(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210712206.1 (22)申请日 2022.06.22 (65)同一申请的已公布的文献号 申请公布号 CN 114789453 A (43)申请公布日 2022.07.26 (73)专利权人 季华实验室 地址 528200 广东省佛山市南海区桂城街 道环岛南路28号 (72)发明人 许泳　林才纺　 (74)专利代理 机构 佛山市海融科创知识产权代 理事务所(普通 合伙) 44377 专利代理师 许家裕 (51)Int.Cl. B25J 9/16(2006.01)审查员 张琼 (54)发明名称 机械臂动态PID控制方法、 装置、 电子设备及 存储介质 (57)摘要 本申请属于机械臂控制技术领域， 公开了机 械臂动态PID 控制方法、 装置、 电子设备及存储介 质， 通过获取待执行运动指令； 确定待执行运动 指令的指令类型； 根据指令类型， 获取待执行运 动指令的特征参数； 分别把特征参数输入与指令 类型对应的一组神经网络模型， 得到多个位置偏 差累计值； 一组神经网络模型包括多个包含不同 PID参数的神经网络模型； 提取最小的位置偏差 累计值对应的神经网络模型的PID参数， 作为有 效PID参数； 把有效PID参数部署到机械臂的控制 器以执行待执行运动指令； 从而有利于得到合理 的PID参数以提高机 械臂的运动控制精度。 权利要求书5页 说明书14页 附图2页 CN 114789453 B 2022.09.30 CN 114789453 B 1.一种机 械臂动态PID控制方法， 其特 征在于， 包括 步骤： A1.获取待执 行运动指令； A2.确定所述待执 行运动指令的指令类型； A3.根据所述指令类型， 获取 所述待执 行运动指令的特 征参数； A4.分别把所述特征参数输入与所述指令类型对应的一组神经网络模型， 得到多个位 置偏差累计值； 一组所述神经网络模型包括多个包 含不同PID参数的神经网络模型； A5.提取最小的所述位置偏差累计值对应的所述神经网络模型的所述PID参数， 作 为有 效PID参数； A6.把所述有效PID参数部署到所述机 械臂的控制器以执 行所述待执 行运动指令； 所述指令类型包括关节运动指令、 直线运动指令和圆弧运动指令； 所述关节运动指令 为使机械臂末端沿非直线和非圆弧的轨 迹运动的指令； 步骤A3包括： 若所述待执行运动指令的所述指令类型为关节运动指令， 则获取所述待执行运动指令 对应的机 械臂起始位姿、 机 械臂终止位姿和TCP点速度； 若所述待执行运动指令的所述指令类型为直线运动指令， 则获取所述待执行运动指令 对应的机 械臂起始位姿、 机 械臂终止位姿和TCP点速度； 若所述待执行运动指令的所述指令类型为 圆弧运动指令， 则获取所述待执行运动指令 对应的机 械臂起始位姿、 机 械臂终止位姿、 TCP点速度和圆弧半径； 步骤A4包括： 若所述待执行运动指令的所述指令类型为关节运动指令， 则分别把所述特征参数输入 一组第一神经网络模型， 得到多个位置偏差累计值； 若所述待执行运动指令的所述指令类型为直线运动指令， 则分别把所述特征参数输入 一组第二神经网络模型， 得到多个位置偏差累计值； 若所述待执行运动指令的所述指令类型为 圆弧运动指令， 则分别把所述特征参数输入 一组第三神经网络模型， 得到多个位置偏差累计值； 所述第一神经网络模型根据以下 过程训练得到： B1.获取多组第一PID参数， 以构建多个第一前馈神经网络模型； B2.分别以各组所述第一PID参数为第一目标PID参数， 以与所述第一目标PID参数对应 的所述第一前馈神经网络模型为第一目标模型， 执 行以下步骤： 获取多个第一 运动指令； 所述第一 运动指令为关节运动指令； 提取各所述第一运动指令的第一特征参数； 所述第一特征参数包括机械臂起始位姿、 机械臂终止位姿和TCP点速度； 把所述第一目标PID参数部署到所述机械臂的控制器， 并依次执行所述第一运动指令， 以获取对应每个所述第一运动 指令的反馈位置数据和规划位置数据； 所述反馈位置数据包 括机械臂运动过程中按预设周期采集的多个实际位置数据； 所述规划位置数据包括与多个 所述实际位置数据对应的多个理论 位置数据； 计算每个所述第一运动指令的各所述实际位置数据与对应的所述理论位置数据的差 值的绝对值之和， 得到各 所述第一 运动指令的第一 位置偏差累计值； 以每个所述第一运动指令的所述第一特征参数和所述第一位置偏差累计值作为一个权　利　要　求　书 1/5 页 2 CN 114789453 B 2第一样本的输入数据和输出 数据， 得到第一样本集； 根据所述第一样本集对所述第一目标模型进行训练， 得到一个所述第一神经网络模 型； 所述第二神经网络模型根据以下 过程训练得到： C1.获取多组第二PID参数， 以构建多个第二前馈神经网络模型； C2.分别以各组所述第二PID参数为第二目标PID参数， 以与所述第二目标PID参数对应 的所述第二前馈神经网络模型为第二目标模型， 执 行以下步骤： 获取多个第二 运动指令； 所述第二 运动指令为 直线运动指令； 提取各所述第二运动指令的第二特征参数； 所述第二特征参数包括机械臂起始位姿、 机械臂终止位姿和TCP点速度； 把所述第二目标PID参数部署到所述机械臂的控制器， 并依次执行所述第二运动指令， 以获取对应每个所述第二运动 指令的反馈位置数据和规划位置数据； 所述反馈位置数据包 括机械臂运动过程中按预设周期采集的多个实际位置数据； 所述规划位置数据包括与多个 所述实际位置数据对应的多个理论 位置数据； 计算每个所述第二运动指令的各所述实际位置数据与对应的所述理论位置数据的差 值的绝对值之和， 得到各 所述第二 运动指令的第二 位置偏差累计值； 以每个所述第二运动指令的所述第二特征参数和所述第二位置偏差累计值作为一个 第二样本的输入数据和输出 数据， 得到第二样本集； 根据所述第二样本集对所述第二目标模型进行训练， 得到一个所述第二神经网络模 型； 所述第三神经网络模型根据以下 过程训练得到： D1.获取多组第三PID参数， 以构建多个第三前馈神经网络模型； D2.分别以各组所述第三PID参数为第三目标PID参数， 以与所述第三目标PID参数对应 的所述第三前馈神经网络模型为第三目标模型， 执 行以下步骤： 获取多个第三 运动指令； 所述第三 运动指令为圆弧运动指令； 提取各所述第二运动指令的第三特征参数； 所述第三特征参数包括机械臂起始位姿、 机械臂终止位姿、 TCP点速度和圆弧半径； 把所述第三目标PID参数部署到所述机械臂的控制器， 并依次执行所述第三运动指令， 以获取对应每个所述第三运动 指令的反馈位置数据和规划位置数据； 所述反馈位置数据包 括机械臂运动过程中按预设周期采集的多个实际位置数据； 所述规划位置数据包括与多个 所述实际位置数据对应的多个理论 位置数据； 计算每个所述第三运动指令的各所述实际位置数据与对应的所述理论位置数据的差 值的绝对值之和， 得到各 所述第三 运动指令的第三 位置偏差累计值； 以每个所述第三运动指令的所述第三特征参数和所述第三位置偏差累计值作为一个 第三样本的输入数据和输出 数据， 得到第三样本集； 根据所述第三样本集对所述第三目标模型进行训练， 得到一个所述第三神经网络模 型。 2.根据权利要求1所述的机械臂动态PID控制方法， 其特征在于， 所述待执行运动指令 包括运动轨迹信息； 所述运动轨迹信息包括起始 点的位姿、 终止点的位姿、 至少一个过渡点权　利　要　求　书 2/5 页 3 CN 114789453 B 3