[发明专利]机械臂的摩擦力补偿方法、装置、电子设备及存储介质

权利要求书

1.一种机械臂的摩擦力补偿方法，用于机械臂运行控制时进行摩擦力补偿，其特征在于，所述方法包括以下步骤：

获取关于所述机械臂运行状态的训练数据集；

将所述训练数据集拆分为第一训练集和第一测试集；

将所述第一训练集拆分为第二训练集和第二测试集；

根据第二训练集和所述第二测试集训练获取非线性模型；

设计深度学习模型，所述深度学习模型的目标函数具有基于所述非线性模型定义的正则项；

根据所述第一训练集和所述第一测试集训练所述深度学习模型；

利用训练后的所述深度学习模型进行摩擦力补偿。

2.根据权利要求1所述的一种机械臂的摩擦力补偿方法，其特征在于，所述获取关于所述机械臂运行状态的训练数据集的步骤包括：

获取所述机械臂运行时的实际状态参数集；

根据所述实际状态参数集及规划状态参数集获取力矩差值集；

根据所述实际状态参数及所述力矩差值集建立所述训练数据集。

3.根据权利要求2所述的一种机械臂的摩擦力补偿方法，其特征在于，所述实际状态参数集包括：机械臂负载信息、各轴位置规划信息、各轴速度规划信息、各轴反馈力矩信息及温度信息。

4.根据权利要求3所述的一种机械臂的摩擦力补偿方法，其特征在于，所述力矩差值集为根据所述各轴反馈力矩信息及基于动力学计算的各轴规划力矩信息计算获取。

5.根据权利要求1所述的一种机械臂的摩擦力补偿方法，其特征在于，所述根据所述第一训练集和所述第一测试集训练所述深度学习模型的步骤包括：

利用梯度下降法将所述第一训练集代入所述深度学习模型中以使所述目标函数收敛；

在所述目标函数收敛后，利用所述第一测试集验证所述深度学习模型。

6.根据权利要求1所述的一种机械臂的摩擦力补偿方法，其特征在于，所述根据第二训练集和所述第二测试集训练获取非线性模型的步骤包括：

根据所述训练数据集包含的元素类型设计初始非线性模型；

利用梯度下降法将所述第二训练集代入所述初始非线性模型中更新所述初始非线性模型；

利用所述第二测试集验证更新后的所述初始非线性模型，并在验证合格时，将所述初始非线性模型视为所述非线性模型。

7.根据权利要求1所述的一种机械臂的摩擦力补偿方法，其特征在于，所述目标函数为：，其中，F为所述深度学习模型，为损失函数，为正则项，为预设的正则项控制系数。

8.一种机械臂的摩擦力补偿装置，用于机械臂运行控制时进行摩擦力补偿，其特征在于，所述装置包括：

获取模块，用于获取关于所述机械臂运行状态的训练数据集；

第一分集模块，用于将所述训练数据集拆分为第一训练集和第一测试集；

第二分集模块，用于将所述第一训练集拆分为第二训练集和第二测试集；

第一训练模块，用于根据第二训练集和所述第二测试集训练获取非线性模型；

建模模块，用于设计深度学习模型，所述深度学习模型的目标函数具有基于所述非线性模型定义的正则项；

第二训练模块，用于根据所述第一训练集和所述第一测试集训练所述深度学习模型；

补偿模块，用于利用训练后的所述深度学习模型进行摩擦力补偿。

9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-7任一项所述方法中的步骤。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-7任一项所述方法中的步骤。