一种处理关节测量不一致性的动力学参数辨识方法及系统

本发明属于机器人控制领域，尤其涉及一种处理关节测量不一致性的动力学参数辨识方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、快速发展的机器人控制理论推动大量基于模型的控制方法迅速发展，这也对动力学模型参数的精度提出了更高的要求；通常，机器人系统的动力学参数很难直接测量，采用cad(computer-aided design)的方法很难将摩擦力考虑进来；因此，为了获取精确的动力学参数，学者们对动力学参数的辨识方法进行了大量的研究。

3、动力学参数的辨识方法有着丰富的研究历史，并且涌现出很多优秀的辨识策略；atkeson使用多项式作为激励轨迹，采用最小二乘方法首先辨识出了动力学参数，atkeson的研究为后来研究者打下了坚实的基础；随后，学者们对激励轨迹的设计进行了深入研究，提出了观测矩阵条件数和傅里叶级数来优化激励轨迹。

4、近年来，对动力学参数辨识方法的研究在上述研究的基础上，逐渐进入到了诸多细分领域。ayusawa在不使用关节测量力矩的前提下，辨识出了浮动基座系统的动力学参数；wensing将动力学参数的真实物理约束设计为lmis(linear matrix inequalities)，使用这种约束方法可以加快收敛速度，增加对噪声数据的鲁棒性；jin提出一种自适应方法来辨识柔性关节的动力学参数，并通过递归最小二乘辨识方法来估计来获取关节参数；huang将辨识过程分为两个循环，采用ihls(iterative hybrid least square)方法辨识得到了动力学参数；ge和wang分别采用了神经网络和深度学习的方法对动力学参数进行了辨识，并将非线性模型引入了辨识过程中，但是他们引入的过程均在动力学模型线性化以后，因为直接引入神经网络模型进行辨识可能会使得辨识得到的动力学参数为不符合物理特性的拟合解，这种拟合解的泛化性较差。

5、然而，上述大部分的辨识策略都是基于所有关节一致性的前提，即所有的关节具有相同的测量误差水平，这也就忽略了不同关节因测量误差水平不一致所导致的不同关节数据的置信度不一致问题。驱动器测量关节数据的过程受制于物理因素，很多原因都会导致关节不一致性的出现：首先，关节力矩在不同的激励轨迹下具有不同的震动幅值，在实验中可以普遍观察到的一个现象是高速的运动轨迹往往具有更小的力矩波动，而相反在低速运动轨迹中力矩波动往往会更大；其次，很多驱动器采用内部电流来估计产生的力矩，电流传感器的精度也会导致不一致问题的产生；此外，同一个机器人系统中可能装配有不同的驱动器，特别是不同力矩范围的驱动器，因为具有更大力矩范围驱动器的测量误差往往会更大。

6、因此，考虑到关节驱动器普遍存在的不一致性，目前大多数研究方法直接认定所有的关节数据具有相同的置信度水平并进行辨识的方法是不明智的；因为那些测量误差更大的关节会为辨识过程引入更多的不确定性，从而导致辨识结果出现误差；使用非加权辨识方法可能会造成关节间不一致性的产生，从而对实现精确的力控造成困难。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了一种处理关节测量不一致性的动力学参数辨识方法及系统，拓展了最小二乘(least square,ls)辨识方法，结合粒子群优化(particle swarm optimization,pso)来为每个关节分配不同的权重，解决关节不一致性问题。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、本发明第一方面提供了一种处理关节测量不一致性的动力学参数辨识方法。

4、一种处理关节测量不一致性的动力学参数辨识方法，包括：

5、建立机器人的动力学模型，并对模型进行线性化；

6、根据线性化后的动力学模型，计算用于辨识的激励轨迹；

7、将激励轨迹作为关节指令对机器人关节进行实际控制，对获取的控制过程中的关节数据进行数据滤波；

8、基于滤波后的关节数据，在加权最小二乘辨识中为关节分配不同的权重，并将这些权重作为粒子群优化方法的输入，通过迭代更新，直到评估系数满足要求，得到最优的关节权重；

9、利用最优的关节权重，计算最优的动力学参数。

10、进一步的，所述动力学模型，用公式表示为：

11、

12、其中，τ＝[τ1,τ2,...,τn]∈rn表示n个机器人关节的关节力矩，q＝[q1,q2,…,qn]∈rn表示n个机器人关节的关节位置向量，和分别表示n个机器人关节的速度和加速度向量，m(q)∈rn×n表示机器人的惯性矩阵，表示机器人的离心力和科氏力矩阵，τfric＝[τfric_1,τfric_2,...,τfric_n]∈rn表示n个机器人关节的关节摩擦力向量。

13、进一步的，所述线性化后的动力学模型，用公式表示为：

14、

15、其中，τ＝[τ1,τ2,…,τn]表示n个关节的关节力矩，表示回归矩阵，π表示经过重组后的动力学参数向量。

16、进一步的，所述计算用于辨识的激励轨迹，具体为：

17、选择傅里叶级数，设计激励轨迹；

18、将激励轨迹的目标函数设置为观测矩阵的条件数；

19、以观测矩阵的条件数最小为目标进行激励轨迹的优化，得到用于辨识的激励轨迹。

20、进一步的，所述控制过程中的关节数据，包括关节力矩向量、关节位置向量、关节速度向量以及根据关节速度向量进行微分计算得到的关节加速度向量。

21、进一步的，所述粒子群优化方法，具体为：

22、随机产生预设数量的粒子并设置粒子中n个机器人的初始关节权重；

23、采用加权最小二乘辨识方法，基于当前迭代中n个机器人的关节权重，计算每个粒子的辨识动力学参数和辨识关节力矩；

24、计算评估系数，判断评估系数是否满足辨识需求，满足则评估系数最小的粒子作为全局最优解，否则更新所有粒子权重，进行下一轮迭代。

25、进一步的，所述评估系数用于评估通过辨识得到的动力学参数与真实的动力学参数的偏离情况，用关节力矩的对比来计算评估系数ε的公式为：

26、

27、其中，u∈[1,np]表示n个关节的所有p个采样节点所具有的所有数据点，表示测量得到的真实关节力矩，表示辨识关节力矩，表示测量得到的真实关节力矩的滤波值。

28、本发明第二方面提供了一种处理关节测量不一致性的动力学参数辨识系统。

29、一种处理关节测量不一致性的动力学参数辨识系统，包括模型建立模块、轨迹计算模块、数据采集模块、权重寻优模块和参数计算模块：

30、模型建立模块，被配置为：建立机器人的动力学模型，并对模型进行线性化；

31、轨迹计算模块，被配置为：根据线性化后的动力学模型，计算用于辨识的激励轨迹；

32、数据采集模块，被配置为：将激励轨迹作为关节指令对机器人关节进行实际控制，对获取的控制过程中的关节数据进行数据滤波；

33、权重寻优模块，被配置为：基于滤波后的关节数据，在加权最小二乘辨识中为关节分配不同的权重，并将这些权重作为粒子群优化方法的输入，通过迭代更新，直到评估系数满足要求，得到最优的关节权重；

34、参数计算模块，被配置为：利用最优的关节权重，计算最优的动力学参数。

35、本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种处理关节测量不一致性的动力学参数辨识方法中的步骤。

36、本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种处理关节测量不一致性的动力学参数辨识方法中的步骤。

37、以上一个或多个技术方案存在以下有益效果：

38、针对在之前动力学参数辨识过程中被忽略的问题，即因为不同关节驱动器误差水平不一致所产生的不同关节置信度水平不一致的问题，本发明对最小二乘辨识方法进行改进，提出加权最小二乘辨识方法，结合粒子群优化(particle swarm optimization,pso)为每个关节分配不同的权重，从而计算最优的动力学参数，进而增强机器人的控制精度和提高仿真准确性。

39、本发明提出了一种评估系数，该评估系数被应用于pwls方法用来估计辨识精度，即评估通过辨识得到的动力学参数与真实的动力学参数的偏离情况，因为动力学参数是机器人的模型参数，用动力学模型来计算的是关节力矩，最终的控制目标就是要能更准确的输出关节力矩，所以用关节力矩的对比来计算评估系数，在实际样机的辨识过程中验证动力学参数的辨识精度。

40、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。