模块的新的前馈力矩值的维度进行对齐,以作为前馈补偿通道的输入,进而经由反馈控制器对输入进行处理以得到控制信息,并将该控制信息输出给机械臂以对机械臂进行轨迹控制;
将机理模型与数据驱动模型得到预测值的概率分布进行融合,以机理模型的预测值提供状态初值,不断对数据驱动模型的预测值进行蹑踪,得到最优的概率分布,进而得到前馈补偿力矩值;
机理模型获取的概率分布为其中根据机理模型与测量真实值的偏差确定;数据驱动模型获取的概率分布为其中根据传感器误差决定,确定最优权重K随着循环进行同步更新;将得到的概率相乘以得到新的概率,继而完成数据融合以得到新的前馈力矩值;其中,新概率分布为:
7.一种机械臂,其特点在于:所述机械臂采用权利要求1-4任一项所述的机械臂的轨迹控制方法对机械臂进行轨迹控制。
8.一种机械臂,其特点在于:所述机械臂包括权利要求5-6任一项所述的机械臂的轨迹控制装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210864724.5A CN115179290B (zh) | 2022-07-21 | 2022-07-21 | 一种机械臂及其轨迹控制方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210864724.5A CN115179290B (zh) | 2022-07-21 | 2022-07-21 | 一种机械臂及其轨迹控制方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115179290A CN115179290A (zh) | 2022-10-14 |
CN115179290B true CN115179290B (zh) | 2024-07-02 |
Family
ID=83521559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210864724.5A Active CN115179290B (zh) | 2022-07-21 | 2022-07-21 | 一种机械臂及其轨迹控制方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115179290B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117742239B (zh) * | 2024-02-19 | 2024-05-14 | 南京超颖新能源科技有限公司 | 机床的垂直矫正***及矫正方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111496781A (zh) * | 2020-03-17 | 2020-08-07 | 浙江大学 | 数字孪生驱动的机械臂建模、控制与监测一体化集成*** |
CN112247992A (zh) * | 2020-11-02 | 2021-01-22 | 中国科学院深圳先进技术研究院 | 一种机器人前馈力矩补偿方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4148189B2 (ja) * | 2004-06-14 | 2008-09-10 | トヨタ自動車株式会社 | 柔軟関節ロボットアームの制御装置 |
JP5930754B2 (ja) * | 2012-02-13 | 2016-06-08 | キヤノン株式会社 | ロボット装置の制御方法及びロボット装置 |
EP3424650B1 (en) * | 2017-07-07 | 2022-12-21 | Siemens Aktiengesellschaft | A method and apparatus for performing control of a movement of a robot arm |
WO2019049328A1 (ja) * | 2017-09-08 | 2019-03-14 | 三菱電機株式会社 | サーボ制御装置 |
CN113386781B (zh) * | 2021-05-24 | 2024-05-24 | 江苏大学 | 一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法 |
CN113867157B (zh) * | 2021-12-03 | 2022-04-08 | 武汉鼎元同立科技有限公司 | 一种控制补偿的最优轨迹规划方法、设备及存储设备 |
-
2022
- 2022-07-21 CN CN202210864724.5A patent/CN115179290B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111496781A (zh) * | 2020-03-17 | 2020-08-07 | 浙江大学 | 数字孪生驱动的机械臂建模、控制与监测一体化集成*** |
CN112247992A (zh) * | 2020-11-02 | 2021-01-22 | 中国科学院深圳先进技术研究院 | 一种机器人前馈力矩补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115179290A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiang et al. | Robust fuzzy 3D path following for autonomous underwater vehicle subject to uncertainties | |
Li et al. | Trajectory-tracking control of mobile robot systems incorporating neural-dynamic optimized model predictive approach | |
Lin | A reinforcement learning adaptive fuzzy controller for robots | |
Ogbemhe et al. | Towards achieving a fully intelligent robotic arc welding: a review | |
Yue et al. | An efficient model predictive control for trajectory tracking of wheeled inverted pendulum vehicles with various physical constraints | |
Hu et al. | A reinforcement learning neural network for robotic manipulator control | |
CN112571420B (zh) | 一种未知参数下的双功能模型预测控制方法 | |
CN115179290B (zh) | 一种机械臂及其轨迹控制方法与装置 | |
Sun | Kinematics model identification and motion control of robot based on fast learning neural network | |
Perrusquía et al. | Robot position/force control in unknown environment using hybrid reinforcement learning | |
Zhou et al. | Robust Kalman filtering with long short-term memory for image-based visual servo control | |
Sandou et al. | Design and Implementation of Neuro-Fuzzy Control Approach for Robot's Trajectory Tracking | |
Tang et al. | Trajectory tracking of robotic manipulators with constraints based on model predictive control | |
Komeno et al. | Deep koopman with control: Spectral analysis of soft robot dynamics | |
Korayem et al. | Regulation of cost function weighting matrices in control of WMR using MLP neural networks | |
West et al. | A new approach to improve the parameter estimation accuracy in robotic manipulators using a multi-objective output error identification technique | |
Raimalwala et al. | A preliminary study of transfer learning between unicycle robots | |
Tang et al. | Actively learning Gaussian process dynamical systems through global and local explorations | |
Shang et al. | Fuzzy adaptive control of coal gangue sorting parallel robot with variable load | |
Grisales-Ramirez et al. | Multi-objective optimal path planning for mobile robots using state space cell mapping | |
Jin et al. | Error Prediction for Large Optical Mirror Processing Robot Based on Deep Learning | |
Ren et al. | Discrete-time parallel robot motion control using adaptive neuro-fuzzy inference system based on improved subtractive clustering | |
Bharathi et al. | Path planning of unmanned mobile robot in unknown obstacle environments for multi switching control tracking using deep reinforcement learning | |
Nakai et al. | Quadrotor Trajectory Tracking Under Output Delay: Strategies and Challenges | |
Olejár et al. | Identification of dynamics of movement of the differential mobile robotic platform controlled by fuzzy controller |
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 |