基于深度循环神经网络的协作机器人动力学误差补偿

由于协作机器人的结构比普通工业机器人更为轻巧,一般动力学模型所忽略的复杂特性占比较大,导致协作机器人的计算预测力矩误差较大。据此提出在考虑重力、科里奥利力、惯性力和摩擦力等的基础上,采用深度循环神经网络中的长短期记忆模型对自主研发的六自由度协作机器人动力学模型进行误差补偿。在实验中采用优化后的基于傅里叶级数的激励轨迹驱动机器人运动,以电机电流估算关节力矩,获取的原始数据用来训练长短期记忆模型(LSTM)补偿网络。网络的训练结果和评价指标为预测力矩相比实际力矩的均方根误差。计算与实验结果表明,补偿后的协作机器人动力学模型对实际力矩具有更好的预测效果,各轴预测力矩与实际力矩的均方根误差相比于未补偿的传统模型降低了61.8%至78.9%不等,表明了文中所提出补偿方法的有效性。