[发明专利]一种基于神经网络的5-DOF机械臂力位跟踪算法

说明书

本发明一种基于神经网络的5‑DOF机械臂力位跟踪算法，通过定义机械臂中各个关节点、连杆长度，建立连杆坐标系，通过力传感器得到末端接触力，建立末端接触力与机械臂参考坐标系之间的切换数学模型，描述了末端接触力在参考坐标系下的矩阵，为末端接触力转换为各个关节力矩提供了前提基础；然后，给出了一般的机械臂动力学方程，建立了机械臂第5关节状态变量与其他关节状态变量之间的数学模型，建立带有约束力的动力学方程；最后，利用惯性矩阵估计惯性矩阵，并利用RBF神经网络拟合其他项，给出了时变输出约束状态的神经网络自适应力位控制方法。本发明能够解决传统的力/位混合控制无法克服未知模型的影响，增加算法收敛性，降低动力学建模复杂度。

技术领域

本发明涉及一种基于神经网络的5-DOF机械臂力位跟踪算法，属于机械臂的控制算法技术领域。

背景技术

随着人工智能化的发展，机器人越来越普及，因此冗余机械臂控制系统的设计与研究成为该领域重要的研究方向。机械臂在运动过程中可分为自由运动和受力运动，其中，自由运动主要考虑的是跟踪关节位置、速度状态，目前工业界的机械臂一般都是自由运动，主要应用场合为喷漆、点焊等场景。受力运动需要考虑到与环境进行交互作用的情况(即机械臂在运动的情况下与环境接触从而导致机械臂受到环境给的接触力)，需要对机械臂受到的力和位置同时跟踪，一般应用在打磨、搬运、装配以及钻孔等场合。如在抓取场合，机械臂在运动过程中由于没有对力进行控制，可能会造成对现场的破坏从而导致任务失败，因此机械臂的力/位混合控制的深入研究随之成为热点。

在机械臂的力位混合控制研究中，柔顺控制已经成为了研究热点，但是依赖于机械臂动力学建模，且随着机械臂自由度的增加，动力学建模越复杂。为了克服动力学建模的复杂度，一种时变延时估计的动力学建模随着产生，可用于逼近任意的动力学建模，具有较强的泛华性。

由于估计的动力学建模在实际应用中存在着大量的不确定因素，因此对控制算法的收敛性有一定的影响。为了克服不确定因素的影响，诸如自适应控制、神经网络控制、模糊控制、反步控制等已经被人深入研究。RBF神经网络相比多层前馈BP网络，其具有良好的泛华能力，网络结构简单，以避免不必要和冗长的计算而获得人们的认同。多数数据表明，RBF神经网络能够在一个紧凑和任意精度下，逼近非线性函数，因此利用RBF神经网络实现模型位置部分的自适应逼近，可有效地降低模糊增益，加快系统收敛性。然而随着机械臂自由度的增加，机械臂关节之间的耦合性也随之变得复杂，从而影响机械臂各关节之间的控制。面临此种情况，一种具有时变约束输出状态的神经网络自适应控制算法随之产生，该算法通过限制输出状态，从而使神经网络拟合方向具有明确性，提高了未知模型拟合的精确性，克服了机械臂关节之间的耦合性带来的问题，从而加快了算法的收敛性。

发明内容

有鉴于此，本发明提供了一种基于神经网络的5-DOF机械臂力位跟踪算法，用以改善机械臂动力学建模复杂以及关节控制精度低的问题。

一种基于神经网络的5-DOF机械臂力位跟踪算法，该算法基于5-DOF机械臂末端执行器固定连接力传感器，末端执行器夹持物体与环境接触时，力传感器输出力信息并与各关节状态信息一起反馈给控制器。

该算法通过定义机械臂中各个关节点、连杆长度，建立连杆坐标系，然后通过力传感器得到末端接触力，计算得出末端接触力在机械臂参考坐标系下的力信息；然后建立了带有约束力的动力学方程；最后，利用估计惯性矩阵估计惯性矩阵，并利用RBF神经网络拟合其他项，在此前提下，给出了具有时变输出约束状态的神经网络自适应力位控制方法，达到同时跟踪力位的效果。

进一步地，所述控制算法的计算步骤如下：

第一步：建立坐标系

机械臂的基座上建立参考坐标系{H}，在末端执行器的舵机上建立接触力测量坐标系{e}使其与末端执行器坐标系重合，末端夹持物体与环境的接触方向为测量坐标系的Z轴。

第二步：求解机械臂末端执行器接触力在参考坐标系下的力信息