專利名稱：基于動力學模型參數辨識的并聯機器人控制方法
技術領域：
本發(fā)明涉及機器人系統的控制方法，具體涉及基于動力學模型參數辨識的并聯機器人控制方法。
背景技術：
并聯機器人是指基座和末端執(zhí)行器之間包含多條運動鏈的機器人。由于擁有多條運動鏈，并聯機器人的機械結構要比傳統的串聯機器人復雜得多，這使得并聯機器人的運動學和動力學關系都非常復雜，而多條運動鏈對末端執(zhí)行器運動的協調操作，更是給并聯機器人的運動控制提出了挑戰(zhàn)。在對并聯機器人進行精確的運動控制時，往往要借助精確的動力學模型進行控制。并聯機器人的動力學模型描述了并聯機器人運動和各個關節(jié)力矩之間的關系，它是求解并聯機器人前向動力學問題和反向動力學問題的基礎。并聯機器人前向動力學問題是在已知關節(jié)驅動力的情況下求解并聯機器人的運動，而反向動力學問題則是在已知并聯機器人運動的情況下求解各個關節(jié)的驅動力。由于并聯機器人的多運動鏈結構和閉鏈約束，推導其動力學模型是比較復雜的。并聯機器人動力學建模的主要方法歸結為 Newton-Euler 法、Lagrange 法，以及虛功原理(the principle of virtual work)三種方法，這三種方法在描述并聯機器人的動態(tài)特性時是彼此等價的。有關并聯機器人動力學的理論建模研究工作很多，但在理論模型基礎上進一步實現動力學模型參數辨識的研究工作卻很少。由于機械機構的復雜性所導致的裝配與加工過程的復雜性，使得并聯機器人的名義動力學模型參數往往不準確，特別是在考慮到關節(jié)摩擦力影響時，則必須通過實驗來辨識并聯機器人的模型參數。所謂名義動力學模型參數是指并聯機器人關節(jié)連桿的質量、長度、質心、轉動慣量的理論設計參數。因此，動力學模型參數辨識成為獲得并聯機器人精確動力學模型的唯一有效方法。當前，人們充分認識到實現可靠、精確、有效的動力學辨識需要特別設計辨識實驗。在進行辨識實驗時，需要設計并聯機器人的激勵軌跡，所謂激勵軌跡是指用于動力學辨識的并聯機器人末端執(zhí)行器的運動軌跡。在設計并聯機器人的辨識實驗時，當出現測量誤差和驅動器擾動時，激勵軌跡必須充分從而提供精確的參數估計。因此，為了改善辨識精度，并聯機器人執(zhí)行的激勵軌跡需要在一定的準則下進行最優(yōu)設計。目前，傳統串聯機器人動力學辨識的原理比較成熟，相應的激勵軌跡設計方法也相對簡單，這主要是由串聯機器人的機械結構決定的。串聯機器人的關節(jié)坐標是獨立的，每一個關節(jié)的運動軌跡可以預先自由設計、互不約束。然而，對于并聯機器人來說，由于其有效工作空間有限，并且存在多運動鏈構成的閉環(huán)約束，因此并聯機器人的激勵軌跡設計是一個挑戰(zhàn)性問題，從而導致動力學模型參數辨識成為一個難以解決的技術問題。這個問題的復雜性主要體現在首先，動力學模型方程非常復雜，難以設計出合適的參數辨識方法；其次，動力學模型參數的數值大小差別很大，某些小數值的參數的實際辨識結果不具有物理可實現性；第三，并聯機器人末端執(zhí)行器的有效工作空間非常小，在狹小的工作空間內難以設計充分激勵軌跡，因此辨識的精度不高。為了實現并聯機器人的精確動力學模型參數辨識，需要考慮其包含閉環(huán)運動鏈約束這一特殊機械結構。由于這種閉環(huán)運動鏈約束，并聯機器人的關節(jié)坐標是彼此約束且耦合的，這也就是說，并不是所有的關節(jié)坐標都可以預先自由設計，因此必須利用廣義坐標的獨立性，在任務空間中進行激勵軌跡的參數化。

發(fā)明內容
(一 )要解決的技術問題針對并聯機器人包含多個運動學鏈的閉環(huán)約束，且末端執(zhí)行器的有效工作空間有限，導致激勵軌跡設計和動力學模型參數辨識非常困難，無法精確辨識全部動力學模型參數而導致的并聯機器人控制精度不高的問題，本發(fā)明提供了一種基于動力學模型參數辨識的控制方法實現并聯機器人的運動控制，該方法中利用的動力學模型參數的辨識方法能夠在工作空間中統一地實現激勵軌跡的優(yōu)化和動力學模型參數的辨識。( 二 )技術方案本發(fā)明的并聯機器人的控制方法用于控制并聯機器人的運動，包括如下步驟S1、建立所述并聯機器人的動力學模型；S2、根據所述并聯機器人的動力學模型建立用于描述動力學辨識參數的最小二乘方程；S3、根據所述最小二乘方程，建立激勵軌跡的優(yōu)化準則，并且采用有限傅里葉級數來描述激勵軌跡的數學模型；S4、控制并聯機器人以最優(yōu)激勵軌跡作為期望運動軌跡，測量并計算實際運動軌跡；S5、利用辨識算法和實際運動軌跡對動力學模型參數進行辨識；S6、基于辨識動力學模型控制并聯機器人的運動。所述激勵軌跡的優(yōu)化準則通過優(yōu)化加權最小二乘方程中信息矩陣的D-optimality指標，獲得最優(yōu)的動力學辨識精度，所述信息矩陣完全取決于并聯機器人的實際激勵軌跡，從而將最優(yōu)動力學辨識問題轉化為激勵軌跡的優(yōu)化問題。所述激勵軌跡的數學模型用于描述工作空間的參數化激勵軌跡，并且采用有限傅里葉級數來表示，從而得到多頻率多幅值的參數化激勵軌跡。所述激勵軌跡的參數最優(yōu)化算法用于求解參數化激勵軌跡中的軌跡參數，從而得到可實現最優(yōu)動力學辨識的充分激勵軌跡。根據一種具體實施方式
，一加權最小二乘辨識模塊用于根據充分激勵軌跡下的實驗數據實現動力學辨識，估計并聯機器人的慣性參數和摩擦力參數。根據一種具體實施方式
，一動力學模型的力矩驗證模塊用于實現對最優(yōu)動力學辨識參數的初步驗證，設計不同于激勵軌跡的運動軌跡，分別基于名義的動力學模型參數和辨識的動力學模型參數計算驅動力矩，通過計算力矩和實際驅動力矩的比較來驗證辨識的動力學模型參數。根據一種具體實施方式
，一動力學控制驗證模塊用于實現對最優(yōu)動力學模型參數的最終驗證，設計動力學前饋控制器，分別采用名義動力學模型參數和辨識動力學模型參數進行動力學補償，通過比較不同參數下的動力學控制精度來驗證辨識的動力學模型參數。(三)有益效果本發(fā)明基于并聯機器人的動力學模型的全部慣性參數和摩擦力參數的最優(yōu)辨識，從而能夠建立精確完整的動力學模型，從而能夠精確地控制并聯機器人的運動。


圖1是本發(fā)明的并聯機器人控制方法的流程圖；圖2是本發(fā)明的并聯機器人控制方法中的動力學前饋控制的原理示意圖；圖3是本發(fā)明的并聯機器人控制方法中獲得的最優(yōu)激勵軌跡曲線圖；圖4是本發(fā)明的一個實施例的并聯機器人的主動關節(jié)力矩曲線，所述主動關節(jié)力矩包括由名義動力學模型或辨識動力學模型結合實際運動軌跡計算得到的關節(jié)驅動力矩，以及實際運動過程中并聯機器人的關節(jié)控制力矩，其中圖4A表示關節(jié)I的力矩，其中圖4B表示關節(jié)2的力矩，其中圖4C表示關節(jié)3的力矩；圖5是本發(fā)明的一個實施例的并聯機器人的末端執(zhí)行器的直線軌跡跟蹤誤差曲線，其中圖5A表示X軸運動方向的軌跡跟蹤誤差，圖5B表示Y軸運動方向的軌跡跟蹤誤差;圖6是本發(fā)明的一個實施例的并聯機器人的末端執(zhí)行器的圓周軌跡跟蹤誤差曲線，其中圖6A表示X軸運動方向的軌跡跟蹤誤差，圖6B表示Y軸運動方向的軌跡跟蹤誤差。
具體實施例方式下面結合附圖對本發(fā)明的技術方案進行更加清楚、完整地描述。其中所列舉的實施例僅僅是本發(fā)明的一種可能的實施方式，而不是全部的實施方式?；诒景l(fā)明的實施例，本領域普通技術人員在不做出創(chuàng)造性勞動的前提下所獲得的所有其他實施方式，都屬于本發(fā)明的保護范圍。圖1是本發(fā)明的并聯機器人控制方法的流程圖。如圖1所示，本發(fā)明的方法包括如下步驟S1、建立并聯機器人的動力學模型；S2、根據所述并聯機器人的動力學模型建立用于描述動力學辨識參數的最小二乘方程；S3、根據所述最小二乘方程，建立激勵軌跡的優(yōu)化準則，并且采用有限傅里葉級數來描述激勵軌跡的數學模型；S4、控制并聯機器人以最優(yōu)激勵軌跡作為期望運動軌跡，測量并計算實際運動軌跡；S5、利用辨識算法和實際運動軌跡對動力學模型參數進行辨識；S6、基于辨識動力學模型控制并聯機器人的運動。優(yōu)選地，在步驟S6完成之后還可以包括步驟S7，即對辨識動力學模型參數進行驗證的步驟。 根據本發(fā)明，所述辨識算法是加權最小二乘辨識算法。根據本發(fā)明的優(yōu)選實施方式，所述辨識動力學模型參數的驗證步驟包括力矩的計算驗證和最終的實際控制實驗驗證。對激勵軌跡的優(yōu)化時需要建立優(yōu)化準則，根據本發(fā)明的優(yōu)選實施方式，所述激勵軌跡的優(yōu)化準則是通過優(yōu)化加權最小二乘方程中信息矩陣的D-optimality指標，獲得最優(yōu)的動力學辨識精度，所述信息矩陣完全取決于并聯機器人的實際激勵軌跡，從而將最優(yōu)動力學模型參數辨識問題轉化為激勵軌跡的優(yōu)化問題。
根據本發(fā)明的優(yōu)選實施方式，所述激勵軌跡的數學模型采用有限傅里葉級數來描述工作空間的激勵軌跡，從而得到多頻率多幅值的參數化激勵軌跡。根據本發(fā)明的優(yōu)選實施方式，所述激勵軌跡的參數最優(yōu)化算法用于求解參數化激勵軌跡中的軌跡參數，從而得到可實現最優(yōu)動力學辨識的充分激勵軌跡。根據本發(fā)明的優(yōu)選實施方式，所述加權最小二乘辨識算法用于根據充分激勵軌跡下的實驗數據實現動力學辨識，得到包括全部慣性和摩擦力參數的最優(yōu)動力學模型參數。根據本發(fā)明的優(yōu)選實施方式，所述動力學模型的力矩驗證是對最優(yōu)動力學模型參數的初步驗證，本發(fā)明通過設計不同于激勵軌跡的運動軌跡，分別基于名義動力學模型參數和辨識動力學模型參數計算驅動力矩，通過比較計算的驅動力矩和實際的驅動力矩來驗證最優(yōu)動力學模型參數辨識的結果。根據本發(fā)明的優(yōu)選實施方式，所述動力學模型的實際控制驗證是對最優(yōu)動力學模型參數的最終驗證。本發(fā)明設計動力學前饋控制器，分別采用名義動力學模型參數和辨識動力學模型參數進行動力學補償，通過比較不同參數下的動力學控制精度來驗證最優(yōu)動力學參數辨識的結果。下面分別對上述步驟SI S7進行更加詳細的說明，以體現本發(fā)明的優(yōu)點和進步性。步驟S1、建立并聯機器人的動力學模型。針對并聯機器人機械結構的閉鏈約束，并聯機器人的動力學模型可以通過“切分”的思想將閉鏈結構轉化為帶約束的開鏈結構來建立，而開鏈結構由一系列的串聯機器人組成。
對于一個無約束的串聯機器人而言，運動的動力學方程可寫為
權利要求
1.一種并聯機器人的控制方法，用于控制并聯機器人的運動，其特征在于，包括如下步驟 51、建立所述并聯機器人的動力學模型； 52、根據所述并聯機器人的動力學模型建立用于描述動力學辨識參數的最小二乘方程; 53、根據所述最小二乘方程，建立激勵軌跡的優(yōu)化準則，并且采用有限傅里葉級數來描述激勵軌跡的數學模型； 54、控制并聯機器人以最優(yōu)激勵軌跡作為期望運動軌跡，測量并計算實際運動軌跡； 55、利用辨識算法和實際運動軌跡對動力學模型參數進行辨識； 56、基于辨識動力學模型控制并聯機器人的運動。
2.如權利要求1所述的并聯機器人的控制方法，其特征在于，所述步驟SI建立的動力學模型為 Mij+Oi+ f-Al = τ，其中At λ表示約束力向量，A表示閉環(huán)約束方程的微分，λ表示未知的約束力幅值，q，4和 分別表示并聯機器人的關節(jié)的角度、角速度和角加速度，τ和f表示關節(jié)驅動力和摩擦力，M是慣性矩陣，C是科里奧利矩陣。
3.如權利要求2所述的并聯機器人的控制方法，其特征在于，在所述步驟S2中建立的最小二乘方程為 其中，
4.如權利要求3所述的并聯機器人的控制方法，其特征在于，所述步驟S3包括 步驟S31、根據所述最小二乘方程，建立激勵軌跡參數的優(yōu)化準則； 步驟S32、采用有限傅里葉級數來描述激勵軌跡的數學模型，基于激勵軌跡參數的優(yōu)化準則，獲得最優(yōu)激勵軌跡。
5.如權利要求4所述的并聯機器人的控制方法，其特征在于， 所述步驟S31中建立的優(yōu)選準則為J= -log(Zj^1Zi,,)，其中Λ為實際驅動力矩的對角協方差矩陣，Zw是觀測矩陣； 所述步驟S32中，所述激勵軌跡的最優(yōu)參數集ξ *為
6.如權利要求5所述的并聯機器人的控制方法，其特征在于，所述參數化激勵軌跡為
7.如權利要求6所述的并聯機器人的控制方法，其特征在于，在步驟S4中，所述并聯機器人的主動關節(jié)轉角通過測量而獲得，所述關節(jié)的角速度則采用濾波器和數值差分算法來估計。
8.如權利要求6所述的并聯機器人的控制方法，其特征在于，在步驟S6中，動力學前饋控制的控制律設計為
9.如權利要求1所述的并聯機器人的控制方法，其特征在于，在步驟S6之后還包括步驟S7 :對辨識動力學模型進行驗證。
10.如權利要求9所述的并聯機器人的控制方法，其特征在于，所述步驟S7包括進行并聯機器人的運動控制實驗，并且采集實驗過程中的運動軌跡數據，通過計算主動關節(jié)的驅動力矩，比較辨識動力學模型和名義動力學模型的精度；并且，設計動力學前饋控制器，分別采用名義動力學模型參數和辨識動力學模型參數進行動力學補償，通過比較不同參數下的動力學控制精度來驗證辨識的動力學模型參數。
全文摘要
本發(fā)明提供了一種并聯機器人的控制方法，包括如下步驟S1、建立所述并聯機器人的動力學模型；S2、根據所述并聯機器人的動力學模型建立用于描述動力學辨識參數的最小二乘方程；S3、根據所述最小二乘方程，建立激勵軌跡的優(yōu)化準則，并且采用有限傅里葉級數來描述激勵軌跡的數學模型；S4、控制并聯機器人以最優(yōu)激勵軌跡作為期望運動軌跡，測量并計算實際運動軌跡；S5、利用辨識算法和實際運動軌跡對動力學模型參數進行辨識；S6、基于辨識動力學模型控制并聯機器人的運動。本發(fā)明能夠建立精確完整的動力學模型，從而能夠精確地控制并聯機器人的運動。
文檔編號G05B13/04GK103034123SQ20121052919
公開日2013年4月10日 申請日期2012年12月11日 優(yōu)先權日2012年12月11日
發(fā)明者尚偉偉, 叢爽 申請人:中國科學技術大學