基于深度学习的工业机器人摩擦力补偿方法研究
来源:用户上传
作者:汪朋朋 殷兴国 寇斌
文章编号：1007-2373（2022）01-0027-08
摘要 非线性摩擦力极大影响了机器人的运动性能，摩擦力补偿问题是机器人运动控制中的共性问题。传统的线性和非线性摩擦力补偿模型在实际应用中效果并不理想，而神经网络模型具有固有的非线性特性，对于处理非线性摩擦力具有较大的优势。文章基于深度学习算法，将动力学模型中的非线性环节作为广义的摩擦力处理，根据转矩、速度、位置等相关量学习出系统的摩擦力模型，然后在规划力矩中加入一个大小相同、方向相反的力将摩擦力抵消，从而实现机器人关节摩擦力的补偿。通过构建摩擦力补偿实验平台，测试了机器人在不同路径下的力矩相对误差。研究结果表明基于深度学习的摩擦力补偿模型对于提高力矩精度具有重要作用。
关 键 词 非线性摩擦;摩擦力补偿;深度学习;注意力机制
中图分类号 TP242 文献标志码 A
Research on friction compensation of industrial robot
based on deep learning
WANG Pengpeng1，2， YIN Xingguo1， KOU Bin2
（1. Shanghai Gene Automation Technology Ltd， Shanghai 201112， China; 2. Academy for Engineering and Technology， Fudan University， Shanghai 200433， China）
Abstract Non-linear friction greatly affects the robot's motion performance， and friction compensation is a common problem in robot motion control. Traditional linear and non-linear friction compensation models are not ideal in practical applications. However， neural network models have inherent non-linear characteristics and have greater advantages in processing non-linear friction. Based on the deep learning algorithm， the article treats the nonlinear part in the dynamic model as a generalized friction force， learns the friction force model of the system according to related quantities such as torque， speed， and position， and then a force of the same magnitude and opposite direction is added to the planning torque to offset the friction force， so as to realize the compensation of the friction of the robot joints. By constructing an experimental platform for friction compensation， the relative error of the torque of the robot under different paths was tested. The research results show that the friction compensation model based on deep learning plays an important role in improving the torque accuracy.
Key words non-linear friction; friction compensation; deep learning; attention mechanism
0 引言
机器人在工业生产、服务、医疗等领域的应用不断增加，对机器人的运动性能提出了更高的要求。在机器人运动控制中，摩擦、温度、磨损、空气阻力等非线性环节是动力学模型误差的主要来源，这些非线性环节极大影响了机器人的运动性能。其中，机器人的关节摩擦是其动力学模型误差的最主要来源，非线性摩擦是影响机器人低速运动性能的主要因素之一。摩擦力的影响使得机器人存在难以消除的稳态误差，从而使定位精度降低;在低速运动时产生爬行现象;在往复运动中产生不连续运动，从而引起振动;在高速运动时产生较大的跟随误差。摩擦补偿问题成为机器人运动控制中的共性问题。
摩擦力的建模常使用单的多段线性模型，但该方法准确度不高，不适用于需要精准力控、高速和高精度的场合。Canudas[1]提出了LuGre非线性模型，其能较好的描述预滑动位移、变静摩擦力、Hess滞后效应[2]、爬行、Stribeck效应[3]等动静态摩擦特性，但实际应用中，存在建模困难，摩擦力在静止和低速的时候难以精确测量，难以确定模型中的参数等问题，因此无法达到预想的控制效果。近年来，模糊控制[4]、自适应控制[5]、神经网络[6]等智能算法被引入到摩擦补偿之中，由于智能算法处理非线性的能力比较强，在摩擦补偿中有着广阔的应用前景。
转载注明来源:https://www.xzbu.com/1/view-15425549.htm
