KR20230087303A - Robot arm joint friction estimation device and estimation method - Google Patents

Robot arm joint friction estimation device and estimation method Download PDF

Info

Publication number
KR20230087303A
KR20230087303A KR1020210176128A KR20210176128A KR20230087303A KR 20230087303 A KR20230087303 A KR 20230087303A KR 1020210176128 A KR1020210176128 A KR 1020210176128A KR 20210176128 A KR20210176128 A KR 20210176128A KR 20230087303 A KR20230087303 A KR 20230087303A
Authority
KR
South Korea
Prior art keywords
friction
robot arm
joint
data collection
equation
Prior art date
Application number
KR1020210176128A
Other languages
Korean (ko)
Other versions
KR102618327B1 (en
Inventor
황순욱
최한철
이광규
Original Assignee
두산로보틱스 주식회사
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 두산로보틱스 주식회사 filed Critical 두산로보틱스 주식회사
Priority to KR1020210176128A priority Critical patent/KR102618327B1/en
Publication of KR20230087303A publication Critical patent/KR20230087303A/en
Application granted granted Critical
Publication of KR102618327B1 publication Critical patent/KR102618327B1/en

Links

Images

Classifications

    • 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
    • B25J9/1641—Programme controls characterised by the control loop compensation for backlash, friction, compliance, elasticity in the joints
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J18/00—Arms
    • B25J18/02—Arms extensible
    • B25J18/04—Arms extensible rotatable
    • 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
    • B25J9/1638—Programme controls characterised by the control loop compensation for arm bending/inertia, pay load weight/inertia
    • 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
    • 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
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B25J9/1692—Calibration of manipulator

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)

Abstract

The present invention relates to a robot arm joint friction estimation device and an estimation method thereof, which may precisely estimate friction torque generated at a robot arm in real time to improve precision in the control of the robot arm. To this end, the robot arm joint friction estimation device according to one embodiment of the present invention comprises: a data collecting unit which collects an input data set in which the friction torque value of a robot arm and the joint speed value thereof in a random posture without external force are matched; a recursive linear regression model unit which estimates a friction parameter by operating a recursive linear regression model by using the input data set as an input value; and a friction torque estimation unit which calculates estimated friction torque by using the estimated friction parameter, and transmits the calculated estimated friction torque to the control unit which controls the operation of the robot arm.

Description

로봇아암 관절마찰 추정장치 및 추정방법 {Robot arm joint friction estimation device and estimation method}Robot arm joint friction estimation device and estimation method {Robot arm joint friction estimation device and estimation method}

본 발명은 로봇아암에서 발생하는 마찰토크를 실시간으로 정확하게 추정하여 로봇아암의 제어 정밀도를 향상시킬 수 있는 로봇아암 관절마찰 추정장치 및 추정방법에 관한 것이다. The present invention relates to an apparatus and method for estimating joint friction of a robot arm capable of improving control precision of a robot arm by accurately estimating friction torque generated in a robot arm in real time.

최근 다양한 로봇들이 개발되고 있다. 그 중에서도 관절을 구비하여 높은 자유도를 가진 다관절 구조의 로봇아암이 생활 및 산업 분야에서 널리 보급되고 있다. 로봇아암은 작업물을 지지하거나 운반하기 위해 사용될 수 있다.Recently, various robots are being developed. Among them, a multi-joint structured robot arm having joints and having a high degree of freedom is widely used in living and industrial fields. A robot arm may be used to support or carry a workpiece.

이러한 로봇아암의　관절에서 발생하는　마찰력은 로봇의 위치 및 속도 오차, 응답성능 저하, stick-slip 운동 등과 같은 비선형　마찰현상을 야기하여 로봇의 정밀 제어 및　관절토크 기반 제어의 성능을 저하하는 주요 원인이다.The frictional force generated from the “joints” of these robot arms causes non-linear “frictional” phenomena such as robot position and speed errors, response performance deterioration, and stick-slip motion, which is the main cause of deteriorating the performance of robot precision control and joint torque-based control.

마찰현상으로 인한 로봇의 제어성능 저하를 로봇의　관절　마찰력을 예측하여 적절히 보상함으로써 개선할 수 있으며, 이러한 기술을 로봇아암의　마찰　보상 기술이라 한다.The deterioration in the control performance of the robot due to the friction phenomenon can be improved by estimating the friction force of the robot's joint and appropriately compensating for it, and this technology is called the "friction" compensation technology of the robot arm.

로봇의　관절에서 발생하는　마찰력을 예측하기 위해서는　마찰력의 수학적 모델을 구성해야 하며,　마찰력의 수학적 모델을 구성하기 위해서는　마찰력을　추정하는 과정이 필요하다.In order to predict the frictional force generated from the joints of the robot, a mathematical model of the frictional force must be constructed, and in order to construct a mathematical model of the frictional force, the process of estimating the frictional force is required.

한국공개특허 10-2017-0086862Korean Patent Publication No. 10-2017-0086862

본 발명은 로봇아암에서 발생하는 마찰토크를 실시간으로 정확하게 추정하여 로봇아암의 제어 정밀도를 향상시킬 수 있는 로봇아암 관절마찰 추정장치 및 추정방법을 제공하는 것을 목적으로 한다.An object of the present invention is to provide a robot arm joint friction estimator and method capable of improving control precision of a robot arm by accurately estimating friction torque generated in a robot arm in real time.

본 발명의 실시예에 따른 로봇아암 관절마찰 추정장치는,The robot arm joint friction estimator according to an embodiment of the present invention,

외력이 없는 임의의 자세에서의 로봇아암의 마찰토크값과 관절속도값을 매칭한 입력 데이터 세트를 수집하는 데이터 수집부; 상기 입력 데이터 세트를 입력값으로 재귀선형회귀 모델을 구동하여 마찰 파라미터를 추정하는 재귀선형회귀 모델부; 및, 상기 추정된 마찰 파라미터를 이용하여 추정 마찰토크를 산출하고, 산출된 추정 마찰토크를 로봇아암의 동작을 제어하는 제어부로 전송하는 마찰토크 추정부;를 포함한다.a data collection unit that collects an input data set in which friction torque values and joint velocity values of the robot arm in an arbitrary posture without external force are matched; a recursive linear regression model unit for estimating a friction parameter by driving a recursive linear regression model using the input data set as an input value; and a friction torque estimating unit that calculates an estimated friction torque using the estimated friction parameter and transmits the calculated estimated friction torque to a control unit that controls an operation of the robot arm.

본 발명의 실시예에 따른 로봇아암 관절마찰 추정장치에 있어서, 상기 데이터 수집부는, 상기 입력 데이터 세트 중에서 관절속도값이 동일한 입력 데이터 세트 중 적어도 어느 하나는 노이즈 처리할 수 있다.In the robot arm joint friction estimator according to an embodiment of the present invention, the data collection unit may process at least one of the input data sets having the same joint velocity value among the input data sets as noise.

본 발명의 실시예에 따른 로봇아암 관절마찰 추정장치에 있어서, 상기 재귀선형회귀 모델부는, 하기 식 (a)의 예측 모델을 이용하여 최소자승법 재귀선형회귀 모델을 구동할 수 있다.In the robot arm joint friction estimator according to an embodiment of the present invention, the recursive linear regression model unit may drive a least squares recursive linear regression model using a predictive model of Equation (a) below.

식 (a) :

Figure pat00001
Equation (a):
Figure pat00001

(여기서,

Figure pat00002
는 마찰토크,
Figure pat00003
는 관절속도,
Figure pat00004
는 쿨롬 마찰계수,
Figure pat00005
,
Figure pat00006
,
Figure pat00007
는 점성계수임)(here,
Figure pat00002
is the friction torque,
Figure pat00003
is the joint velocity,
Figure pat00004
is the Coulomb friction coefficient,
Figure pat00005
,
Figure pat00006
,
Figure pat00007
is the viscosity coefficient)

본 발명의 실시예에 따른 로봇아암 관절마찰 추정장치에 있어서, 상기 재귀선형회귀 모델부는, 상기 데이터 수집부에서 실시간으로 수집된 입력 데이터 세트를 반영하여 실시간으로 마찰 파라미터(

Figure pat00008
,
Figure pat00009
,
Figure pat00010
,
Figure pat00011
)를 갱신할 수 있다. In the robot arm joint friction estimator according to an embodiment of the present invention, the recursive linear regression model unit reflects the input data set collected in real time by the data collection unit to reflect the friction parameter (
Figure pat00008
,
Figure pat00009
,
Figure pat00010
,
Figure pat00011
) can be updated.

본 발명의 실시예에 따른 로봇아암 관절마찰 추정장치에 있어서, 상기 재귀선형회귀 모델부는, 하기 식 (b)의 예측 모델을 이용하여 최소자승법 재귀선형회귀 모델을 구동하여 실시간으로 마찰 파라미터(

Figure pat00012
,
Figure pat00013
,
Figure pat00014
,
Figure pat00015
)를 갱신할 수 있다.In the robot arm joint friction estimator according to an embodiment of the present invention, the recursive linear regression model unit drives a least squares recursive linear regression model using the prediction model of the following equation (b) to drive the friction parameter (
Figure pat00012
,
Figure pat00013
,
Figure pat00014
,
Figure pat00015
) can be updated.

식 (b) :

Figure pat00016
Equation (b):
Figure pat00016

(여기서,

Figure pat00017
는 i번째 데이터 수집 주기에서의 마찰 파라미터 행렬,
Figure pat00018
는 (i-1)번째 데이터 수집 주기에서의 마찰 파라미터 행렬,
Figure pat00019
는 i번째 데이터 수집 주기에서의 마찰토크 행렬,
Figure pat00020
는 i번째 데이터 수집 주기에서의 관절속도
Figure pat00021
을 포함하는 행렬임)(here,
Figure pat00017
Is the friction parameter matrix at the ith data collection period,
Figure pat00018
Is the friction parameter matrix in the (i-1)th data collection period,
Figure pat00019
is the friction torque matrix in the ith data collection period,
Figure pat00020
is the joint velocity at the ith data collection period
Figure pat00021
is a matrix containing)

본 발명의 실시예에 따른 로봇아암 관절마찰 추정방법은,Robot arm joint friction estimation method according to an embodiment of the present invention,

외력이 없는 임의의 자세에서의 로봇아암의 마찰토크값과 관절속도값을 매칭한 입력 데이터 세트를 수집하는 데이터 수집단계; 상기 입력 데이터 세트를 입력값으로 재귀선형회귀 모델을 구동하여 마찰 파라미터를 추정하는 마찰 파라미터 추정단계; 및, 상기 추정된 마찰 파라미터를 이용하여 추정 마찰토크를 산출하는 마찰토크 추정단계;를 포함한다.A data collection step of collecting an input data set in which friction torque values and joint speed values of the robot arm in an arbitrary posture without an external force are matched; a friction parameter estimation step of estimating a friction parameter by driving a recursive linear regression model using the input data set as an input value; and a friction torque estimation step of calculating an estimated friction torque using the estimated friction parameter.

본 발명의 실시예에 따른 로봇아암 관절마찰 추정방법에 있어서, 상기 데이터 수집단계는, 상기 입력 데이터 세트 중에서 관절속도값이 동일한 입력 데이터 세트 중 적어도 어느 하나는 노이즈 처리할 수 있다. In the robot arm joint friction estimation method according to an embodiment of the present invention, in the data collection step, at least one of the input data sets having the same joint velocity value may be subjected to noise processing.

본 발명의 실시예에 따른 로봇아암 관절마찰 추정방법에 있어서, 상기 마찰 파라미터 추정단계는, 하기 식 (a)의 예측 모델을 이용하여 최소자승법 재귀선형회귀 모델을 구동할 수 있다.In the robot arm joint friction estimating method according to an embodiment of the present invention, in the friction parameter estimating step, a least square recursive linear regression model may be driven using a predictive model of Equation (a) below.

식 (a) :

Figure pat00022
Equation (a):
Figure pat00022

(여기서,

Figure pat00023
는 마찰토크,
Figure pat00024
는 관절속도,
Figure pat00025
는 쿨롬 마찰계수,
Figure pat00026
,
Figure pat00027
,
Figure pat00028
는 점성계수임)(here,
Figure pat00023
is the friction torque,
Figure pat00024
is the joint velocity,
Figure pat00025
is the Coulomb friction coefficient,
Figure pat00026
,
Figure pat00027
,
Figure pat00028
is the viscosity coefficient)

본 발명의 실시예에 따른 로봇아암 관절마찰 추정방법에 있어서, 상기 마찰 파라미터 추정단계는, 상기 데이터 수집단계에서 실시간으로 수집된 입력 데이터 세트를 반영하여 실시간으로 마찰 파라미터(

Figure pat00029
,
Figure pat00030
,
Figure pat00031
,
Figure pat00032
)를 갱신할 수 있다. In the method for estimating joint friction of a robot arm according to an embodiment of the present invention, the friction parameter estimating step reflects the input data set collected in real time in the data collection step to reflect the friction parameter (
Figure pat00029
,
Figure pat00030
,
Figure pat00031
,
Figure pat00032
) can be updated.

본 발명의 실시예에 따른 로봇아암 관절마찰 추정방법에 있어서, 상기 마찰 파라미터 추정단계는, 하기 식 (b)의 예측 모델을 이용하여 최소자승법 재귀선형회귀 모델을 구동하여 실시간으로 마찰 파라미터(

Figure pat00033
,
Figure pat00034
,
Figure pat00035
,
Figure pat00036
)를 갱신할 수 있다.In the robot arm joint friction estimation method according to an embodiment of the present invention, in the friction parameter estimation step, the friction parameter (
Figure pat00033
,
Figure pat00034
,
Figure pat00035
,
Figure pat00036
) can be updated.

식 (b) :

Figure pat00037
Equation (b):
Figure pat00037

(여기서,

Figure pat00038
는 i번째 데이터 수집 주기에서의 마찰 파라미터 행렬,
Figure pat00039
는 (i-1)번째 데이터 수집 주기에서의 마찰 파라미터 행렬,
Figure pat00040
는 i번째 데이터 수집 주기에서의 마찰토크 행렬,
Figure pat00041
는 i번째 데이터 수집 주기에서의 관절속도
Figure pat00042
을 포함하는 행렬임) (here,
Figure pat00038
Is the friction parameter matrix at the ith data collection period,
Figure pat00039
Is the friction parameter matrix in the (i-1)th data collection period,
Figure pat00040
is the friction torque matrix in the ith data collection period,
Figure pat00041
is the joint velocity at the ith data collection period
Figure pat00042
is a matrix containing)

기타 본 발명의 다양한 측면에 따른 구현예들의 구체적인 사항은 이하의 상세한 설명에 포함되어 있다.Other specific details of implementations according to various aspects of the present invention are included in the detailed description below.

본 발명의 실시 형태에 따르면, 로봇아암에서 발생하는 마찰토크를 실시간으로 정확하게 추정 및 갱신하여 로봇아암의 제어 정밀도를 향상시킬 수 있다.According to an embodiment of the present invention, the control precision of the robot arm can be improved by accurately estimating and updating the friction torque generated in the robot arm in real time.

도 1은 종래 방법에서 마찰토크를 산출하고, 이를 로봇아암 제어에 반영하는 과정이 개념적으로 도시된 순서도이다.
도 2는 본 발명의 일 실시예에 따른 로봇아암 관절마찰 추정장치에서 마찰토크를 추정하고, 이를 로봇아암 제어에 반영하는 과정이 개념적으로 도시된 순서도이다.
도 3은 로봇 아암의 개략적인 모식도이다.
도 4는 본 발명의 일 실시예에 따른 로봇아암 관절마찰 추정장치가 도시된 블록도이다.
도 5는 본 발명의 일 실시예에 따른 로봇아암 관절마찰 추정장치의 마찰 파라미터 실시간 갱신 관련 수식들이 도시된 도면이다.
도 6은 본 발명의 일 실시예에 따른 로봇아암 관절마찰 추정방법이 도시된 순서도이다.
도 7은 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.1 is a flowchart conceptually illustrating a process of calculating friction torque in a conventional method and reflecting it to robot arm control.
2 is a flowchart conceptually illustrating a process of estimating friction torque in the apparatus for estimating joint friction of a robot arm according to an embodiment of the present invention and reflecting it to control of a robot arm.
3 is a schematic schematic diagram of a robot arm.
4 is a block diagram illustrating an apparatus for estimating joint friction for a robot arm according to an embodiment of the present invention.
5 is a diagram showing equations related to real-time update of friction parameters of an apparatus for estimating joint friction of a robot arm according to an embodiment of the present invention.
6 is a flowchart illustrating a method for estimating joint friction of a robot arm according to an embodiment of the present invention.
7 is a diagram illustrating a computing device according to an embodiment of the present invention.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예를 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Since the present invention can apply various transformations and have various embodiments, specific embodiments will be exemplified and described in detail in the detailed description. However, it should be understood that this is not intended to limit the present invention to specific embodiments, and includes all transformations, equivalents, and substitutes included in the spirit and scope of the present invention.

본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 발명에서, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. Terms used in the present invention are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In the present invention, terms such as 'include' or 'having' are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features It should be understood that the presence or addition of numbers, steps, operations, components, parts, or combinations thereof is not precluded.

먼저, 도 1을 참조하여 종래 방법에서 마찰토크를 산출하는 과정을 설명한다. 도 1은 종래 방법에서 마찰토크를 산출하고, 이를 로봇아암 제어에 반영하는 과정이 개념적으로 도시된 순서도이다.First, with reference to FIG. 1, a process of calculating friction torque in the conventional method will be described. 1 is a flowchart conceptually illustrating a process of calculating friction torque in a conventional method and reflecting it to robot arm control.

도 1을 참조하면, 종래에는 미리 정해진 마찰 파라미터를 마찰모델에 적용하여 마찰토크를 산출하고, 산출된 마찰토크를 제어부로 전송하였다. 그리고, 제어부는 이를 로봇 동역학에 반영하여 로봇아암의 동작을 제어하였다.Referring to FIG. 1 , conventionally, friction torque is calculated by applying a predetermined friction parameter to a friction model, and the calculated friction torque is transmitted to a controller. Then, the control unit controls the operation of the robot arm by reflecting this to the robot dynamics.

그러나, 로봇아암의 관절에서 발생하는 관절마찰은 작동시간, 작동온도 등의 작동 환경 및 조건에 따라 가변하는 물성치이므로, 미리 정해진 고정된 마찰 파라미터를 이용하여 산출된 마찰토크를 기반으로 하는 로봇아암 제어는 실제 기대되는 작동 특성을 보이지 못하는 문제가 있다. 즉, 부정확하게 산출된 관절마찰로 인해 로봇 동역학 기반 협동로봇의 기능(직접교시, 충돌감지, 강성/힘 제어, 위치 제어 등)의 성능을 제한하는 문제가 있다.However, since the joint friction generated in the joints of the robot arm is a physical property that varies depending on operating environment and conditions such as operating time and operating temperature, robot arm control based on friction torque calculated using predetermined fixed friction parameters. has a problem of not showing the actual expected operating characteristics. That is, there is a problem of limiting the performance of functions (direct teaching, collision detection, stiffness/force control, position control, etc.) of the robot dynamics-based collaborative robot due to inaccurately calculated joint friction.

이에, 본 발명의 발명자들은 로봇아암에서 발생하는 마찰토크를 실시간으로 정확하게 추정하여 로봇아암의 제어 정밀도를 향상시킬 수 있도록 하였다.Accordingly, the inventors of the present invention made it possible to improve the control precision of the robot arm by accurately estimating the frictional torque generated in the robot arm in real time.

이하, 도 2 내지 도 4를 참조하여 본 발명의 일 실시예에 따른 로봇아암 관절마찰 추정장치를 설명한다. 도 2는 본 발명의 일 실시예에 따른 로봇아암 관절마찰 추정장치에서 마찰토크를 추정하고 이를 로봇아암 제어에 반영하는 과정이 개념적으로 도시된 순서도이고, 도 3은 로봇 아암의 개략적인 모식도이며, 도 4는 본 발명의 일 실시예에 따른 로봇아암 관절마찰 추정장치가 도시된 블록도이다.Hereinafter, an apparatus for estimating joint friction for a robot arm according to an embodiment of the present invention will be described with reference to FIGS. 2 to 4 . 2 is a flowchart conceptually illustrating a process of estimating friction torque in a robot arm joint friction estimator and reflecting it in robot arm control according to an embodiment of the present invention, and FIG. 3 is a schematic diagram of a robot arm, 4 is a block diagram illustrating an apparatus for estimating joint friction for a robot arm according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 일 실시예에 따른 로봇아암 관절마찰 추정장치는, 미리 정해진 고정된 마찰 파라미터를 이용하는 것이 아니라, 하기 식 (1)과 같이 관절 속도(

Figure pat00043
)의 함수로 표현되는 마찰모델을 이용하여 실시간으로 가변하는 마찰 파라미터를 추정한다.Referring to FIG. 2, the robot arm joint friction estimator according to an embodiment of the present invention does not use a predetermined fixed friction parameter, but joint velocity (
Figure pat00043
) is used to estimate friction parameters that change in real time using a friction model expressed as a function of

식 (1) :

Figure pat00044
Equation (1):
Figure pat00044

여기서,

Figure pat00045
는 마찰토크,
Figure pat00046
는 관절속도,
Figure pat00047
는 쿨롬 마찰계수(Coulomb friction coefficient),
Figure pat00048
는 점성계수(Viscous coefficient)이다. i값은 1, 2, 3이나 이에 한정되지 않고, n(≥4)이 될 수 있다.here,
Figure pat00045
is the friction torque,
Figure pat00046
is the joint velocity,
Figure pat00047
is the Coulomb friction coefficient,
Figure pat00048
is the viscosity coefficient. The value of i is not limited to 1, 2, or 3, and may be n (≧4).

식 (1)을 전개하면 하기 식 (2)와 같다.Expanding Equation (1) gives the following Equation (2).

식 (2) :

Figure pat00049
Equation (2):
Figure pat00049

한편, 로봇아암의 일반적인 동역학식은 하기 식 (3)과 같은 링크 측 동역학식과, 식 (4)와 같은 모터 측 동역학식으로 표현된다.On the other hand, the general dynamics equation of the robot arm is expressed as a link-side dynamics equation such as Equation (3) below and a motor-side dynamics equation such as Equation (4).

식 (3) :

Figure pat00050
Equation (3):
Figure pat00050

식 (4) :

Figure pat00051
Equation (4):
Figure pat00051

여기서,

Figure pat00052
는 링크 관성 토크,
Figure pat00053
는 링크 코리올리 및 구심력 토크,
Figure pat00054
는 링크 중력 토크,
Figure pat00055
는 관절 토크,
Figure pat00056
는 외력 토크,
Figure pat00057
는 모터 관성 토크,
Figure pat00058
은 모터 토크이다.
Figure pat00059
은 하기 식 (5)와 같이 모터의 전류를 측정하여 산출될 수 있다. here,
Figure pat00052
is the link inertial torque,
Figure pat00053
is the link Coriolis and centripetal torque,
Figure pat00054
is the link gravity torque,
Figure pat00055
is the joint torque,
Figure pat00056
is the external force torque,
Figure pat00057
is the motor inertial torque,
Figure pat00058
is the motor torque.
Figure pat00059
can be calculated by measuring the current of the motor as shown in Equation (5) below.

식 (5) :

Figure pat00060
Equation (5):
Figure pat00060

여기서,

Figure pat00061
는 모터 토크 상수(Nm/A)이고,
Figure pat00062
는 모터 전류(A)이다.here,
Figure pat00061
is the motor torque constant (Nm/A),
Figure pat00062
is the motor current (A).

관절 토크 센서가 있는 경우에는,

Figure pat00063
는 관절 토크 센서에 의해 측정될 수 있으므로, 식 (4)만을 이용하여 마찰 토크를 산출할 수 있다.If there is a joint torque sensor,
Figure pat00063
Since can be measured by the joint torque sensor, the friction torque can be calculated using only Equation (4).

관절 토크 센서가 없는 경우에는,

Figure pat00064
의 값을 알 수 없으므로, 식 (3)과 식 (4)를 합하여 하기 식 (6)을 도출한다.If there is no joint torque sensor,
Figure pat00064
Since the value of is unknown, the following equation (6) is derived by combining equations (3) and equations (4).

식 (6) :

Figure pat00065
Equation (6):
Figure pat00065

식 (6)에서, 외력이 없는 경우,

Figure pat00066
= 0 이므로, 하기 식 (7)과 같다.In Equation (6), when there is no external force,
Figure pat00066
= 0, it is the same as the following formula (7).

식 (7) :

Figure pat00067
Equation (7):
Figure pat00067

여기서,

Figure pat00068
은 모터 전류를 측정하여 얻을 수 있고,
Figure pat00069
는 엔코더의 측정값으로 얻을 수 있고,
Figure pat00070
은
Figure pat00071
를 미분하여 얻을 수 있으며,
Figure pat00072
은 엔코더 측정값을 두번 미분하여 얻을 수 있다. 그러나, 엔코더 측정값을 두번 미분하여
Figure pat00073
을 구할 경우, 노이즈가 심하게 되어 부정확하게 되므로, 로봇아암을 제어하는 제어부에서 산출하는 모션 계획값(
Figure pat00074
)으로
Figure pat00075
을 대체한다. 모션 계획값은, 작업자가 입력한 타겟 위치, 관절 속도(통상 최대 속도), 관절 가속도값(통상 최대 가속도)을 수행하기 위해 로봇아암의 제어부가 자체적으로 계획하여 제어하는 값이다. 이러한 모션 계획값은 현재 로봇아암 분야에서는 잘 알려진 기술 내용이므로 상세한 설명은 생략한다.here,
Figure pat00068
can be obtained by measuring the motor current,
Figure pat00069
can be obtained from the measured value of the encoder,
Figure pat00070
silver
Figure pat00071
can be obtained by differentiating
Figure pat00072
can be obtained by differentiating the encoder measurement twice. However, by differentiating the encoder measurement twice,
Figure pat00073
If is obtained, the noise becomes severe and inaccurate, so the motion planning value calculated by the control unit that controls the robot arm (
Figure pat00074
)by
Figure pat00075
replace The motion planning value is a value that the control unit of the robot arm plans and controls by itself in order to perform the target position, joint speed (normally maximum speed), and joint acceleration value (normally maximum acceleration) input by the operator. Since these motion planning values are well-known technical contents in the current robot arm field, a detailed description thereof will be omitted.

식 (7)에 모션 계획값(

Figure pat00076
)을 반영하면, 하기 식 (8)과 같다.Motion planning value in Equation (7) (
Figure pat00076
) is reflected in the following equation (8).

식 (8) :

Figure pat00077
Equation (8):
Figure pat00077

식 (8)에서,

Figure pat00078
은 모터 전류를 측정하여 얻을 수 있고,
Figure pat00079
는 엔코더의 측정값으로 얻을 수 있고,
Figure pat00080
은
Figure pat00081
를 미분하여 얻을 수 있으며,
Figure pat00082
은 모션 계획값으로부터 얻을 수 있다. 따라서, 관절 토크 센서가 없는 경우에도 마찰토크
Figure pat00083
의 값을 산출할 수 있게 된다.In equation (8),
Figure pat00078
can be obtained by measuring the motor current,
Figure pat00079
can be obtained from the measured value of the encoder,
Figure pat00080
silver
Figure pat00081
can be obtained by differentiating
Figure pat00082
can be obtained from the motion planning value. Therefore, even when there is no joint torque sensor, the friction torque
Figure pat00083
value can be calculated.

다시 식 (2)을 참조하면, 식 (2)에서,

Figure pat00084
는 관절 토크 센서의 유무에 따라 식 (4) 또는 식 (8)로부터 산출되고,
Figure pat00085
은 엔코더 측정값
Figure pat00086
를 미분하여 얻을 수 있다. 본 발명에서는
Figure pat00087
및
Figure pat00088
을 제외한 나머지값 (
Figure pat00089
,
Figure pat00090
,
Figure pat00091
,
Figure pat00092
)들을 추정하며, 추정 대상인 (
Figure pat00093
,
Figure pat00094
,
Figure pat00095
,
Figure pat00096
)들을 마찰 파라미터라 한다.Referring back to equation (2), in equation (2),
Figure pat00084
Is calculated from Equation (4) or Equation (8) depending on the presence or absence of the joint torque sensor,
Figure pat00085
is the encoder reading
Figure pat00086
can be obtained by differentiating In the present invention
Figure pat00087
and
Figure pat00088
The rest except for (
Figure pat00089
,
Figure pat00090
,
Figure pat00091
,
Figure pat00092
) are estimated, and the estimated target (
Figure pat00093
,
Figure pat00094
,
Figure pat00095
,
Figure pat00096
) are called friction parameters.

그리고, 추정된 마찰 파라미터(

Figure pat00097
,
Figure pat00098
,
Figure pat00099
,
Figure pat00100
)를 이용하여 추정 마찰토크를 산출하고, 산출된 추정 마찰토크를 로봇아암의 동작을 제어하는 제어부로 전송한다. 제어부는 이를 로봇 동역학에 반영하여 로봇아암의 동작을 제어한다. 도 3 및 도 4를 참조하여 이에 대해 설명한다.And, the estimated friction parameter (
Figure pat00097
,
Figure pat00098
,
Figure pat00099
,
Figure pat00100
) is used to calculate the estimated friction torque, and the calculated estimated friction torque is transmitted to the control unit that controls the operation of the robot arm. The control unit controls the operation of the robot arm by reflecting it to the dynamics of the robot. This will be described with reference to FIGS. 3 and 4 .

도 3을 참조하면, 일반적으로 로봇아암(10)은 하나 이상의 관절부(11)를 구비하고, 관절부(11)에는 가동을 위한 구동모터(미도시)가 배치된다. 도 3에서

Figure pat00101
는 관절부(11)에서 감속기 등의 기계적 요소에서 발생하는 관절부(11)에 대한 마찰토크를 의미하고,
Figure pat00102
은 관절부(11)에 대응하는 구동모터에서 생성되는 모터토크를 의미한다. 도 3에는 일축 로봇아암이 도시되어 있으나, 본 발명은 이에 한정되지 않고 다축 로봇아암도 적용 가능하다.Referring to FIG. 3 , in general, the robot arm 10 includes one or more joint parts 11, and a drive motor (not shown) for operation is disposed on the joint part 11. in Figure 3
Figure pat00101
Means the friction torque for the joint portion 11 generated from mechanical elements such as reducers in the joint portion 11,
Figure pat00102
Means motor torque generated by a driving motor corresponding to the joint part 11 . Although a single-axis robot arm is shown in FIG. 3, the present invention is not limited thereto and may also be applied to a multi-axis robot arm.

도 4를 참조하면, 본 발명의 일 실시예에 따른 로봇아암 관절마찰 추정장치(100)는, 데이터 수집부(110), 재귀선형회귀 모델부(120), 마찰토크 추정부(130)를 포함한다.Referring to FIG. 4 , the robot arm joint friction estimator 100 according to an embodiment of the present invention includes a data collection unit 110, a recursive linear regression model unit 120, and a friction torque estimation unit 130. do.

데이터 수집부(110)는 외력이 없는 임의의 자세에서의 로봇아암의 마찰토크값(

Figure pat00103
)과 관절속도값(
Figure pat00104
)을 매칭한 입력 데이터 세트(
Figure pat00105
,
Figure pat00106
)를 수집한다. 예시적으로 구하고자하는 마찰 파라미터는 4개일 수 있으며, 데이터 수집부(110)는 최소한 4개의 입력 데이터 세트를 수집할 수 있다. 물론, 식 (1)에서 i가 n(≥4) 일때는, 데이터 수집부(110)는 최소한 n개의 입력 데이터 세트를 수집한다. 마찰토크값(
Figure pat00107
)은 토크 센서에 의해 측정되는 값이거나 또는 관절을 구동하는 모터의 전류값으로부터 산출되는 값이고, 관절속도값(
Figure pat00108
)은 엔코더 측정값
Figure pat00109
를 미분하여 획득되는 값이다. The data collection unit 110 is the friction torque value of the robot arm in an arbitrary posture without external force (
Figure pat00103
) and joint velocity values (
Figure pat00104
) to match the input data set (
Figure pat00105
,
Figure pat00106
) are collected. Illustratively, there may be four friction parameters to be obtained, and the data collection unit 110 may collect at least four input data sets. Of course, when i is n (≧4) in Equation (1), the data collecting unit 110 collects at least n input data sets. Friction torque value (
Figure pat00107
) is a value measured by a torque sensor or a value calculated from a current value of a motor that drives a joint, and a joint velocity value (
Figure pat00108
) is the encoder measurement
Figure pat00109
is a value obtained by differentiating

데이터 수집부(110)에서 수집되는 입력 데이터 세트(

Figure pat00110
,
Figure pat00111
)가 많을수록 관절속도값(
Figure pat00112
)에 대한 추정 마찰토크가 정확하게 산출될 수 있다. 입력 데이터 세트(
Figure pat00113
,
Figure pat00114
)에 관절속도값(
Figure pat00115
)이 일정(즉, 관절가속도값이 0)한 등속 데이터가 포함되어도 무방하나, 관절속도값(
Figure pat00116
)이 같으면 실질적으로 중복 데이터가 되므로, 등속 데이터를 필터링하여 제거하는 것이 바람직하다. 즉, 선택적으로, 데이터 수집부(110)는 수집된 입력 데이터 세트 중에서 관절속도값이 동일한 입력 데이터 세트 중 적어도 어느 하나는 노이즈 처리할 수 있다.An input data set collected by the data collection unit 110 (
Figure pat00110
,
Figure pat00111
), the higher the joint speed value (
Figure pat00112
) can be accurately calculated. input data set (
Figure pat00113
,
Figure pat00114
) to the joint velocity value (
Figure pat00115
) is constant (that is, the joint acceleration value is 0), it is okay to include constant velocity data, but the joint velocity value (
Figure pat00116
) is substantially redundant data, it is preferable to filter and remove constant velocity data. That is, selectively, the data collection unit 110 may process at least one of the input data sets having the same joint velocity value among the collected input data sets as noise.

재귀선형회귀 모델부(120)는 입력 데이터 세트(

Figure pat00117
,
Figure pat00118
)를 입력값으로 재귀선형회귀 모델을 구동하여 마찰 파라미터(
Figure pat00119
,
Figure pat00120
,
Figure pat00121
,
Figure pat00122
)를 추정한다.The recursive linear regression model unit 120 is an input data set (
Figure pat00117
,
Figure pat00118
) as an input value to drive a recursive linear regression model, and the friction parameter (
Figure pat00119
,
Figure pat00120
,
Figure pat00121
,
Figure pat00122
) is estimated.

재귀선형회귀 모델(recursive linear regression model)은 종속 변수(y)와 한 개 이상의 독립 변수(또는 설명 변수, x)와의 선형 상관 관계를 모델링하되 실시간으로 추가되는 데이터를 반복하여 적용하는 회귀분석 기법이다. 재귀선형회귀 모델은 여러 사용 사례가 있지만, 본 발명에서는 실시간으로 가변하는 마찰 파라미터를 예측하는 용도로 사용될 수 있다. 값을 예측하는 것이 목적일 경우, 선형회귀를 사용해 데이터에 적합한 예측 모델을 개발한다. 개발한 선형 회귀식을 사용해 y가 없는 x값에 대해 y를 예측하기 위해 사용할 수 있다. 선형회귀 모델은 일반적으로 최소 자승법(least square method)을 사용해 선형회귀 모델을 세운다. 물론, 최소 자승법 외에 다른 기법으로도 선형회귀 모델을 세울 수 있다. 이러한 선형회귀 모델은 현재 알려진 내용이므로, 이에 대한 상세한 설명은 생략한다.A recursive linear regression model is a regression analysis technique that models a linear correlation between a dependent variable (y) and one or more independent variables (or explanatory variables, x) and repeatedly applies data added in real time. . Recursive linear regression models have several use cases, but in the present invention, they can be used for predicting friction parameters that change in real time. If your goal is to predict a value, use linear regression to develop a predictive model that fits your data. The developed linear regression equation can be used to predict y for x values without y. Linear regression models are usually built using the least square method. Of course, linear regression models can be built with other techniques besides the least squares method. Since this linear regression model is currently known, a detailed description thereof will be omitted.

본 발명의 실시예에서, 예측 모델은 식 (2)로 표시될 수 있으며, 예측 대상은 식 (2)의 각 계수인 마찰 파라미터(

Figure pat00123
,
Figure pat00124
,
Figure pat00125
,
Figure pat00126
)이다.In an embodiment of the present invention, the predictive model may be expressed as Equation (2), and the prediction target is a friction parameter (which is each coefficient of Equation (2))
Figure pat00123
,
Figure pat00124
,
Figure pat00125
,
Figure pat00126
)am.

식 (2) :

Figure pat00127
Equation (2):
Figure pat00127

Figure pat00128
는 마찰토크,
Figure pat00129
는 관절속도,
Figure pat00130
는 쿨롬 마찰계수,
Figure pat00131
,
Figure pat00132
,
Figure pat00133
는 점성계수(Viscous coefficient)이다.
Figure pat00128
is the friction torque,
Figure pat00129
is the joint velocity,
Figure pat00130
is the Coulomb friction coefficient,
Figure pat00131
,
Figure pat00132
,
Figure pat00133
is the viscosity coefficient.

수집된 입력 데이터 세트(

Figure pat00134
,
Figure pat00135
)의 개수가 n개인 경우에 대해, 식 (2)는 하기 식 (9)와 같이 행렬식으로 표시될 수 있다.Collected input data set (
Figure pat00134
,
Figure pat00135
For the case where the number of ) is n, Equation (2) can be expressed as a determinant as shown in Equation (9) below.

식 (9) :

Figure pat00136
Equation (9):
Figure pat00136

식 (9)에서 마찰 파라미터(

Figure pat00137
,
Figure pat00138
,
Figure pat00139
,
Figure pat00140
)를 제외한 나머지 값들은 측정값 또는 입력값들로부터 산출되는 값이므로, 재귀선형회귀 모델부(120)는 식 (9)로 표시되는 최소 자승법 재귀선형회귀 모델을 구동하여 마찰 파라미터(
Figure pat00141
,
Figure pat00142
,
Figure pat00143
,
Figure pat00144
)를 추정할 수 있다.In equation (9), the friction parameter (
Figure pat00137
,
Figure pat00138
,
Figure pat00139
,
Figure pat00140
Since the remaining values except for ) are values calculated from measured values or input values, the recursive linear regression model unit 120 drives the least squares recursive linear regression model represented by Equation (9) to drive the friction parameter (
Figure pat00141
,
Figure pat00142
,
Figure pat00143
,
Figure pat00144
) can be estimated.

마찰토크 추정부(130)는 재귀선형회귀 모델부(120)에서 추정된 마찰 파라미터(

Figure pat00145
,
Figure pat00146
,
Figure pat00147
,
Figure pat00148
)를 이용하여 추정 마찰토크를 산출한다. 그리고, 산출된 추정 마찰토크를 로봇아암의 동작을 제어하는 제어부로 전송한다. 제어부는 이를 로봇 동역학에 반영하여 로봇아암의 동작을 제어한다.The friction torque estimator 130 is a friction parameter (estimated by the recursive linear regression model unit 120).
Figure pat00145
,
Figure pat00146
,
Figure pat00147
,
Figure pat00148
) to calculate the estimated friction torque. Then, the calculated estimated friction torque is transmitted to the control unit that controls the operation of the robot arm. The control unit controls the operation of the robot arm by reflecting it to the dynamics of the robot.

재귀선형회귀 모델부(120)는 식 (9)로 표시되는 최소 자승법 재귀선형회귀 모델을 구동하여 마찰 파라미터(

Figure pat00149
,
Figure pat00150
,
Figure pat00151
,
Figure pat00152
)를 추정하는데, 입력 데이터 세트(
Figure pat00153
,
Figure pat00154
)가 많아질수록 처리해야할 연산량이 많아져서 실시간으로 마찰 파라미터(
Figure pat00155
,
Figure pat00156
,
Figure pat00157
,
Figure pat00158
)를 추정하기 어려울 수 있다.The recursive linear regression model unit 120 drives the least squares recursive linear regression model represented by Equation (9) to determine the friction parameter (
Figure pat00149
,
Figure pat00150
,
Figure pat00151
,
Figure pat00152
) to estimate the input data set (
Figure pat00153
,
Figure pat00154
) increases, the amount of calculations to be processed increases, so the friction parameter (
Figure pat00155
,
Figure pat00156
,
Figure pat00157
,
Figure pat00158
) can be difficult to estimate.

이에, 재귀선형회귀 모델부(120)는 데이터 수집부(110)에서 이전 수집 주기에서 추정된 마찰 파라미터(

Figure pat00159
,
Figure pat00160
,
Figure pat00161
,
Figure pat00162
)에 현재 수집 주기에서 수집된 입력 데이터 세트를 반영하여 실시간으로 마찰 파라미터(
Figure pat00163
,
Figure pat00164
,
Figure pat00165
,
Figure pat00166
)를 신속하게 갱신할 수 있다. Accordingly, the recursive linear regression model unit 120 is the friction parameter estimated in the previous collection period in the data collection unit 110 (
Figure pat00159
,
Figure pat00160
,
Figure pat00161
,
Figure pat00162
) in real time by reflecting the input data set collected in the current collection period (
Figure pat00163
,
Figure pat00164
,
Figure pat00165
,
Figure pat00166
) can be updated quickly.

즉, 재귀선형회귀 모델부(120)는 첫번째 데이터 수집 주기에서 수집된 입력 데이터 세트를 이용하여 마찰 파라미터를 1차 추정하고, 2번째 데이터 수집 주기에서 수집된 입력 데이터 세트를 이용하여 1차 추정된 마찰 파라미터를 2차 추정(1차 갱신)한다. That is, the recursive linear regression model unit 120 first estimates the friction parameter using the input data set collected in the first data collection period, and first estimates the friction parameter using the input data set collected in the second data collection period. Secondary estimation (primary update) of friction parameters is performed.

이와 같은 방식으로, 재귀선형회귀 모델부(120)는 n번째 데이터 수집 주기에 수집된 입력 데이터 세트를 이용하여 (n-1)차 갱신된 마찰 파라미터를 추정할 수 있다. (n차 추정 마찰 파라미터)In this way, the recursive linear regression model unit 120 may estimate the (n-1)th updated friction parameter using the input data set collected in the nth data collection period. (nth order estimated friction parameter)

이에 대해 도 5의 수식들을 참조하여 설명한다.This will be described with reference to equations in FIG. 5 .

먼저, 식 (9)를 아래와 같이 표현한다.First, Equation (9) is expressed as follows.

식 (9') :

Figure pat00167
,
Figure pat00168
Equation (9'):
Figure pat00167
,
Figure pat00168

여기서, i는 1, 2, 3 ?? n이며, 데이터 수집부(110)의 데이터 수집 주기를 의미한다. Here, i is 1, 2, 3 ?? n, which means a data collection period of the data collection unit 110.

도 5의 (a)를 참조하면, 구하고자 하는 마찰 파라미터(

Figure pat00169
,
Figure pat00170
,
Figure pat00171
,
Figure pat00172
)의 행렬
Figure pat00173
는 하기 식 (10)으로 정리된다.Referring to (a) of FIG. 5, the friction parameter to be obtained (
Figure pat00169
,
Figure pat00170
,
Figure pat00171
,
Figure pat00172
) matrix
Figure pat00173
is summarized by the following formula (10).

식 (10) :

Figure pat00174
Equation (10):
Figure pat00174

식 (10)의 일부인 행렬

Figure pat00175
를 행렬
Figure pat00176
라고 한다.A matrix that is part of equation (10)
Figure pat00175
matrix
Figure pat00176
It is said.

도 5의 (b)를 참조하면, 행렬

Figure pat00177
는 하기 식 (11)로 정리된다.Referring to (b) of FIG. 5, the matrix
Figure pat00177
is summarized by the following formula (11).

식 (11) :

Figure pat00178
Equation (11):
Figure pat00178

도 5의 (c)를 참조하면, n번째 데이터 수집 주기에서의 마찰 파라미터의 행렬

Figure pat00179
는 하기 식 (12)로 정리된다.Referring to (c) of FIG. 5, the friction parameter matrix in the nth data collection period
Figure pat00179
is summarized in the following formula (12).

식 (12) :

Figure pat00180
Equation (12):
Figure pat00180

식 (11)을 식 (12)에 대입하면, 하기 식 (13)으로 정리된다. 식 (13)에서 데이터 수집 주기를 의미하는 아래 첨자 n은 i로 대체하여 표현한다.When equation (11) is substituted into equation (12), it is organized into the following equation (13). In Equation (13), the subscript n, which means the data collection period, is expressed by replacing it with i.

식 (13) :

Figure pat00181
Equation (13):
Figure pat00181

식 (13)을 참조하면, (i-1)번째 데이터 수집 주기에서의 마찰 파라미터값(

Figure pat00182
)으로부터, i번째 데이터 수집 주기에서의 마찰 파라미터값(
Figure pat00183
)을 예측하여 갱신할 수 있음을 알 수 있다.Referring to Equation (13), the friction parameter value in the (i-1)th data collection period (
Figure pat00182
), the friction parameter value at the ith data collection period (
Figure pat00183
) can be predicted and updated.

도 5의 수식들과 식 (10) ~ 식 (13)를 정리하면 하기 식 (14)와 같다. (아래 첨자 n은 i로 대체하여 표현함)5 and Equations (10) to Equations (13) are summarized as Equation (14) below. (Subscript n is expressed by replacing it with i)

식 (14) :

Figure pat00184
Equation (14):
Figure pat00184

여기서,

Figure pat00185
가 추정(또는 갱신)하고자 하는 마찰 파라미터로 구성되는 행렬로서,
Figure pat00186
와 같이 표시될 수 있다. 따라서, 로봇아암 구동시 미리 설정된 주기 마다 실시간으로 마찰 파라미터(
Figure pat00187
,
Figure pat00188
,
Figure pat00189
,
Figure pat00190
)가 갱신될 수 있음을 알 수 있다.here,
Figure pat00185
As a matrix composed of friction parameters to be estimated (or updated),
Figure pat00186
can be displayed as Therefore, when the robot arm is driven, the friction parameter (
Figure pat00187
,
Figure pat00188
,
Figure pat00189
,
Figure pat00190
) can be updated.

이때, 1차 마찰 파라미터 추정시, 초기 조건은 다음과 같이 설정할 수 있다.In this case, when estimating the primary friction parameter, the initial condition may be set as follows.

초기 조건 :

Figure pat00191
,
Figure pat00192
Initial conditions:
Figure pat00191
,
Figure pat00192

본 발명에서 로봇아암은 전술한 본 발명의 일 실시예에 따른 로봇아암 관절마찰 추정장치(100)를 포함할 수 있다. 로봇아암 관절마찰 추정장치(100)는 로봇아암의 물리적인 일 구성이거나, 또는 로봇아암을 제어하는 외부 제어기의 일 구성일 수 있다.In the present invention, the robot arm may include the robot arm joint friction estimator 100 according to one embodiment of the present invention described above. The robot arm joint friction estimator 100 may be a physical component of the robot arm or a component of an external controller that controls the robot arm.

다음, 도 6을 참조하여 본 발명의 일 실시예에 따른 로봇아암 관절마찰 추정방법을 설명한다. 도 6은 본 발명의 일 실시예에 따른 로봇아암 관절마찰 추정방법이 도시된 순서도이다.Next, a robot arm joint friction estimation method according to an embodiment of the present invention will be described with reference to FIG. 6 . 6 is a flowchart illustrating a method for estimating joint friction of a robot arm according to an embodiment of the present invention.

도 6을 참조하면, 본 발명의 일 실시예에 따른 로봇아암 관절마찰 추정방법은, 데이터 수집단계(S110), 마찰 파라미터 추정단계(S120), 마찰토크 추정단계(S130)를 포함한다.Referring to FIG. 6 , the robot arm joint friction estimation method according to an embodiment of the present invention includes a data collection step ( S110 ), a friction parameter estimation step ( S120 ), and a friction torque estimation step ( S130 ).

데이터 수집단계(S110)에서, 외력이 없는 임의의 자세에서의 로봇아암의 마찰토크값(

Figure pat00193
)과 관절속도값(
Figure pat00194
)을 매칭한 입력 데이터 세트(
Figure pat00195
,
Figure pat00196
)를 수집한다. 예시적으로 구하고자하는 마찰 파라미터는 4개일 수 있으며, 데이터 수집부(110)는 최소한 4개의 입력 데이터 세트를 수집할 수 있다.In the data collection step (S110), the friction torque value of the robot arm in an arbitrary posture without external force (
Figure pat00193
) and joint velocity values (
Figure pat00194
) to match the input data set (
Figure pat00195
,
Figure pat00196
) are collected. Illustratively, there may be four friction parameters to be obtained, and the data collection unit 110 may collect at least four input data sets.

선택적으로, 데이터 수집단계(S110)에서, 처리 효율을 높이기 위해 수집된 데이터의 일부를 필터링할 수 있다. 즉, 선택적으로, 데이터 수집단계(S110)에서 수집된 입력 데이터 세트 중에서 관절속도값이 동일한 입력 데이터 세트 중 적어도 어느 하나는 노이즈 처리할 수 있다.Optionally, in the data collection step (S110), some of the collected data may be filtered to increase processing efficiency. That is, selectively, at least one of the input data sets having the same joint velocity value among the input data sets collected in the data collection step ( S110 ) may be subjected to noise processing.

다음, 마찰 파라미터 추정단계(S120)에서, 입력 데이터 세트(

Figure pat00197
,
Figure pat00198
)를 입력값으로 재귀선형회귀 모델을 구동하여 마찰 파라미터(
Figure pat00199
,
Figure pat00200
,
Figure pat00201
,
Figure pat00202
)를 추정한다. 이때, 하기 식 (2)의 예측 모델을 이용하여 이용하여 최소자승법 재귀선형회귀 모델을 구동한다.Next, in the friction parameter estimation step (S120), the input data set (
Figure pat00197
,
Figure pat00198
) as an input value to drive a recursive linear regression model, and the friction parameter (
Figure pat00199
,
Figure pat00200
,
Figure pat00201
,
Figure pat00202
) is estimated. At this time, a least square recursive linear regression model is driven using the predictive model of Equation (2) below.

식 (2) :

Figure pat00203
Equation (2):
Figure pat00203

Figure pat00204
는 마찰토크,
Figure pat00205
는 관절속도,
Figure pat00206
는 쿨롬 마찰계수,
Figure pat00207
,
Figure pat00208
,
Figure pat00209
는 점성계수(Viscous coefficient)이다.
Figure pat00204
is the friction torque,
Figure pat00205
is the joint velocity,
Figure pat00206
is the Coulomb friction coefficient,
Figure pat00207
,
Figure pat00208
,
Figure pat00209
is the viscosity coefficient.

Figure pat00210
는 관절 토크 센서의 유무에 따라 식 (4) 또는 식 (8)로부터 산출되고,
Figure pat00211
은 엔코더 측정값
Figure pat00212
를 미분하여 얻을 수 있다.
Figure pat00210
Is calculated from Equation (4) or Equation (8) depending on the presence or absence of the joint torque sensor,
Figure pat00211
is the encoder reading
Figure pat00212
can be obtained by differentiating

식 (2)는 식 (9)와 같은 최소 자승법 재귀선형회귀 모델 예측식으로 변환될 수 있다.Equation (2) can be converted into a least square recursive linear regression model prediction equation such as Equation (9).

식 (9) :

Figure pat00213
Equation (9):
Figure pat00213

식 (9)에서 마찰 파라미터(

Figure pat00214
,
Figure pat00215
,
Figure pat00216
,
Figure pat00217
)를 제외한 나머지 값들은 측정값 또는 입력값들로부터 산출되는 값이므로, 식 (9)로 표시되는 최소 자승법 재귀선형회귀 모델을 구동하여 마찰 파라미터(
Figure pat00218
,
Figure pat00219
,
Figure pat00220
,
Figure pat00221
)를 추정할 수 있다.In equation (9), the friction parameter (
Figure pat00214
,
Figure pat00215
,
Figure pat00216
,
Figure pat00217
Since the remaining values except for ) are values calculated from measured values or input values, the friction parameter (
Figure pat00218
,
Figure pat00219
,
Figure pat00220
,
Figure pat00221
) can be estimated.

한편, 마찰 파라미터 추정단계(S120)에서는 실시간으로 수집된 입력 데이터 세트를 반영하여 실시간으로 마찰 파라미터(

Figure pat00222
,
Figure pat00223
,
Figure pat00224
,
Figure pat00225
)를 갱신할 수 있다. 이는 도 5의 수식들과 식 (9) ~ 식 (13)을 참조하여 설명하였으므로, 반복 설명은 생략하며, 도 5의 수식들과 식 (9) ~ 식 (13)를 정리하면 하기 식 (14)과 같다. (아래 첨자 n은 i로 대체하여 표현함)On the other hand, in the friction parameter estimation step (S120), the friction parameter (
Figure pat00222
,
Figure pat00223
,
Figure pat00224
,
Figure pat00225
) can be updated. Since this has been described with reference to the equations of FIG. 5 and equations (9) to (13), repeated explanations are omitted, and the equations of FIG. 5 and equations (9) to (13) are summarized in the following equation (14). ) is the same as (Subscript n is expressed by replacing it with i)

식 (14) :

Figure pat00226
Equation (14):
Figure pat00226

여기서,

Figure pat00227
가 추정(또는 갱신)하고자 하는 마찰 파라미터로 구성되는 행렬로서,
Figure pat00228
와 같이 표시될 수 있다. 따라서, 로봇아암 구동시 미리 설정된 주기 마다 실시간으로 마찰 파라미터(
Figure pat00229
,
Figure pat00230
,
Figure pat00231
,
Figure pat00232
)가 갱신될 수 있음을 알 수 있다.here,
Figure pat00227
As a matrix composed of friction parameters to be estimated (or updated),
Figure pat00228
can be displayed as Therefore, when the robot arm is driven, the friction parameter (
Figure pat00229
,
Figure pat00230
,
Figure pat00231
,
Figure pat00232
) can be updated.

마찰토크 추정단계(S130)에서는, 추정된 마찰 파라미터(

Figure pat00233
,
Figure pat00234
,
Figure pat00235
,
Figure pat00236
)를 이용하여 추정 마찰토크를 산출한다.In the friction torque estimation step (S130), the estimated friction parameter (
Figure pat00233
,
Figure pat00234
,
Figure pat00235
,
Figure pat00236
) to calculate the estimated friction torque.

상기와 같은 본 발명의 일 실시예에 따른 로봇아암 관절마찰 추정장치 및 추정방법에 의하면, 로봇아암에서 발생하는 마찰토크를 실시간으로 정확하게 추정 및 갱신하여 로봇아암의 제어 정밀도를 향상시킬 수 있다.According to the apparatus and method for estimating joint friction of a robot arm according to an embodiment of the present invention as described above, the control precision of the robot arm can be improved by accurately estimating and updating the friction torque generated in the robot arm in real time.

도 7은 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다. 도 7의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 로봇아암 관절마찰 추정장치일 수 있다. 또는 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 로봇아암 관절마찰 추정방법을 수행하기 위한 장치일 수 있다. 7 is a diagram illustrating a computing device according to an embodiment of the present invention. The computing device TN100 of FIG. 7 may be the robot arm joint friction estimator described in this specification. Alternatively, the computing device TN100 may be a device for performing the robot arm joint friction estimation method described in this specification.

도 7의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.In the embodiment of FIG. 7 , the computing device TN100 may include at least one processor TN110, a transceiver TN120, and a memory TN130. In addition, the computing device TN100 may further include a storage device TN140, an input interface device TN150, and an output interface device TN160. Elements included in the computing device TN100 may communicate with each other by being connected by a bus TN170.

프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.The processor TN110 may execute program commands stored in at least one of the memory TN130 and the storage device TN140. The processor TN110 may mean a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor on which methods according to embodiments of the present invention are performed. Processor TN110 may be configured to implement procedures, functions, methods, and the like described in relation to embodiments of the present invention. The processor TN110 may control each component of the computing device TN100.

메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다. Each of the memory TN130 and the storage device TN140 may store various information related to the operation of the processor TN110. Each of the memory TN130 and the storage device TN140 may include at least one of a volatile storage medium and a non-volatile storage medium. For example, the memory TN130 may include at least one of read only memory (ROM) and random access memory (RAM).

송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다. The transmitting/receiving device TN120 may transmit or receive a wired signal or a wireless signal. The transmitting/receiving device TN120 may perform communication by being connected to a network.

한편, 본 발명은 컴퓨터프로그램으로 구현될 수도 있다. 본 발명은 하드웨어와 결합되어, 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.Meanwhile, the present invention may be implemented as a computer program. The present invention can be combined with hardware and implemented as a computer program stored in a computer-readable recording medium.

본 발명의 실시예에 따른 방법들은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. Methods according to embodiments of the present invention may be implemented in the form of programs readable by various computer means and recorded on computer-readable recording media. Here, the recording medium may include program commands, data files, data structures, etc. alone or in combination.

기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. Program instructions recorded on the recording medium may be those specially designed and configured for the present invention or those known and usable to those skilled in computer software.

예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CDROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. For example, recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CDROMs and DVDs, and magneto-optical media such as floptical disks. optical media), and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like.

프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어를 포함할 수 있다. Examples of the program command may include a high-level language that can be executed by a computer using an interpreter, as well as a machine language generated by a compiler.

이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.These hardware devices may be configured to act as one or more software modules to perform the operations of the present invention, and vice versa.

이상, 본 발명의 일 실시예에 대하여 설명하였으나, 해당 기술 분야에서 통상의 지식을 가진 자라면 특허청구범위에 기재된 본 발명의 사상으로부터 벗어나지 않는 범위 내에서, 구성 요소의 부가, 변경, 삭제 또는 추가 등에 의해 본 발명을 다양하게 수정 및 변경시킬 수 있을 것이며, 이 또한 본 발명의 권리범위 내에 포함된다고 할 것이다.Although one embodiment of the present invention has been described above, those skilled in the art can add, change, delete, or add components within the scope not departing from the spirit of the present invention described in the claims. The present invention can be variously modified and changed by the like, and this will also be said to be included within the scope of the present invention.

110 : 데이터 수집부
120 : 재귀선형회귀 모델부
130 : 마찰토크 추정부110: data collection unit
120: recursive linear regression model unit
130: friction torque estimation unit

Claims (11)

외력이 없는 임의의 자세에서의 로봇아암의 마찰토크값과 관절속도값을 매칭한 입력 데이터 세트를 수집하는 데이터 수집부;
상기 입력 데이터 세트를 입력값으로 재귀선형회귀 모델을 구동하여 마찰 파라미터를 추정하는 재귀선형회귀 모델부; 및,
상기 추정된 마찰 파라미터를 이용하여 추정 마찰토크를 산출하고, 산출된 추정 마찰토크를 로봇아암의 동작을 제어하는 제어부로 전송하는 마찰토크 추정부;
를 포함하는, 로봇아암 관절마찰 추정장치.
a data collection unit that collects an input data set in which friction torque values and joint velocity values of the robot arm in an arbitrary posture without external force are matched;
a recursive linear regression model unit for estimating a friction parameter by driving a recursive linear regression model using the input data set as an input value; and,
a friction torque estimation unit that calculates an estimated friction torque using the estimated friction parameters and transmits the calculated estimated friction torque to a control unit that controls an operation of the robot arm;
Including, robot arm joint friction estimator.
 청구항 1에 있어서, 상기 데이터 수집부는,
상기 입력 데이터 세트 중에서 관절속도값이 동일한 입력 데이터 세트 중 적어도 어느 하나는 노이즈 처리하는, 로봇아암 관절마찰 추정장치.
The method according to claim 1, wherein the data collection unit,
At least one of the input data sets having the same joint velocity value among the input data sets is subjected to noise processing, the robot arm joint friction estimator.
 청구항 1에 있어서, 상기 재귀선형회귀 모델부는,
하기 식 (a)의 예측 모델을 이용하여 최소자승법 재귀선형회귀 모델을 구동하는, 로봇아암 관절마찰 추정장치.
식 (a) :
Figure pat00237

(여기서,
Figure pat00238
는 마찰토크,
Figure pat00239
는 관절속도,
Figure pat00240
는 쿨롬 마찰계수,
Figure pat00241
,
Figure pat00242
,
Figure pat00243
는 점성계수임)
The method according to claim 1, wherein the recursive linear regression model unit,
A robot arm joint friction estimator for driving a least square recursive linear regression model using the predictive model of equation (a) below.
Equation (a):
Figure pat00237

(here,
Figure pat00238
is the friction torque,
Figure pat00239
is the joint velocity,
Figure pat00240
is the Coulomb friction coefficient,
Figure pat00241
,
Figure pat00242
,
Figure pat00243
is the viscosity coefficient)
 청구항 3에 있어서, 상기 재귀선형회귀 모델부는,
상기 데이터 수집부에서 실시간으로 수집된 입력 데이터 세트를 반영하여 실시간으로 마찰 파라미터(
Figure pat00244
,
Figure pat00245
,
Figure pat00246
,
Figure pat00247
)를 갱신하는, 로봇아암 관절마찰 추정장치.
The method according to claim 3, wherein the recursive linear regression model unit,
Friction parameters in real time by reflecting the input data set collected in real time by the data collector
Figure pat00244
,
Figure pat00245
,
Figure pat00246
,
Figure pat00247
), Robot arm joint friction estimator.
 청구항 4에 있어서, 상기 재귀선형회귀 모델부는,
하기 식 (b)의 예측 모델을 이용하여 최소자승법 재귀선형회귀 모델을 구동하여 실시간으로 마찰 파라미터(
Figure pat00248
,
Figure pat00249
,
Figure pat00250
,
Figure pat00251
)를 갱신하는, 로봇아암 관절마찰 추정장치.
식 (b) :
Figure pat00252

(여기서,
Figure pat00253
는 i번째 데이터 수집 주기에서의 마찰 파라미터 행렬,
Figure pat00254
는 (i-1)번째 데이터 수집 주기에서의 마찰 파라미터 행렬,
Figure pat00255
는 i번째 데이터 수집 주기에서의 마찰토크 행렬,
Figure pat00256
는 i번째 데이터 수집 주기에서의 관절속도
Figure pat00257
을 포함하는 행렬임)
The method according to claim 4, wherein the recursive linear regression model unit,
The friction parameter (
Figure pat00248
,
Figure pat00249
,
Figure pat00250
,
Figure pat00251
), Robot arm joint friction estimator.
Equation (b):
Figure pat00252

(here,
Figure pat00253
Is the friction parameter matrix at the ith data collection period,
Figure pat00254
Is the friction parameter matrix in the (i-1)th data collection period,
Figure pat00255
is the friction torque matrix in the ith data collection period,
Figure pat00256
is the joint velocity at the ith data collection period
Figure pat00257
is a matrix containing)
 컴퓨팅 장치에 의해 수행되며,
외력이 없는 임의의 자세에서의 로봇아암의 마찰토크값과 관절속도값을 매칭한 입력 데이터 세트를 수집하는 데이터 수집단계;
상기 입력 데이터 세트를 입력값으로 재귀선형회귀 모델을 구동하여 마찰 파라미터를 추정하는 마찰 파라미터 추정단계; 및,
상기 추정된 마찰 파라미터를 이용하여 추정 마찰토크를 산출하는 마찰토크 추정단계;
를 포함하는, 로봇아암 관절마찰 추정방법.
performed by a computing device;
A data collection step of collecting an input data set in which friction torque values and joint speed values of the robot arm in an arbitrary posture without an external force are matched;
a friction parameter estimation step of estimating a friction parameter by driving a recursive linear regression model using the input data set as an input value; and,
a friction torque estimation step of calculating an estimated friction torque using the estimated friction parameter;
Including, robot arm joint friction estimation method.
 청구항 6에 있어서, 상기 데이터 수집단계는,
상기 입력 데이터 세트 중에서 관절속도값이 동일한 입력 데이터 세트 중 적어도 어느 하나는 노이즈 처리하는, 로봇아암 관절마찰 추정방법.
The method according to claim 6, wherein the data collection step,
A method for estimating robot arm joint friction, wherein at least one of the input data sets having the same joint velocity value among the input data sets is subjected to noise processing.
 청구항 6에 있어서, 상기 마찰 파라미터 추정단계는,
하기 식 (a)의 예측 모델을 이용하여 최소자승법 재귀선형회귀 모델을 구동하는, 로봇아암 관절마찰 추정방법.
식 (a) :
Figure pat00258

(여기서,
Figure pat00259
는 마찰토크,
Figure pat00260
는 관절속도,
Figure pat00261
는 쿨롬 마찰계수,
Figure pat00262
,
Figure pat00263
,
Figure pat00264
는 점성계수임)
The method according to claim 6, wherein the friction parameter estimating step,
A robot arm joint friction estimation method for driving a least square recursive linear regression model using the predictive model of equation (a) below.
Equation (a):
Figure pat00258

(here,
Figure pat00259
is the friction torque,
Figure pat00260
is the joint velocity,
Figure pat00261
is the Coulomb friction coefficient,
Figure pat00262
,
Figure pat00263
,
Figure pat00264
is the viscosity coefficient)
 청구항 8에 있어서, 상기 마찰 파라미터 추정단계는,
상기 데이터 수집단계에서 실시간으로 수집된 입력 데이터 세트를 반영하여 실시간으로 마찰 파라미터(
Figure pat00265
,
Figure pat00266
,
Figure pat00267
,
Figure pat00268
)를 갱신하는, 로봇아암 관절마찰 추정방법.
The method according to claim 8, wherein the friction parameter estimating step,
In real-time by reflecting the input data set collected in real-time in the data collection step
Figure pat00265
,
Figure pat00266
,
Figure pat00267
,
Figure pat00268
), a method for estimating robot arm joint friction.
 청구항 9에 있어서, 상기 마찰 파라미터 추정단계는,
하기 식 (b)의 예측 모델을 이용하여 최소자승법 재귀선형회귀 모델을 구동하여 실시간으로 마찰 파라미터(
Figure pat00269
,
Figure pat00270
,
Figure pat00271
,
Figure pat00272
)를 갱신하는, 로봇아암 관절마찰 추정방법.
식 (b) :
Figure pat00273

(여기서,
Figure pat00274
는 i번째 데이터 수집 주기에서의 마찰 파라미터 행렬,
Figure pat00275
는 (i-1)번째 데이터 수집 주기에서의 마찰 파라미터 행렬,
Figure pat00276
는 i번째 데이터 수집 주기에서의 마찰토크 행렬,
Figure pat00277
는 i번째 데이터 수집 주기에서의 관절속도
Figure pat00278
을 포함하는 행렬임)
The method according to claim 9, wherein the friction parameter estimating step,
The friction parameter (
Figure pat00269
,
Figure pat00270
,
Figure pat00271
,
Figure pat00272
), a method for estimating robot arm joint friction.
Equation (b):
Figure pat00273

(here,
Figure pat00274
Is the friction parameter matrix at the ith data collection period,
Figure pat00275
Is the friction parameter matrix in the (i-1)th data collection period,
Figure pat00276
is the friction torque matrix in the ith data collection period,
Figure pat00277
is the joint velocity at the ith data collection period
Figure pat00278
is a matrix containing)
 청구항 1 내지 청구항 5 중 어느 한 항에 따른 로봇아암 관절마찰 추정장치를 포함하는 로봇아암.A robot arm comprising the robot arm joint friction estimator according to any one of claims 1 to 5.
KR1020210176128A 2021-12-09 2021-12-09 Robot arm joint friction estimation device and estimation method KR102618327B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210176128A KR102618327B1 (en) 2021-12-09 2021-12-09 Robot arm joint friction estimation device and estimation method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210176128A KR102618327B1 (en) 2021-12-09 2021-12-09 Robot arm joint friction estimation device and estimation method

Publications (2)

Publication Number Publication Date
KR20230087303A true KR20230087303A (en) 2023-06-16
KR102618327B1 KR102618327B1 (en) 2023-12-27

Family

ID=86948261

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210176128A KR102618327B1 (en) 2021-12-09 2021-12-09 Robot arm joint friction estimation device and estimation method

Country Status (1)

Country Link
KR (1) KR102618327B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117331311A (en) * 2023-09-21 2024-01-02 中山大学 Robot dynamics parameter estimation method based on acceleration-free recursive filtering regression

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150000942A (en) * 2013-06-25 2015-01-06 한밭대학교 산학협력단 Method for parameter calibration of two-link nonholonomic robots
KR20150141246A (en) * 2014-06-09 2015-12-18 고려대학교 산학협력단 Robot manipulator device being capable of observing the frictional torque on the articulation of the same and a method for controlling the same
KR20170008486A (en) * 2015-07-14 2017-01-24 재단법인대구경북과학기술원 Parameter identification for robots with a fast and robust trajectory design approach
KR20170086862A (en) 2016-01-19 2017-07-27 한국기계연구원 Variable counterbalance mechanism
KR102170591B1 (en) * 2019-11-01 2020-10-27 주식회사 뉴로메카 Friction Compensation Method for Multi-DOF Cooperative Robots

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150000942A (en) * 2013-06-25 2015-01-06 한밭대학교 산학협력단 Method for parameter calibration of two-link nonholonomic robots
KR20150141246A (en) * 2014-06-09 2015-12-18 고려대학교 산학협력단 Robot manipulator device being capable of observing the frictional torque on the articulation of the same and a method for controlling the same
KR20170008486A (en) * 2015-07-14 2017-01-24 재단법인대구경북과학기술원 Parameter identification for robots with a fast and robust trajectory design approach
KR20170086862A (en) 2016-01-19 2017-07-27 한국기계연구원 Variable counterbalance mechanism
KR102170591B1 (en) * 2019-11-01 2020-10-27 주식회사 뉴로메카 Friction Compensation Method for Multi-DOF Cooperative Robots

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117331311A (en) * 2023-09-21 2024-01-02 中山大学 Robot dynamics parameter estimation method based on acceleration-free recursive filtering regression
CN117331311B (en) * 2023-09-21 2024-05-14 中山大学 Robot dynamics parameter estimation method based on acceleration-free recursive filtering regression

Also Published As

Publication number Publication date
KR102618327B1 (en) 2023-12-27

Similar Documents

Publication Publication Date Title
JP5198514B2 (en) Robot controller
JP6411380B2 (en) Method for improving detection of collision between robot and its environment, system and computer program product for implementing the method
CN102006011B (en) Controller of electric motor having function of estimating inertia and friction simultaneously
JP2020101541A (en) Method and device for torque estimation
Lu et al. Experimental determination of dynamic parameters of robotic arms
KR20230087303A (en) Robot arm joint friction estimation device and estimation method
JP2020004399A (en) Method and device for previous stage co-simulation
Ruderman et al. Model-free sliding-mode-based detection and estimation of backlash in drives with single encoder
CN115336167A (en) Friction compensation device, collision detection device, torque feedforward calculation device, robot control device, and friction compensation method
CN116512245A (en) Track optimization method and device for inhibiting residual vibration of flexible joint mechanical arm
JP4087435B2 (en) Life evaluation equipment
JPH07319558A (en) Detection of force in force controller
JP6697313B2 (en) Frequency characteristic measuring method in feed axis controller
Arias et al. Refined Post-Impact Velocity Prediction for Torque-Controlled Flexible-Joint Robots
KR102628668B1 (en) Robot arm gravity compensating device and method
Ruderman et al. Impact of hysteresis lost motion on the sensorless torsion control of elastic robotic joints
Mihelj et al. Robot control
CN117532623B (en) Mechanical arm external torque estimation method
CN114833828B (en) Inertial parameter identification method, equipment and medium for two-degree-of-freedom system
KR102607486B1 (en) Method and Apparatus for Reducing Vibration Noise in a Robot Arm
KR102607487B1 (en) Method and Apparatus for Reducing Noise in a Robot Arm
RU2724775C1 (en) Complex of dynamic control of anthropomorphic manipulator
US20230264342A1 (en) Control system, control method, and storage medium
CN117798932A (en) Industrial robot collision detection method
Van der Auweraer et al. State estimation: A model-based approach to extend test data exploitation

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant