机器人负载惯性参数的快速辨识

机器人的惯性参数辨识是基于动力学模型控制器设计的基础,除了需要辨识机器人自身的惯性参数外,还需要快速准确地辨识负载的惯性参数。针对需要更换负载的工作场景,提出了一种快速辨识负载的激励轨迹,该轨迹不需要经过优化,即可在短时间内覆盖更多的机器人运动状态,从而获得更为全面的采样参数集,提高了辨识效率的同时增强了辨识模型的泛化能力。实验表明,辨识的结果与负载模型的CAD参数符合,机器人关节理论力矩能较好地拟合实际驱动力矩,验证了负载参数的正确性。     

机器人动力学参数辨识方法的研究

在不解体情况下,采用ＣＡＤ方法计算各动力学参数值,基于多体系统动力学模型及ＰＵＭＡ机器人单关节运动试验结果修正相应动力学参数,并考虑各关节摩擦与阻尼特性。通过ＰＵＭＡ机器人各臂联动试验验证辨识参数的正确性。     

一种鲁棒的机械臂动力学参数辨识方法

针对机械臂动力学参数在传统辨识方法下存在辨识精度不高且易受异常数据点影响的问题,提出一种鲁棒的机械臂动力学参数辨识方法。首先,采用牛顿-欧拉法建立机械臂动力学方程,推导得到机械臂动力学线性化重组模型,确定需要辨识的惯性参数最小集合;其次,设计激励轨迹,采用遗传算法优化激励轨迹参数;再次,采用Tent混沌映射对传统粒子群优化算法(PSO)的初始种群位置进行改进,自适应惯性权重和学习因子,同时设计残差权重策略来剔除辨识过程中的异常数据点;最后,采集数据进行参数辨识试验。辨识结果表明：所提方法增强了对异常数据点的鲁棒性,有效提高了辨识精度,与随机权重粒子群算法(RWPSO)相比,文中所提改进粒子群优化算法(IPSO)的残差均方根(RMS)平均减小了10.064 3%,相关系数ρ平均增大了0.827 3%。     

电液驱动3-UPS/S并联稳定平台的动力学参数辨识

以电液驱动并联稳定平台为研究对象,对平台惯性参数和驱动关节液压缸摩擦参数进行了基于实验的辨识研究。利用关键点旋量等效原则和虚功原理构建了平台惯性参数辨识模型,以五次多项式改进的傅里叶级数构造了激励轨迹,并进行了优化;基于液压缸摩擦力模型,分离出模型中固有的摩擦参数,建立了摩擦参数辨识模型,并规划了辨识轨迹。通过辨识实验得到了惯性参数及摩擦参数的辨识结果,利用任意轨迹实验对结果进行了验证。     

改进的动力学参数迭代辨识方法

迭代的辨识方法考虑了物理可行性约束、异常采样数据的去除和更符合实际的摩擦模型,因此可以获得更准确的动力学参数。针对需要辨识的参数多导致迭代时间成本高的问题,提出一种改进的动力学参数迭代辨识方法,通过引入 F 统计量剔除对机器人关节力矩几乎没有贡献的参数,降低迭代中需要辨识的参数的维度,以减少辨识时间、提高辨识效率。实验结果表明,在 Chin7 机器人上,该方法能在不影响力矩计算精度的前提下将辨识的计算时间减少 45% 。     

凿岩机器人钻臂动力学参数分步理论辨识方法

凿岩机器人钻臂具有多冗余自由度耦合关节,且结构尺寸庞大,难以准确获取其动力学参数。为此,提出一种分步理论辨识法辨识钻臂动力学参数。推导出钻臂的牛顿-欧拉方程,并建立其动力学模型,采用5阶傅立叶级数规划钻臂各关节运动的激励轨迹,将钻臂3维Pro/E模型导入ADAMS中,根据各关节在激励轨迹下的驱动力(或力矩),从推进器关节开始沿机身方向进行递推,对各关节的动力学参数进行分步辨识。仿真结果表明,分步理论辨识法具有较高的辨识精度,提高了钻臂末端(钎头)定位控制的精度和稳定性。     

单臂SCARA手的动力学建模与参数辨识

针对单臂SCARA手臂机械结构,获取单臂高速大气机械手的动态特性对于机器人的精确运动和动力学控制有着重要的意义。首先将SCARA型机械手动力学分为上升、旋转和伸缩三个模块进行讨论。然后提出了其等效的运动学模型,并求出运动学的正反解,同时用拉格朗日法求出了动力学方程。最后利用参数辨识的方法求解出摩擦系数。利用了MATLAB机器人工具箱对机械手的运动学和动力学进行了仿真实验,通过比较整个动态转矩和电机扭矩证明了算法的有效性。经过实际测试,该动力学可靠有效。     

一种水平机器人动力学模型辨识方法

机器人动力学模型的辨识方法往往涉及多个参数变量,在控制应用中步骤繁琐,实施难度大.鉴于此,提出了一种水平机器人动力学模型简化的方法.通过拉格朗日原理建立水平机器人完整的动力学模型;采集本体轨迹和电流实时数据,通过理论的机械惯量参数,采用最小二乘法辨识本体的摩擦/转子惯量系数,最后进行了实验效果的验证.通过此方法,可降低...     

上肢康复机器人动力学模型参数辨识

上肢康复机器人是一个非线性、多耦合的系统,对其建立精确的动力学方程较为困难,故无法直接应用于控制系统中。基于拉格朗日法建立康复机器人动力学方程,设计一条激励轨迹,并运用激励轨迹得到的关节力矩和关节角度等相关数据进行动力学参数辨识。使用递归最小二乘法辨识法得到较为精确的上肢康复机器人动力学方程,并通过设计相应的验证轨迹,证明了辨识得到的动力学方程的有效性。     

一种基于神经网络的双足机器人混合动力学系统辨识方法

针对双足机器人的混合动力学系统辨识问题,从系统渐进稳定性角度分析,推导出连续与离散混合系统的可辨识条件,提出了一种基于混沌粒子群优化的径向基函数神经网络与动态模糊神经网络的联合辨识方法。利用混沌粒子群优化的径向基函数神经网络辨识双腿的连续摆动阶段,利用动态模糊神经网络辨识离散的足地碰撞阶段;依据两阶段同一变量的耦合、转换关系,实现了对双足机器人整体混合系统的准确辨识。仿真实验结果表明,该方法辨识和预测结果具有较高的准确度。     

一种工作模态参数的在线时域辨识方法

根据环境激励具有随机性以及线性系统在环境激励下各输出点响应之间的相关函数与系统的脉冲响应函数具有相同的数学表达式等特点，给出了在线模态参数识别的理论，并提出了仅根据环境激励响应识别模态参数的新方法。     

转子系统支承松动故障非线性参数识别

针对一端支承松动的转子-滚动轴承系统,利用遗传算法对松动端的故障非线性参数进行识别。针对传统遗传算法的早熟收敛问题,提出了一种改进的遗传算法。通过适应度函数的构建,将参数识别问题转化为参数优化问题,改进了遗传算法中新一代种群的生成机制。父代种群进行交叉与变异操作后,并不直接产生新一代种群,而是取父代种群与生成的种群中适应度排序靠前的个体组成新一代种群。改进的遗传算法能以较大的变异率进行遗传进化,克制了遗传算法的早熟收敛问题,加快进化速度。用改进遗传算法识别了转子支承松动参数,并研究了变异率和噪声对识别结果的影响。研究表明,改进的方法能有效提高松动参数的识别效率,变异率最高可达0.3,噪声不超过10%时能具有理想的识别精度。基于支承松动转子实验台的实测信号,利用改进遗传算法进行了参数识别,验证了改进算法的有效性。     

车辆转向系统动力学模型的车载辨识算法

汽车转向系统是一个缓慢变化的非线性系统 ,在一个较短的时间间隔内 ,可以用一个参数时变的二阶线性系统对其动力学特性进行描述。根据这一特点 ,在最小二乘原理的基础上建立了一个转向系统的车载辨识算法 ,对当前工况下转向系统的动力学特性进行辨识计算。仿真计算表明 ,该算法具有较高的辨识精度 ,可以应用于汽车转向系统离线仿真和实时控制。     

气垫式越野机器人土壤参数识别算法及其采样点选取规则

正确地在线识别土壤参数是软地面越野机器人运行性能优化和控制的基础,其实施需要解决多解问题和准确性问题。利用气垫式机器人的垂向力控制自由度,提出g算法对3个土壤推力参数进行解耦和识别,能够解决多解问题。g算法的实施需要确定3个采样点,需要限制由状态噪声和测量噪声引起的土壤参数估值误差,因此有必要建立合理的采样点选取规则。其方法如下:将估值误差的减小具体表征为3方面,经数学推理分别建立采样点选取规则,再得出折中方案。结合一个工程实例进行了不同状态噪声和测量噪声水平下的估值准确性试验。试验结果表明:①在各种噪声水平下,尽管存在或多或少的误差,g算法均能够识别出3个土壤推力参数;②在各种噪声水平下,根据选取规则得到的理想采样点组合相对于随机组合具有明显优势;③系统的非线性导致状态噪声和测量噪声均对g算法的估值准确性有较大影响。上述结果显示出针对气垫式越野机器人提出g算法及其采样点选取规则的必要性和可行性。     

模块化机器人几何误差分析及参数辨识研究

为解决模块化机器人重构后误差的快速补偿问题,对模块化机器人几何误差来源进行分析,将其划分为模块参数误差和模块间装配参数误差.基于指数积公式和齐次变换对关节模块、连杆模块及模块间装配位姿进行数学描述,建立关节-连杆子装配体的实际运动学模型.给出一种基于精密球和外部测量的模块参数及模块间装配参数辨识方法,完成子装配体运动学...     

SCARA机器人的自适应迭代学习轨迹跟踪控制

为了减小执行重复运动任务机器人的末端位置误差,提出了自适应迭代学习轨迹跟踪控制算法。根据拉格朗日方程得到SCARA机器人的动力学模型,设计了控制力矩的迭代算法,利用Lyapunov函数对该算法的稳定性进行了理论证明,搭建了具有典型机械结构的SCARA机器人实验平台。通过实验验证了自适应迭代学习控制算法能有效减小SCARA机器人的末端位置误差,具有较强的可执行性。