关键词：
机器人
动力学
参数辨识
模型误差
力矩补偿
摘要：
多自由度串联机械臂被广泛应用于各种工业生产过程中,极大地提高了工作效率,促进了经济效益。随着技术进步和工业发展,智能化、集成化、高性能运动控制对工业机器人的发展提出了新的要求。工业机器人系统高度复杂且非线性严重,关节耦合、摩擦特性、负载变化、外部干扰等因素均能对机械臂的精确控制造成影响。当前,基于动力学模型的机械臂高性能运动控制成为技术研究的热点与难点。机械臂存在着复杂的耦合关系和严重的非线性,如非线性摩擦、关节柔性、电机力矩波动等。动力学逆解将耦合与非线性关系考虑在内,通过已知轨迹的关节位移、速度与加速度求解机械臂各关节的力或力矩。但通常,机器人动力学系统又存在结构与非结构不确定性。结构不确定性是指由参数辨识引起的模型误差,非结构化不确定性是指未进行模型描述的动力学特征。由于数学模型无法将所有机器人运动控制中的影响因素进行表述,所以,无论使用多么复杂的建模方法,机器人动力学总是存在不确定性,造成力矩预测误差。近年来,人工智能学习方法方兴未艾,深度学习具有强大的非线性拟合能力和良好的容错性,这为解决机器人参数辨识精度低导致的力矩跟踪误差问题提供了契机。对此,本文进行了基于动力学模型与深度学习误差补偿的机器人高精度关节力矩预测技术研究。本文的研究内容如下:1.六自由度工业机器人动力学参数辨识研究实验设备选为Universal Robot 5（UR5）六轴旋转型机械臂,采用牛顿-欧拉法（Newton-Euler）建立数学动力学模型,推导得到可辨识参数的最小参数集,采用零相位数字滤波与巴特沃斯滤波等数据处理方法处理实验数据,进而进行动力学参数辨识。通过验证轨迹进行辨识参数精度检验,使数学动力学模型可以获得相对准确的转矩预测,预测力矩精度满足各关节力矩预测误差小于最大转矩的10%,表明了良好的辨识精度。同时,利用Simulink建立动力学参数辨识的全过程,并利用GUI开发UR5型机械臂参数辨识面板,使参数辨识操作过程更加简便,辨识结果显示更加直观。2.基于机器人操作系统的运动轨迹规划方法研究利用机器人操作系统（Robot Operation System,ROS）开发的机器人具有良好的通用性,它包括许多开发者提供的抽象硬件数据包与机器人控制函数,其开源代码的形式使代码的复用性与开发效率得以提高,基于ROS的运动规划与控制具有重要的理论意义和工程价值。本文利用基于Move It!的工业机器人运动规划方法对UR5型机械臂进行了轨迹规划与运动控制。同时,采用Gazebo与RVIZ进行联合仿真、RVIZ与真实机械臂进行实验验证,实验结果表明,基于ROS的运动规划与控制方法具有良好的效果。3.提出一种基于深度学习的预测力矩误差补偿模型本文首次将深度学习应用于辅助六自由度机械臂动力学参数辨识的不确定性因素补偿。提出了一种基于深度神经网络的误差补偿模型——不确定性补偿模型（Uncertainty Compensation Model,UCM）,以补偿动力学不确定性引起的力矩误差。UCM主要由提出的输入控制模块（Input Control Module,ICM）和提出的基于长短时记忆单元和注意力机制的误差学习模型（Error Learning Model,ELM）组成。考虑到机器人动力学参数的耦合特性,提出的ICM用于控制ELM的有效输入,可有效避免输入数据对模型学习造成不必要干扰。ELM单元为误差学习模型,它的输入为经过ICM处理后的数据,它的输出为特定关节的力矩误差估计值。由ELM单元组成的ELMs用于从序列数据中提取显著数据特征以预测机械臂六个关节的力矩误差。本文总结了有效输入、时间步长和注意力机制对UCM性能的影响。本文利用UR5机械臂对提出的力矩补偿模型UCM进行验证。实验结果表明,与数学动力学模型的预测力矩相比,所提出的UCM具有良好的捕捉摩擦特性和补偿局部最大力矩误差的能力,各关节力矩预测误差精度达到力矩误差小于最大转矩的6%,有效地解决了数学动力学模型存在的不足,提高了力矩预测精度。
欢迎来到三峡大学图书馆！
