机理模型与集成学习混合驱动的机器人关节摩擦建模方法

机器人一体化关节广泛应用于医疗、协作机器人等领域,其摩擦特性是影响机器人性能的关键因素.为此,提出了一种机理模型与集成学习混合驱动的机器人关节摩擦建模方法,以提高模型精度.首先,综合考虑转速、负载等关节摩擦特性的影响因素及其周期波动特性,基于先验知识和物理分析分别建立了伺服电机与谐波减速器的参数化机理模型,描述摩擦特性的变化规律.然后,针对机理建模中因线性假设、忽略高阶项等产生的非线性残差,提出了基于eXtreme gradient boosting(XGBoost)的残差补偿模型建模方法,通过采用Boosting集成学习策略,提高残差补偿模型的泛化能力.同时,采用贝叶斯优化方法进行XGBoost模型的超参数寻优,以提高模型精度和训练效率.相比于传统的参数化机理模型,本文所提出的混合驱动模型具有更高精度.与反向传播神经网络、支持向量机、长短时记忆神经网络等多种典型方法的对比实验表明,本文所提出的基于XGBoost的残差补偿模型具有更强的特征提取能力,能够较好地预测强非线性的波动摩擦残差,有效地提高了整体模型的精度.