本技术针对机器人动力学参数标定领域,提出了一种新颖的机械臂动力学辨识方法。该方法通过数据加权和摩擦分离技术,有效解决了传统动力学辨识方法中因数据不连续性和零速度区域建模误差而影响辨识精度的问题。
背景技术
精确的动力学参数对于实现基于精确模型的机械臂控制,如轨迹跟踪、碰撞检测、速度优化和阻抗控制等至关重要。然而,现有的动力学辨识方法主要存在数据加权方法会造成数据丢失以及数据的不连续性,零速度附近的摩擦预测出现较大误差,非线性摩擦优化辨识过程搜索时间长、效率低三个问题。因此,各国学者尝试了多种方式来优化机械臂动力学参数辨识技术。
对于动力学辨识,常用的方式是基于统计的方法和基于物理约束的优化方法。前者主要包含普通最小二乘法(OLS)、加权最小二乘法(WLS)和最大似然估算法。WLS法引入了加权矩阵来考虑预测力矩的方差以克服OLS法对回归器奇异性敏感的问题,最大似然估算法充分了考虑了执行器力矩和关节角度的测量噪声,参考文献(J.Swevers,C.Ganseman,D.B.Tukel,et al.Optimal robot excitation and identification[J].IEEETrans.Robot.Autom.,1997,13(5):730–740.),对噪声具有一定的鲁棒性。但上述基于统计的方法对异常值较为敏感,容易陷入局部最优解,且对于高维度问题收敛困难。基于物理约束优化方法的一项经典工作是基于线性矩阵不等式(LMI)-半定规划(SDP)框架,参考文献(C.D.Sousa,R.Cortesao.Physical feasibility of robot base inertial parameteridentification:A linear matrix inequality approach[J].The InternationalJournal of Robotics Research,2014,33(6):931–944),其考虑了三角不等式。然而,测量噪声和模型不确定性,特别是在摩擦模型中,通常会影响动力学辨识的准确性。
为了提高估算精度,一方面,提出了数据加权方法来减少异常数据对辨识结果的影响;另一方面,采用复杂的非线性摩擦模型以用于提高建模精度。然而,现有的数据加权方法在辨识后直接删除异常值,这可能会无意中去除内点数据,损害辨识数据的完整性,从而影响最终的辨识准确性。大多数文献中使用的摩擦模型在零速度时摩擦力不连续,这增加了零速度附近的建模误差。此外,使用非线性摩擦系数的任意初始值作为优化的搜索起点会降低整体辨识效率,因此,针对现有的动力学辨识方法由于辨识数据不连续和零速度附近建模误差较大,导致影响辨识准确性的问题亟需解决。
实现思路