[发明专利]一种卷积神经网络的半参数化工业机器人动力学建模方法

权利要求书

1.一种卷积神经网络的半参数化工业机器人动力学建模方法，其特征在于，包括以下步骤：

步骤1、建立工业机器人的动力学模型；

步骤2、采用五次傅里叶级数作为激励轨迹，并加入位置、速度和加速度约束；

步骤3、根据所述步骤2中得到的激励轨迹采集各个关节的电流和编码器信息，用巴特沃斯低通滤波器对上述关节信息进行滤波，并通过对角速度进行数值微分得到各个所述关节的加速度；

步骤4、通过机器人动力学方程计算各个采样点的观测矩阵和转矩矩阵并且组成总的观测矩阵Y和转矩矩阵T；

步骤5、引入约束矩阵D，在满足D半正定的条件下使用线性矩阵不等式与半定规划算法(LMI-SDP)求解动力学模型参数π，满足动力学参数的物理可行性；

步骤6、选取用于获取误差数据集的运动轨迹，与所述步骤3类似地得到关节信息；

步骤7、利用所述步骤5中得到的所述动力学模型参数π回代入动力学方程，得到用于获取误差数据集的运动轨迹下的关节计算力矩值；

步骤8、将所述步骤6中采集得到的关节力矩值减去所述步骤7中的所述关节计算力矩值作为误差；

步骤9、针对每个关节训练卷积神经网络，构建关节误差模型；

步骤10、模型验证。

2.如权利要求1所述的卷积神经网络的半参数化工业机器人动力学建模方法，其特征在于，所述步骤2中的五次傅里叶级数如下：

其中i表示第i关节，ω为傅里叶级数的基频，a_ik，b_ik分别表示k阶i关节的正弦、余弦系数，q_i0表示i关节对应的常数项。

3.如权利要求2所述的卷积神经网络的半参数化工业机器人动力学建模方法，其特征在于，所述五次傅里叶级数激励轨迹需要满足如下约束：

其中f_obj为优化目标函数，其物理意义在于使得各采样点观测矩阵Y的时间平均条件数最小，并且满足各关节的角度、角速度和角加速度不超过极限值。

4.如权利要求3所述的卷积神经网络的半参数化工业机器人动力学建模方法，其特征在于，所述机器人动力学方程：

其中M(q)表示惯性矩阵，表示科里奥利力和离心力矩阵，G(q)表示重力项，表示摩擦力项，为关节角加速度矢量，为关节角速度矢量，q为关节角度矢量；

进行线性化简化后得到：

其中即为单个采样点对应的观测矩阵，π为待辨识的动力学参数。

5.如权利要求1所述的卷积神经网络的半参数化工业机器人动力学建模方法，其特征在于，所述步骤4中总的观测矩阵Y和转矩矩阵T如下：

式中，Y_i为第i个采样点的观测矩阵，τ_i为第i个采样点的关节转矩矩阵。

6.如权利要求1所述的卷积神经网络的半参数化工业机器人动力学建模方法，其特征在于，所述步骤5中约束矩阵D的定义如下：

D＝diag(D₁(δ₁),D₂(δ₂),…,D_N(δ_N),f_v1,f_c1,f_v2,f_c2,…f_vN,f_cN)

其中D_i(δ_i)定义如下：

式中L表示惯性矩，l表示质心位置，m表示连杆质量，ε为任意一个小的正常数，E为单位矩阵；

其中f_vi和f_ci为粘滞摩擦系数和库仑摩擦系数，摩擦力模型如下：

7.如权利要求1所述的卷积神经网络的半参数化工业机器人动力学建模方法，其特征在于，所述步骤9中的卷积神经网络的结构包含输入层、卷积层、全连接层和丢弃层。