(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210628079.7 (22)申请日 2022.06.06 (71)申请人 武汉鼎元同立科技有限公司 地址 430000 湖北省武汉市东湖新 技术开 发区高新大道797号中建 ·光谷之星 项目G地块 G-1栋GA栋办公单元6层06- 10办公号(自贸区武汉片区) (72)发明人 梅再武　陈立平　丁建完　周凡利　 杨浩　 (74)专利代理 机构 武汉红观 专利代理事务所 (普通合伙) 42247 专利代理师 陈凯 (51)Int.Cl. B25J 9/16(2006.01) (54)发明名称 基于融合模型的机器人逆动力学前馈控制 方法及系统 (57)摘要 本发明提出一种基于融合模型的机器人逆 动力学前馈控制方法及系统， 所述方法包括： 构 建机器人逆动力学的机理模型和神经网络数据 模型； 求取机器人各关节角位置误差、 角速度误 差以及角加速度误差； 分别计算反馈控制器的输 出、 神经网络 数据模型的输 出、 机理模型的输 出； 将反馈控制器的输出、 神经网络数据模型的输出 以及机理模 型的输出相加， 得到机器人的控制力 矩。 本发明在机器人逆动力学机理模 型的基础上 耦合神经网络数据模型， 能克服逆动力学机理模 型不精确性对控制性能造成的影 响， 提高机器人 轨迹跟踪控制精度及抗干 扰能力。 权利要求书3页 说明书9页 附图1页 CN 115042172 A 2022.09.13 CN 115042172 A 1.一种基于融合模型的机器人逆动力学 前馈控制方法， 其特 征在于， 所述方法包括： 基于机器人逆动力学理论构建机器人逆动力学的机理模型， 基于人工神经网络构建机 器人逆动力学的神经网络数据模型； 求取机器人 各关节角位置误差、 角速度误差以及角加速度误差； 将各关节角位置误差、 角速度误差以及角加速度误差输入反馈控制器， 计算反馈控制 器的输出； 将机器人期望的关节角位置、 角速度、 角加速度和关节角位置误差、 角速度误差输入神 经网络数据模型， 计算神经网络数据模型的权值， 并计算神经网络数据模型的输出； 将机器人期望的关节角位置、 角速度、 角加速度输入机理模型， 计算机理模型的输出； 将反馈控制器的输出、 神经网络数据模型的输出以及机理模型的输出相加， 得到机器 人的控制力矩。 2.根据权利要求1所述的基于融合模型的机器人逆动力学前馈控制方法， 其特征在于， 所述机器人逆动力学的神经网络数据模型采用RBF神经网络结构。 3.根据权利要求1所述的基于融合模型的机器人逆动力学前馈控制方法， 其特征在于， 所述反馈控制器采用如下控制律： 其中， 为反馈控制器的输出， 为关节角位置误差， 为角速度误差， 为角加速 度误差， 以及 为控制参数矩阵。 4.根据权利要求1所述的基于融合模型的机器人逆动力学前馈控制方法， 其特征在于， 神经网络数据模型的权值根据李雅普诺夫稳定性定理推导出的权值公式进行在线自适应 调整更新。 5.根据权利要求3所述的基于融合模型的机器人逆动力学前馈控制方法， 其特征在于， 计算神经网络数据模型的权值具体包括： 获取机理模型计算出的各关节驱动力矩和神经网络数据模型的输出， 得到机器人逆运 动学总的控制律： 为总的控制力矩； 基于机器人逆运动学总的控制律， 考虑参数不确定性 和非参数不确定性 的影响， 令 ， 计算闭环系统的控制偏差方程： 通过神经网络数据模型模拟控制偏差 ， 并更新闭环系统的控制偏差方程； 基于更新的闭环系统的控制偏差方程， 根据李雅普诺夫稳定性定理推导出神经网络数权　利　要　求　书 1/3 页 2 CN 115042172 A 2据模型的权值公式。 6.根据权利要求5所述的基于融合模型的机器人逆动力学前馈控制方法， 其特征在于， 所述基于更新的闭环系统的控制偏差方程， 根据李雅普诺夫稳定性定理推导出神经网络数 据模型的权值公式具体包括： 通过传感器测量得到控制误差 ， 根据更新的闭环系统的控制偏差方程获取控制偏差 ； 计算控制误差 与控制偏差 之间的传递 函数； 基于控制误差 与控制偏差 之间的传递函数计算整个机器人系统误差方程的状态 空间形式； 基于整个机器人系统误差方程的状态 空间形式定义李雅普诺夫函数， 根据李雅普诺夫 函数的一阶导数进行控制系统稳定性分析， 得到控制系统稳定下的神经网络数据模型的权 值公式。 7.根据权利要求6所述的基于融合模型的机器人逆动力学前馈控制方法， 其特征在于， 设神经网络数据模型的权值 为 ， 满足方程： 其中 为常数矩阵， 且 ， ， 为径向基神经网络的高斯基函数， 为误差函数， ， 为常数对角矩阵， 且 。 8.一种基于融合模型的机器人逆动力学 前馈控制系统， 其特 征在于， 所述系统包括： 期望输入模块： 用于 输入机器人期望的关节角位置、 角速度、 角加速度； 误差计算模块： 用于计算机器人各关节角位置误差、 角速度误差以及角加速度误差并 输入反馈控制器和数据模型计算模块； 反馈控制器： 用于根据各关节角位置误差、 角速度误差以及角加速度误差进行比例及 微分运算， 输出反馈控制力矩； 数据模型计算模块： 用于基于人工神经网络构建机器人逆动力学的神经网络数据模 型； 将机器人期望的关节角位置、 角速度、 角加速度和关节角位置误差、 角速度误差输入神 经网络数据模型， 计算神经网络数据模型的权值， 并计算神经网络数据模型的输出； 机理模型计算模块： 用于基于机器人逆动力学理论构建机器人逆动力学的机理模型， 将机器人期望的关节角位置、 角速度、 角加速度输入机理模型， 计算机理模型的输出； 求和模块： 用于将神经网络数据模型的输出以及机理模型的输出相加得到前馈控制力 矩， 或用于将反馈控制器的输出、 神经网络数据模 型的输出以及机理模型的输出相加， 得到 机器人的控制力矩。 9.一种电子设备， 其特征在于， 包括： 至少一个处理器、 至少一个存储器、 通信 接口和总 线； 其中， 所述处 理器、 存储器、 通信接口通过 所述总线完成相互间的通信； 所述存储器存储有可被所述处理器执行的程序指令， 所述处理器调用所述程序指令，权　利　要　求　书 2/3 页 3 CN 115042172 A 3