專利名稱：基于動力學(xué)模型參數(shù)辨識的并聯(lián)機器人控制方法
技術(shù)領(lǐng)域：
本發(fā)明涉及機器人系統(tǒng)的控制方法，具體涉及基于動力學(xué)模型參數(shù)辨識的并聯(lián)機器人控制方法。
背景技術(shù)：
并聯(lián)機器人是指基座和末端執(zhí)行器之間包含多條運動鏈的機器人。由于擁有多條運動鏈，并聯(lián)機器人的機械結(jié)構(gòu)要比傳統(tǒng)的串聯(lián)機器人復(fù)雜得多，這使得并聯(lián)機器人的運動學(xué)和動力學(xué)關(guān)系都非常復(fù)雜，而多條運動鏈對末端執(zhí)行器運動的協(xié)調(diào)操作，更是給并聯(lián)機器人的運動控制提出了挑戰(zhàn)。在對并聯(lián)機器人進行精確的運動控制時，往往要借助精確的動力學(xué)模型進行控制。并聯(lián)機器人的動力學(xué)模型描述了并聯(lián)機器人運動和各個關(guān)節(jié)力矩之間的關(guān)系，它是求解并聯(lián)機器人前向動力學(xué)問題和反向動力學(xué)問題的基礎(chǔ)。并聯(lián)機器人前向動力學(xué)問題是在已知關(guān)節(jié)驅(qū)動力的情況下求解并聯(lián)機器人的運動，而反向動力學(xué)問題則是在已知并聯(lián)機器人運動的情況下求解各個關(guān)節(jié)的驅(qū)動力。由于并聯(lián)機器人的多運動鏈結(jié)構(gòu)和閉鏈約束，推導(dǎo)其動力學(xué)模型是比較復(fù)雜的。并聯(lián)機器人動力學(xué)建模的主要方法歸結(jié)為 Newton-Euler 法、Lagrange 法，以及虛功原理(the principle of virtual work)三種方法，這三種方法在描述并聯(lián)機器人的動態(tài)特性時是彼此等價的。有關(guān)并聯(lián)機器人動力學(xué)的理論建模研究工作很多，但在理論模型基礎(chǔ)上進一步實現(xiàn)動力學(xué)模型參數(shù)辨識的研究工作卻很少。由于機械機構(gòu)的復(fù)雜性所導(dǎo)致的裝配與加工過程的復(fù)雜性，使得并聯(lián)機器人的名義動力學(xué)模型參數(shù)往往不準確，特別是在考慮到關(guān)節(jié)摩擦力影響時，則必須通過實驗來辨識并聯(lián)機器人的模型參數(shù)。所謂名義動力學(xué)模型參數(shù)是指并聯(lián)機器人關(guān)節(jié)連桿的質(zhì)量、長度、質(zhì)心、轉(zhuǎn)動慣量的理論設(shè)計參數(shù)。因此，動力學(xué)模型參數(shù)辨識成為獲得并聯(lián)機器人精確動力學(xué)模型的唯一有效方法。當前，人們充分認識到實現(xiàn)可靠、精確、有效的動力學(xué)辨識需要特別設(shè)計辨識實驗。在進行辨識實驗時，需要設(shè)計并聯(lián)機器人的激勵軌跡，所謂激勵軌跡是指用于動力學(xué)辨識的并聯(lián)機器人末端執(zhí)行器的運動軌跡。在設(shè)計并聯(lián)機器人的辨識實驗時，當出現(xiàn)測量誤差和驅(qū)動器擾動時，激勵軌跡必須充分從而提供精確的參數(shù)估計。因此，為了改善辨識精度，并聯(lián)機器人執(zhí)行的激勵軌跡需要在一定的準則下進行最優(yōu)設(shè)計。目前，傳統(tǒng)串聯(lián)機器人動力學(xué)辨識的原理比較成熟，相應(yīng)的激勵軌跡設(shè)計方法也相對簡單，這主要是由串聯(lián)機器人的機械結(jié)構(gòu)決定的。串聯(lián)機器人的關(guān)節(jié)坐標是獨立的，每一個關(guān)節(jié)的運動軌跡可以預(yù)先自由設(shè)計、互不約束。然而，對于并聯(lián)機器人來說，由于其有效工作空間有限，并且存在多運動鏈構(gòu)成的閉環(huán)約束，因此并聯(lián)機器人的激勵軌跡設(shè)計是一個挑戰(zhàn)性問題，從而導(dǎo)致動力學(xué)模型參數(shù)辨識成為一個難以解決的技術(shù)問題。這個問題的復(fù)雜性主要體現(xiàn)在首先，動力學(xué)模型方程非常復(fù)雜，難以設(shè)計出合適的參數(shù)辨識方法；其次，動力學(xué)模型參數(shù)的數(shù)值大小差別很大，某些小數(shù)值的參數(shù)的實際辨識結(jié)果不具有物理可實現(xiàn)性；第三，并聯(lián)機器人末端執(zhí)行器的有效工作空間非常小，在狹小的工作空間內(nèi)難以設(shè)計充分激勵軌跡，因此辨識的精度不高。為了實現(xiàn)并聯(lián)機器人的精確動力學(xué)模型參數(shù)辨識，需要考慮其包含閉環(huán)運動鏈約束這一特殊機械結(jié)構(gòu)。由于這種閉環(huán)運動鏈約束，并聯(lián)機器人的關(guān)節(jié)坐標是彼此約束且耦合的，這也就是說，并不是所有的關(guān)節(jié)坐標都可以預(yù)先自由設(shè)計，因此必須利用廣義坐標的獨立性，在任務(wù)空間中進行激勵軌跡的參數(shù)化。

發(fā)明內(nèi)容
(一 )要解決的技術(shù)問題針對并聯(lián)機器人包含多個運動學(xué)鏈的閉環(huán)約束，且末端執(zhí)行器的有效工作空間有限，導(dǎo)致激勵軌跡設(shè)計和動力學(xué)模型參數(shù)辨識非常困難，無法精確辨識全部動力學(xué)模型參數(shù)而導(dǎo)致的并聯(lián)機器人控制精度不高的問題，本發(fā)明提供了一種基于動力學(xué)模型參數(shù)辨識的控制方法實現(xiàn)并聯(lián)機器人的運動控制，該方法中利用的動力學(xué)模型參數(shù)的辨識方法能夠在工作空間中統(tǒng)一地實現(xiàn)激勵軌跡的優(yōu)化和動力學(xué)模型參數(shù)的辨識。( 二 )技術(shù)方案本發(fā)明的并聯(lián)機器人的控制方法用于控制并聯(lián)機器人的運動，包括如下步驟S1、建立所述并聯(lián)機器人的動力學(xué)模型；S2、根據(jù)所述并聯(lián)機器人的動力學(xué)模型建立用于描述動力學(xué)辨識參數(shù)的最小二乘方程；S3、根據(jù)所述最小二乘方程，建立激勵軌跡的優(yōu)化準則，并且采用有限傅里葉級數(shù)來描述激勵軌跡的數(shù)學(xué)模型；S4、控制并聯(lián)機器人以最優(yōu)激勵軌跡作為期望運動軌跡，測量并計算實際運動軌跡；S5、利用辨識算法和實際運動軌跡對動力學(xué)模型參數(shù)進行辨識；S6、基于辨識動力學(xué)模型控制并聯(lián)機器人的運動。所述激勵軌跡的優(yōu)化準則通過優(yōu)化加權(quán)最小二乘方程中信息矩陣的D-optimality指標，獲得最優(yōu)的動力學(xué)辨識精度，所述信息矩陣完全取決于并聯(lián)機器人的實際激勵軌跡，從而將最優(yōu)動力學(xué)辨識問題轉(zhuǎn)化為激勵軌跡的優(yōu)化問題。所述激勵軌跡的數(shù)學(xué)模型用于描述工作空間的參數(shù)化激勵軌跡，并且采用有限傅里葉級數(shù)來表示，從而得到多頻率多幅值的參數(shù)化激勵軌跡。所述激勵軌跡的參數(shù)最優(yōu)化算法用于求解參數(shù)化激勵軌跡中的軌跡參數(shù)，從而得到可實現(xiàn)最優(yōu)動力學(xué)辨識的充分激勵軌跡。根據(jù)一種具體實施方式
，一加權(quán)最小二乘辨識模塊用于根據(jù)充分激勵軌跡下的實驗數(shù)據(jù)實現(xiàn)動力學(xué)辨識，估計并聯(lián)機器人的慣性參數(shù)和摩擦力參數(shù)。根據(jù)一種具體實施方式
，一動力學(xué)模型的力矩驗證模塊用于實現(xiàn)對最優(yōu)動力學(xué)辨識參數(shù)的初步驗證，設(shè)計不同于激勵軌跡的運動軌跡，分別基于名義的動力學(xué)模型參數(shù)和辨識的動力學(xué)模型參數(shù)計算驅(qū)動力矩，通過計算力矩和實際驅(qū)動力矩的比較來驗證辨識的動力學(xué)模型參數(shù)。根據(jù)一種具體實施方式
，一動力學(xué)控制驗證模塊用于實現(xiàn)對最優(yōu)動力學(xué)模型參數(shù)的最終驗證，設(shè)計動力學(xué)前饋控制器，分別采用名義動力學(xué)模型參數(shù)和辨識動力學(xué)模型參數(shù)進行動力學(xué)補償，通過比較不同參數(shù)下的動力學(xué)控制精度來驗證辨識的動力學(xué)模型參數(shù)。(三)有益效果本發(fā)明基于并聯(lián)機器人的動力學(xué)模型的全部慣性參數(shù)和摩擦力參數(shù)的最優(yōu)辨識，從而能夠建立精確完整的動力學(xué)模型，從而能夠精確地控制并聯(lián)機器人的運動。


圖1是本發(fā)明的并聯(lián)機器人控制方法的流程圖；圖2是本發(fā)明的并聯(lián)機器人控制方法中的動力學(xué)前饋控制的原理示意圖；圖3是本發(fā)明的并聯(lián)機器人控制方法中獲得的最優(yōu)激勵軌跡曲線圖；圖4是本發(fā)明的一個實施例的并聯(lián)機器人的主動關(guān)節(jié)力矩曲線，所述主動關(guān)節(jié)力矩包括由名義動力學(xué)模型或辨識動力學(xué)模型結(jié)合實際運動軌跡計算得到的關(guān)節(jié)驅(qū)動力矩，以及實際運動過程中并聯(lián)機器人的關(guān)節(jié)控制力矩，其中圖4A表示關(guān)節(jié)I的力矩，其中圖4B表示關(guān)節(jié)2的力矩，其中圖4C表示關(guān)節(jié)3的力矩；圖5是本發(fā)明的一個實施例的并聯(lián)機器人的末端執(zhí)行器的直線軌跡跟蹤誤差曲線，其中圖5A表示X軸運動方向的軌跡跟蹤誤差，圖5B表示Y軸運動方向的軌跡跟蹤誤差;圖6是本發(fā)明的一個實施例的并聯(lián)機器人的末端執(zhí)行器的圓周軌跡跟蹤誤差曲線，其中圖6A表示X軸運動方向的軌跡跟蹤誤差，圖6B表示Y軸運動方向的軌跡跟蹤誤差。
具體實施例方式下面結(jié)合附圖對本發(fā)明的技術(shù)方案進行更加清楚、完整地描述。其中所列舉的實施例僅僅是本發(fā)明的一種可能的實施方式，而不是全部的實施方式?；诒景l(fā)明的實施例，本領(lǐng)域普通技術(shù)人員在不做出創(chuàng)造性勞動的前提下所獲得的所有其他實施方式，都屬于本發(fā)明的保護范圍。圖1是本發(fā)明的并聯(lián)機器人控制方法的流程圖。如圖1所示，本發(fā)明的方法包括如下步驟S1、建立并聯(lián)機器人的動力學(xué)模型；S2、根據(jù)所述并聯(lián)機器人的動力學(xué)模型建立用于描述動力學(xué)辨識參數(shù)的最小二乘方程；S3、根據(jù)所述最小二乘方程，建立激勵軌跡的優(yōu)化準則，并且采用有限傅里葉級數(shù)來描述激勵軌跡的數(shù)學(xué)模型；S4、控制并聯(lián)機器人以最優(yōu)激勵軌跡作為期望運動軌跡，測量并計算實際運動軌跡；S5、利用辨識算法和實際運動軌跡對動力學(xué)模型參數(shù)進行辨識；S6、基于辨識動力學(xué)模型控制并聯(lián)機器人的運動。優(yōu)選地，在步驟S6完成之后還可以包括步驟S7，即對辨識動力學(xué)模型參數(shù)進行驗證的步驟。 根據(jù)本發(fā)明，所述辨識算法是加權(quán)最小二乘辨識算法。根據(jù)本發(fā)明的優(yōu)選實施方式，所述辨識動力學(xué)模型參數(shù)的驗證步驟包括力矩的計算驗證和最終的實際控制實驗驗證。對激勵軌跡的優(yōu)化時需要建立優(yōu)化準則，根據(jù)本發(fā)明的優(yōu)選實施方式，所述激勵軌跡的優(yōu)化準則是通過優(yōu)化加權(quán)最小二乘方程中信息矩陣的D-optimality指標，獲得最優(yōu)的動力學(xué)辨識精度，所述信息矩陣完全取決于并聯(lián)機器人的實際激勵軌跡，從而將最優(yōu)動力學(xué)模型參數(shù)辨識問題轉(zhuǎn)化為激勵軌跡的優(yōu)化問題。
根據(jù)本發(fā)明的優(yōu)選實施方式，所述激勵軌跡的數(shù)學(xué)模型采用有限傅里葉級數(shù)來描述工作空間的激勵軌跡，從而得到多頻率多幅值的參數(shù)化激勵軌跡。根據(jù)本發(fā)明的優(yōu)選實施方式，所述激勵軌跡的參數(shù)最優(yōu)化算法用于求解參數(shù)化激勵軌跡中的軌跡參數(shù)，從而得到可實現(xiàn)最優(yōu)動力學(xué)辨識的充分激勵軌跡。根據(jù)本發(fā)明的優(yōu)選實施方式，所述加權(quán)最小二乘辨識算法用于根據(jù)充分激勵軌跡下的實驗數(shù)據(jù)實現(xiàn)動力學(xué)辨識，得到包括全部慣性和摩擦力參數(shù)的最優(yōu)動力學(xué)模型參數(shù)。根據(jù)本發(fā)明的優(yōu)選實施方式，所述動力學(xué)模型的力矩驗證是對最優(yōu)動力學(xué)模型參數(shù)的初步驗證，本發(fā)明通過設(shè)計不同于激勵軌跡的運動軌跡，分別基于名義動力學(xué)模型參數(shù)和辨識動力學(xué)模型參數(shù)計算驅(qū)動力矩，通過比較計算的驅(qū)動力矩和實際的驅(qū)動力矩來驗證最優(yōu)動力學(xué)模型參數(shù)辨識的結(jié)果。根據(jù)本發(fā)明的優(yōu)選實施方式，所述動力學(xué)模型的實際控制驗證是對最優(yōu)動力學(xué)模型參數(shù)的最終驗證。本發(fā)明設(shè)計動力學(xué)前饋控制器，分別采用名義動力學(xué)模型參數(shù)和辨識動力學(xué)模型參數(shù)進行動力學(xué)補償，通過比較不同參數(shù)下的動力學(xué)控制精度來驗證最優(yōu)動力學(xué)參數(shù)辨識的結(jié)果。下面分別對上述步驟SI S7進行更加詳細的說明，以體現(xiàn)本發(fā)明的優(yōu)點和進步性。步驟S1、建立并聯(lián)機器人的動力學(xué)模型。針對并聯(lián)機器人機械結(jié)構(gòu)的閉鏈約束，并聯(lián)機器人的動力學(xué)模型可以通過“切分”的思想將閉鏈結(jié)構(gòu)轉(zhuǎn)化為帶約束的開鏈結(jié)構(gòu)來建立，而開鏈結(jié)構(gòu)由一系列的串聯(lián)機器人組成。
對于一個無約束的串聯(lián)機器人而言，運動的動力學(xué)方程可寫為
權(quán)利要求
1.一種并聯(lián)機器人的控制方法，用于控制并聯(lián)機器人的運動，其特征在于，包括如下步驟 51、建立所述并聯(lián)機器人的動力學(xué)模型； 52、根據(jù)所述并聯(lián)機器人的動力學(xué)模型建立用于描述動力學(xué)辨識參數(shù)的最小二乘方程; 53、根據(jù)所述最小二乘方程，建立激勵軌跡的優(yōu)化準則，并且采用有限傅里葉級數(shù)來描述激勵軌跡的數(shù)學(xué)模型； 54、控制并聯(lián)機器人以最優(yōu)激勵軌跡作為期望運動軌跡，測量并計算實際運動軌跡； 55、利用辨識算法和實際運動軌跡對動力學(xué)模型參數(shù)進行辨識； 56、基于辨識動力學(xué)模型控制并聯(lián)機器人的運動。
2.如權(quán)利要求1所述的并聯(lián)機器人的控制方法，其特征在于，所述步驟SI建立的動力學(xué)模型為 Mij+Oi+ f-Al = τ，其中At λ表示約束力向量，A表示閉環(huán)約束方程的微分，λ表示未知的約束力幅值，q，4和 分別表示并聯(lián)機器人的關(guān)節(jié)的角度、角速度和角加速度，τ和f表示關(guān)節(jié)驅(qū)動力和摩擦力，M是慣性矩陣，C是科里奧利矩陣。
3.如權(quán)利要求2所述的并聯(lián)機器人的控制方法，其特征在于，在所述步驟S2中建立的最小二乘方程為 其中，
4.如權(quán)利要求3所述的并聯(lián)機器人的控制方法，其特征在于，所述步驟S3包括 步驟S31、根據(jù)所述最小二乘方程，建立激勵軌跡參數(shù)的優(yōu)化準則； 步驟S32、采用有限傅里葉級數(shù)來描述激勵軌跡的數(shù)學(xué)模型，基于激勵軌跡參數(shù)的優(yōu)化準則，獲得最優(yōu)激勵軌跡。
5.如權(quán)利要求4所述的并聯(lián)機器人的控制方法，其特征在于， 所述步驟S31中建立的優(yōu)選準則為J= -log(Zj^1Zi,,)，其中Λ為實際驅(qū)動力矩的對角協(xié)方差矩陣，Zw是觀測矩陣； 所述步驟S32中，所述激勵軌跡的最優(yōu)參數(shù)集ξ *為
6.如權(quán)利要求5所述的并聯(lián)機器人的控制方法，其特征在于，所述參數(shù)化激勵軌跡為
7.如權(quán)利要求6所述的并聯(lián)機器人的控制方法，其特征在于，在步驟S4中，所述并聯(lián)機器人的主動關(guān)節(jié)轉(zhuǎn)角通過測量而獲得，所述關(guān)節(jié)的角速度則采用濾波器和數(shù)值差分算法來估計。
8.如權(quán)利要求6所述的并聯(lián)機器人的控制方法，其特征在于，在步驟S6中，動力學(xué)前饋控制的控制律設(shè)計為
9.如權(quán)利要求1所述的并聯(lián)機器人的控制方法，其特征在于，在步驟S6之后還包括步驟S7 :對辨識動力學(xué)模型進行驗證。
10.如權(quán)利要求9所述的并聯(lián)機器人的控制方法，其特征在于，所述步驟S7包括進行并聯(lián)機器人的運動控制實驗，并且采集實驗過程中的運動軌跡數(shù)據(jù)，通過計算主動關(guān)節(jié)的驅(qū)動力矩，比較辨識動力學(xué)模型和名義動力學(xué)模型的精度；并且，設(shè)計動力學(xué)前饋控制器，分別采用名義動力學(xué)模型參數(shù)和辨識動力學(xué)模型參數(shù)進行動力學(xué)補償，通過比較不同參數(shù)下的動力學(xué)控制精度來驗證辨識的動力學(xué)模型參數(shù)。
全文摘要
本發(fā)明提供了一種并聯(lián)機器人的控制方法，包括如下步驟S1、建立所述并聯(lián)機器人的動力學(xué)模型；S2、根據(jù)所述并聯(lián)機器人的動力學(xué)模型建立用于描述動力學(xué)辨識參數(shù)的最小二乘方程；S3、根據(jù)所述最小二乘方程，建立激勵軌跡的優(yōu)化準則，并且采用有限傅里葉級數(shù)來描述激勵軌跡的數(shù)學(xué)模型；S4、控制并聯(lián)機器人以最優(yōu)激勵軌跡作為期望運動軌跡，測量并計算實際運動軌跡；S5、利用辨識算法和實際運動軌跡對動力學(xué)模型參數(shù)進行辨識；S6、基于辨識動力學(xué)模型控制并聯(lián)機器人的運動。本發(fā)明能夠建立精確完整的動力學(xué)模型，從而能夠精確地控制并聯(lián)機器人的運動。
文檔編號G05B13/04GK103034123SQ20121052919
公開日2013年4月10日 申請日期2012年12月11日 優(yōu)先權(quán)日2012年12月11日
發(fā)明者尚偉偉, 叢爽 申請人:中國科學(xué)技術(shù)大學(xué)