[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

说明书

本发明涉及机械臂控制技术领域，具体公开了一种机械臂的摩擦力补偿方法、装置、电子设备及存储介质，其中，方法包括以下步骤：获取训练数据集；将训练数据集拆分为第一训练集和第一测试集；将第一训练集拆分为第二训练集和第二测试集；根据第二训练集和第二测试集训练获取非线性模型；设计深度学习模型，深度学习模型的目标函数具有基于非线性模型定义的正则项；根据第一训练集和第一测试集训练深度学习模型；利用训练后的深度学习模型进行摩擦力补偿；该方法将根据训练数据集部分数据进行训练获取的非线性模型作为正则项参数构建深度学习模型的目标函数，使得深度学习模型进行训练时能朝向具有先验特性的非线性模型进行学习。

技术领域

本申请涉及机械臂控制技术领域，具体而言，涉及一种机械臂的摩擦力补偿方法、装置、电子设备及存储介质。

背景技术

机械臂运动过程存在着静摩擦、滑动摩擦、粘性摩擦等摩擦力。这些摩擦力可能会增大伺服定位系统的稳态误差，导致伺服系统运行中反复调整而产生振动，并增大高速运行时伺服系统的跟踪误差。

因此，机械臂运行控制时需要对这些摩擦力进行补偿以确保机械臂运动动作准确；现有技术中，一般采用线性模型、非线性模型进行简单地摩擦力补偿，但这些模型的补偿精度较低，因此产生了采用学习模型进行摩擦力补偿的方法，但深度学习模型训练过程存在一定的不确定性，可能导致过拟合和泛化误差增大等问题。

针对上述问题，目前尚未有有效的技术解决方案。

发明内容

本申请的目的在于提供一种机械臂的摩擦力补偿方法、装置、电子设备及存储介质，降低了深度学习模型的不确定性，解决过拟合、泛化误差增大等问题。

第一方面，本申请提供了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，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。

本申请的一种机械臂的摩擦力补偿方法，将根据训练数据集部分数据进行训练获取的非线性模型作为正则项参数构建深度学习模型的目标函数，使得深度学习模型进行训练时能朝向具有先验特性的非线性模型进行学习，极大地降低了深度学习模型的不确定性，解决了过拟合、泛化误差增大等问题。

所述的一种机械臂的摩擦力补偿方法，其中，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。

所述的一种机械臂的摩擦力补偿方法，其中，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。

在该示例的一种机械臂的摩擦力补偿方法中，机械臂负载信息反映了机械臂的负载重量、位置等信息，各轴位置规划信息反映了机械臂完成指定动作时各个轴端规划的移动位置；各轴速度规划信息反映了机械臂完成指定动作时各个轴端规划的移动速度；温度信息反映了当前环境温度或机械臂温度。

所述的一种机械臂的摩擦力补偿方法，其中，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。