(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 202210600253.7 (22)申请日 2022.05.30 (71)申请人 中国航发南方工业有限公司 地址 412002 湖南省株洲市芦淞区董家塅 申请人 华中科技大 学 (72)发明人 郭皓邦　曾庆双　万坤　杨吉祥　 叶葱葱　丁汉　 (74)专利代理 机构 北京金智普华知识产权代理 有限公司 1 1401 专利代理师 张晓博 (51)Int.Cl. B25J 9/16(2006.01) (54)发明名称 机器人刚度模型精度建模 方法、 系统、 介质、 设备及终端 (57)摘要 本发明属于机器人刚度变形建模技术领域， 公开了一种机器人刚度模型精度建模方法、 系 统、 介质、 设备及终端， 在工装台上安装支架和吊 耳， 在机器人末端安装吊耳和激光跟踪仪靶球； 分别记录在挂砝码和不挂砝码情况下的靶球位 置， 计算刚度变形； 获得简化刚度模型的关节刚 度参数； 建立简化刚度模 型， 并生成仿真数据； 搭 建机器人刚度变形预测的双回归域对抗神经网 络， 并构造优化目标函数； 采用梯度下降算法进 行双回归域对抗神经网络训练； 采用训练获得双 回归域对抗神经网络进行机器人刚度变形预测。 本发明通过建立双回归域对抗神经网络的工业 机器人刚度变形建模与预测模型， 充分利用神经 网络对复杂函数的拟合特性， 实现机器人刚度变 形的高精度预测。 权利要求书3页 说明书9页 附图5页 CN 115157236 A 2022.10.11 CN 115157236 A 1.一种机器人刚度模型精度建模方法， 其特征在于， 所述机器人刚度模型精度建模方 法包括： 步骤一， 在工装台上安装支架和吊耳， 在机器人末端安装吊耳和激光跟踪仪靶球； 分别 记录在挂砝码和不 挂砝码情况下的靶球位置， 计算刚度变形； 步骤二， 以测量机器人关节角度、 末端力和刚度变形为训练数据， 采用最小二乘法拟合 获得简化刚度模型的关节刚度参数； 步骤三， 以关节刚度为参数建立简化刚度模型， 并依据简化刚度模型生成大量仿真数 据， 记为源域数据， 记实测数据为目标域数据； 步骤四， 基于pytorch深度学习框架， 搭建机器人刚度变形预测的双回归自适应域对抗 神经网络， 并构造神经网络优化目标函数； 步骤五， 以源域数据与目标域数据为训练数据， 采用 梯度下降算法进行双回归自适应 域对抗神经网络训练； 采用训练获得双回归自适应域对抗神经网络进 行机器人刚度变形预 测。 2.如权利要求1所述的机器人刚度模型精度建模方法， 其特征在于， 所述步骤一中， 采 用激光跟 踪仪测量机器人在不挂砝码与挂砝码情况下的靶 球坐标， 分别记为pe、 p′e， 并利用 计算机计算砝码经绳索作用于机器人末端力、 不挂砝码与挂砝码情况下的靶球坐标的差值 Δpe＝pe‑p′e， 所述差值记为机器人的刚度变形Δpe。 3.如权利要求1所述的机器人刚度模型精度建模方法， 其特征在于， 所述步骤二中， 以 测量机器人关节角度q、 末端力f与刚度 变形Δpe采用最小二乘法拟合获得简化刚度模型的 关节刚度参数 Kq。 4.如权利要求1所述的机器人刚度模型精度建模方法， 其特征在于， 所述步骤三中的简 化刚度模型表示 为： Δpe,i＝(Ki)‑1fi； 式中， Ki为机器人在第i个刚度变形测量位置处笛卡尔 刚度； Jqi为机器人在第i个刚度 变形测量位置处的雅克比矩阵， 由机器人关节qi决定； Kq为机器人的虚拟关节刚度， 在虚拟 关节刚度模型中机器人的虚拟关节刚度Kq为定值； 以最小二乘获得关节刚度模型建模机器人简化刚度模型， 并仿真生成大量的数据， 记 为源域数据 以实测数据作为目标域数据 5.如权利要求1所述的机器人刚度模型精度建模方法， 其特征在于， 所述步骤四中的机 器人刚度变形预测的双回归自适应域对抗神经网络包括特征提取器Gf(x； θf)、 源域回归器 Gs(z； θs)、 目标域回归器Gt(z； θt)、 域判别器Gd(z； θd)、 梯度反转层GRL， 其中z、 θf、 θs、 θt、 θd分 别为共同特征、 特征提取器的网络参数、 源域回归器的网络参数、 目标域回归器的网络参 数、 域判别器的网络参数； 网络的源域回归器与目标域回归器的损失函数表示 为：权　利　要　求　书 1/3 页 2 CN 115157236 A 2网络的域判别器的判别数据xi是来源于源域数据 或目标域数据 对源域数据 与目标域数据 认为赋予标签di， 若数据xi来源于源域数据 则di＝1； 若数据xi来 源于源域数据 则di＝0， 域判别器的损失函数表示 为： 则网络的总损失函数表示 为： 对所表示的整个网络的总损 失函数， 采用随机梯度下降方法进行网络训练， 并获得最 优的网络参数θf、 θs、 θt、 θd。 6.如权利要求5所述的机器人刚度模型精度建模方法， 其特 征在于， 在获得网络参数θf、 θs、 θt、 θd后， 目标域刚度变形的预测函数表示 为： h(x)＝Gf(x； θf)·Gt(z； θt)＝Gt(Gf(x； θf)； θt)； 采用目标域真实数据计算获得机器人刚度变形模型为h(x)， 则对于由新的机器人角度 q与末端作用力f构成的输入 x＝[q,f]， 刚度变形Δpe＝h(x)。 7.一种应用如权利要求1～6任意一项所述的机器人刚度模型精度建模方法的机器人 刚度模型精度建模系统， 其特征在于， 所述机器人刚度模型精度建模系统包括： 工业机器 人、 砝码、 激光跟踪仪、 计算机、 支 架、 吊耳、 靶球； 其中， 工业机器人固定 于刚性水平基台， 用于在大空间范围内移动和作业； 支架安装于固定的工装台上， 用于安装吊耳1； 吊耳2安装于 机器人末端； 绳索一端连接在吊耳2上， 绳索经吊耳1与砝码连接； 靶球安装于机器人末端， 用于反射激光反射的激光， 并测量靶球的位置坐标； 激光跟踪 仪放置于地面上， 用于测量发射激光， 测量靶球的位置坐标； 计算机用于实时读取靶球的位置坐标， 并基于pytorch深度学习框架搭建机器人刚度权　利　要　求　书 2/3 页 3 CN 115157236 A 3