一种改进的机器人动力学参数辨识方法

机器人动力学模型是机器人相关研究的基础,而动力学参数辨识是获得动力学模型的有效途径之一.针对机器人动力学参数的辨识问题,提出了由外关节向内关节逐一辨识的方法.并以傅里叶级数作为激励轨迹的基本函数形式,设计了关节激励轨迹.然后利用粒子群优化方法 PSO(Particle Swarm Optimization),以最小化辨识系数矩阵的条件数为目标函数,优化设计了激励轨迹,以提高辨识过程中的抗干扰能力.最后在Simulink中借助SimMechanics模块仿真验证了文中方法的有效性,同时也验证了文中的激励轨迹优化方法可增强辨识过程的抗干扰能力,提高辨识精度.     

基于IRLS算法的机器人动力学参数辨识

为提高机器人动力学参数辨识的准确性,提出了一种基于迭代加权最小二乘(Iterative Reweighted Least Squares, IRLS)算法的辨识方法。首先推导了机器人的线性动力学模型,随后提出了一种改进摩擦模型,并设计了改进傅里叶级数作为激励轨迹采集数据。为提升动力学参数辨识的准确性,在加权最小二乘法基础上进行改进,提出了IRLS算法对动力学参数进行辨识。最后以六自由度机器人为试验对象,进行了参数辨识试验。结果表明,基于IRLS算法的辨识方法与加权最小二乘法相比,前3个关节力矩误差的均方根(Root Mean Square, RMS)值降低了13.28%,后3个关节力矩误差的RMS值降低了28.57%,6个关节力矩误差的RMS值平均降低了17.15%,证明了基于IRLS算法的辨识方法的有效性。     

一种并联机器人机电耦合多能域系统动力学参数辨识、控制及试验

以平面2-DOF冗余驱动并联机器人为研究对象,结合拉格朗日方程和键合图两种方法,建立了该机器人机电耦合多能域系统动力学模型。针对该机构特点,提出了一种将动力学模型线性化的待定系数法,通过该方法,经过严密的数学推导,得到了机电耦合多能域系统动力学模型的线性化形式,避免了传统的简化方法得到动力学模型线性化形式带来的误差。以五次多项式改进的傅里叶级数优化并联机构末端激励轨迹。搭建了动力学参数辨识试验平台,以加权最小二乘法对其机电耦合多能域系统的动力学参数进行了基于试验的辨识研究。所提的辨识策略不仅可以辨识出机器人机构本体的惯性参数与关节摩擦参数而且还可以辨识出电动机和减速机的等效转动惯量以及等效阻尼系数。设计了基于计算力矩的力位混合控制策略,并将辨识出的动力学参数应用到控制策略中,通过试验验证了机电耦合多能域系统动力学参数辨识的实用性与基于计算力矩的力位混合控制策略的有效性。     

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。     

基于傅里叶级数的最优能量运动轨迹优化方法

从机器人关节空间出发,以单关节系统为例,针对机器人关节空间能量最优的运动轨迹优化方法进行了研究。在基于Stribeck摩擦模型构造单关节系统动力学模型的基础上,建立了以傅里叶级数表征任意位置和规律的运动轨迹规划方案。以能量作为优化目标,通过添加边界位置、速度及加速度等约束条件,构建了运动轨迹优化的理论模型。基于遗传算法对傅里叶级数的最优系数进行搜索,从而形成以能量最优为目标的运动轨迹优化方法。通过具体算例分析了傅里叶级数系数的数量对于优化后的轨迹作用于关节系统能耗及运动学性能等方面的影响,并与多项式运动规律进行对比分析,结果表明该运动轨迹优化方法对于降低关节系统能耗具有显著作用。     

动力学参数辨识的SCARA机器人PTP加速度优化

针对SCARA机器人高速运动时驱动力矩超限对减速机造成损伤的问题,提出一种基于动力学参数辨识的PTP加速度优化方法。通过对粘滞+库伦摩擦模型进行改进得到更好的表征高速运动时的摩擦模型,并由激励轨迹最小二乘法完成SCARA机器人改进后动力学模型参数辨识。进一步通过改进的动力学模型对SCARA机器人的PTP运动进行力矩预测,选取合适的迭代步长通过寻优算法得到最优的PTP加速度。ADAMS仿真和力矩预测实验表明,改进后的SCARA机器人动力学模型具有更高的力矩预测精度,加速度寻优算法平均耗时8 ms满足工程实时性要求,所得最优加速度在保证运行效率不降低的同时使得多点位PTP运动峰值转矩从112.2 N·m降低到了84.19 N·m,有效的提高减速机的使用寿命。     

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。     

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。     

基于并联机构的Kane法动力学模型参数辨识技术研究

采用Kane方程建立了6-UPS并联机构的动力学模型,并根据机构的实际应用分析得到适用于参数辨识的简化动力学线性模型;按满足最小二乘方法要求的观测矩阵为满秩矩阵的应用条件,利用QR分解得出一组线性无关的基本辨识参数与相应的观测矩阵,并采用傅里叶级数进行辨识轨迹优化,提高参数辨识的抗干扰能力;最后通过MATLAB理论计算,验证了辨识方法的合理性与稳定性。     

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。     

基于混合插值的工业机器人关节轨迹规划算法

B样条曲线由于其多阶导数连续和局部支撑性的特点,被广泛用于工业机器人关节空间的轨迹规划。标准B样条在起止点位置存在导数值的突变,致使工业机器人在启动和停止时产生振动。提出一种采用高次多项式与B样条混合插值优化的方法,使机器人关节运动学参数连续无突变,在不增加机器人控制系统运行负担的情况下,能够使机器人运行更加平稳,改善了机器人的运行状态。     

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。     

APPROACH TO IMPROVEMENT OF ROBOT TRAJECTORY ACCURACY BY DYNAMIC COMPENSATION

Some dynamic factors, such as inertial forces and friction, may affect the robot trajectory accuracy. But these effects are not taken into account in robot motion control schemes. Dynamic control methods, on the other hand, require the dynamic model of robot and the implementation of new type controller. A method to improve robot trajectory accuracy by dynamic compensation in robot motion control system is proposed. The dynamic compensation is applied as an additional velocity feedforward and a multilayer neural network is employed to realize the robot inverse dynamics. The complicated dynamic parameter identification problem becomes a learning process of neural network connecting weights under supervision. The finite Fourier series is used to activate each actuator of robot joints for obtaining training samples. Robot control system, consisting of an industrial computer and a digital motion controller, is implemented. The system is of open architecture with velocity feedforward function. The proposed m     

基于标定和关节空间插值的工业机器人轨迹误差补偿

轨迹精度是工业机器人重要的动态性能,目前工业机器人的轨迹精度远低于定位精度,提出一种基于机器人运动学标定和关节空间插值误差补偿的方法来提高机器人轨迹精度。基于MD-H方法建立机器人的运动学模型,在此基础上运用机器人微分运动学理论建立末端位置误差模型和轨迹误差模型。为克服最小二乘法等传统方法在数据噪声较大且不符合高斯分布时收敛慢甚至发散的问题,提出一种基于扩展卡尔曼滤波算法的机器人运动学参数辨识方法,实现运动学参数辨识的快速收敛。经过分析发现机器人误差在关节空间具有连续性的特点,为此提出一种关节空间插值误差补偿方法,建立网格形式的误差补偿数据库,并利用关节空间距离权重函数和已知的网格顶点误差计算各控制点的关节转角误差。通过试验对所提出的参数辨识和关节空间误差补偿方法进行了验证,试验结果表明：经过运动学参数辨识和补偿后机器人的绝对定位精度由1.039 mm提高到0.226 mm,轨迹精度由2.532 mm提高到1.873 mm,应用关节空间插值误差补偿后机器人的轨迹精度进一步提高到1.464 mm。     

基于改进IGG3权函数距离误差模型的工业机器人标定

在工业机器人的标定过程中,测量粗差数据会对标定结果精度产生影响,为此,提出了一种基于改进IGG3权函数距离误差模型的工业机器人标定方法,将改进的IGG3权函数最小二乘辨识算法用于工业机器人距离误差标定中,以进一步提高工业机器人的标定精度。以SR4C型工业机器人为研究对象,建立了机器人距离误差数学模型,进行了IGG3权函数最小二乘辨识算法的理论研究。构建了机器人标定实验系统,进行了基于改进IGG3权函数距离误差模型的工业机器人标定实验,实验结果表明,所提方法可有效减小粗差数据对标定精度的影响。该方法可用于工业机器人标定和校准领域,以提高工业机器人定位精度。     

基于多约束的机器人关节空间轨迹规划

当机器人进行快速运动且运动时间确定时,由于受到驱动机构性能等因素的制约,机器人进行运动轨迹规划时需要考虑角加速度约束、角速度约束和角度约束等多个约束条件。通过对运动约束进行分析,提出基于梯形速度曲线的多约束条件下机器人关节空间轨迹规划方法。根据无约束条件下规划出的最小加速度运动轨迹,在角加速度满足约束的情况下对其进行优化,获得满足角速度约束和角度约束的最小角加速度运动轨迹。对加速度达到最大时的轨迹也无法满足约束条件的情况进行讨论。该轨迹规划方法兼顾机器人的运动平稳性与约束要求,并且能够充分发挥机器人关节的驱动性能。仿真结果表明了该方法的可行性。     

基于改进自适应遗传算法的固定结合面动态特性参数优化识别

针对固定结合面传统建模方法精度较低和结合面的动态特性参数难以确定的问题,改进了基于弹簧阻尼单元的建模方法,提出了基于实验模态分析和改进自适应遗传算法的固定结合面动态特性参数的优化识别方法。该方法以有限元计算的理论固有频率和阻尼比与其对应实验模态分析结果的相对误差最小为目标函数,使用改进的自适应遗传算法优化识别固定结合面的刚度和阻尼参数。以自行设计制作的固定结合面模型为研究对象进行了建模、实验、参数识别等分析,分析结果表明：所提出的方法是正确的、有效的,参数识别误差在5%以内,达到了较高的识别精度。     

欠驱动弹跳机器人最优运动姿态的驱动器配置

研究了具有一个被动关节的三关节单腿欠驱动弹跳机器人的轨迹规划问题。首先建立欠驱动机器人在着地阶段的动力学模型;然后采用数值迭代的方法,以主动关节驱动力矩最小为优化目标,得出了机器人各关节转角的运动规律;最后通过仿真得到三种驱动器配置情况下机器人的关节转角运动规律、姿态图以及驱动力矩,并对其进行了分析比较。结果表明：所提出的运动规划方法是可行的,采用髋关节和踝关节驱动是三种驱动器配置中最合理的情况。     

光电稳定平台伺服系统动力学建模与参数辨识

针对光电稳定平台伺服系统模型参数辨识问题,提出了线性和非线性模型参数分离辨识方法。在线性模型参数辨识过程中,利用差动逆M序列信号作为输入,相应的响应信号作为输出,并应用最小二乘方法辨识线性离散模型参数,从而降低非线性因素的影响。在非线性模型参数辨识过程中,以LuGre摩擦模型为基础,针对摩擦和不平衡质量相互耦合的问题,提出了考虑不平衡质量的LuGre模型静态参数辨识方法;然后,利用电流信号作为摩擦力测量值,对LuGre模型动态参数进行辨识,得到包含不平衡质量和动态摩擦的系统非线性部分模型参数。构建了单轴光电稳定平台实验系统,利用本文提出的方法对实验系统动力学模型参数进行了辨识。结果表明:质量不平衡力矩的辨识值为0.183N·m,略高于理论值0.18N·m,满足辨识精度要求。实验证实提出的辨识方法可以实现对模型线性与非线性参数的有效辨识。     

叠层实体成型中提高激光切割精度的动力学补偿方法

动力学因素,如摩擦力和惯性力,在叠层实体成型加工中常影响激光机床的切割精度。提出的动力学补偿方法结合了闭环位置控制和计算力矩控制两者的优点。既可以避免对名义轨迹的偏差,又可以补偿动力学因素对精度的影响。在每个原动件控制中,用附加的速度前馈来实现动力学补偿。多层前馈型神经网络用来实现机构的逆动力学模型。用周期函数,有限项傅立叶级数,作为激励函数来获取训练样本。复杂的动力学参数辨识过程成为神经网络权值的监督学习过程。实验结果表明,本文提出的方法对提高激光切割的轨迹精度和切口角度精度是有效的。