(19)中华 人民共和国 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 202111406985.4 (22)申请日 2021.11.24 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 张铁　许锦盛　邹焱飚　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 代理人 周春丽 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/13(2006.01) G06F 17/14(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 119/14(2020.01) (54)发明名称 一种机器人动力学参数的辨识方法 (57)摘要 本发明公开了一种机器人动力学参数的辨 识方法， 包括以下步骤： S1、 采集多组机器人执行 激励轨迹时的关节运动数据作为为训练集； S2、 根据建立的动力学模型计算在训练集数据下相 应的理论关节力矩， 计算理论关节力矩与采集的 测量关节力矩之间的均方差， 并定义为损失函 数； S3、 在每轮训练时， 基于反向传播算法计算损 失函数关于动力学参数的梯度； S4、 动力学参数 沿着损失函数的负梯度方向进行迭代训练， 随着 训练的进行， 损失函数逐渐减少， 当损失函数收 敛至最小值时， 保存 此时对应的动力学参数作为 辨识结果， 完成参数辨识。 本发明提高了参数的 辨识精度， 并解决了最小二乘法易受噪声干扰和 只能辨识线性系统参数的问题。 权利要求书4页 说明书9页 附图3页 CN 114169230 A 2022.03.11 CN 114169230 A 1.一种机器人动力学参数的辨识方法， 其特 征在于， 包括以下步骤： S1、 采集多组机器人执行激励轨迹时的关节运动数据， 在每个时间采样点， 采集相关数 据， 并使用二阶中心微分法计算关节加速度， 将滤波 去噪后的关节运动数据组合 为训练集； S2、 建立动力学模型计算在训练集数据下相应的理论关节力矩， 计算理论关节力矩与 采集的测量关节力矩之间的均方差， 并定义 为损失函数； S3、 在每轮训练时， 基于反向传播 算法计算损失函数关于动力学参数的梯度； S4、 动力学参数沿着损失函数的负梯度 方向进行迭代训练， 随着训练的进行， 损失函数 逐渐减少， 当损失函数收敛至最小值时， 保存此时对应的动力学参数作为辨识结果， 从而实 现动力学参数的辨识。 2.根据权利要求1所述的一种机器人动力学参数的辨识方法， 其特征在于， 步骤S1所述 的激励轨 迹为周期性的傅里叶级数： 其中， i表示机器 人关节， t表示离散时间序列， l＝1,2, …,nH表示谐波数， q(i,t)表示 关 节i在每个离散时间点上的关节角度， qi,0表示偏置项， 分别表示正弦函数与余弦函 数的幅值项， wf表示基础角频率。 3.根据权利要求1所述的一种机器人动力学参数的辨识方法， 其特征在于， 步骤S2所述 的动力学模型为： τ ＝ τb+τf 其中q、 分别表示机器人关节角度、 关节角速度与关节加速度； τ表示关节驱动力 矩； τb表示惯性力矩、 哥氏力项力矩、 向心力项力矩、 重力项力矩的合力矩； 表示 回归矩阵， 其只与机器人的状态q、 有关； β 表示可辨识的最小惯性参 数集， 其通过重组 机器人完整的动力学参数而得到； τf表示关节摩擦力矩， 其采用Stribeck摩擦模型， fc、 fs、 Vs、 ξ、 fv、 fp表示Stribeck摩擦系数集， 因此最小惯性参数集与摩擦系数集共同组成待辨识 的动力学参数集； ξ表示St ribeck指数参数。 4.根据权利要求1所述的一种机器人动力学参数的辨识方法， 其特征在于， 步骤S2所述 的动力学模型为广义神经网络， 广义神经网络的输入包括关节角度、 关节角速度与关节加 速度， 网络的输出包括以动力学模型计算的理论关节力矩， 动力学参数为网络的连接权重， 能够被训练学习的。 5.根据权利要求4所述的一种机器人动力学参数的辨识方法， 其特征在于， 广义神经网 络的总体架构包括： 输入层X：权　利　要　求　书 1/4 页 2 CN 114169230 A 2隐藏层： 输出层： 其中， i＝1， 2， …， 6表示机器人关节； βl表示最小惯性参数集β ＝[β1， β2，…， β40]中的第l 个参数； 表示回归矩阵 的第i行中的第l个元素； 表示第i关节的 关节速度； fc， i表示库伦摩擦参数， fs， i表示静摩擦参数， fv， i表示粘性摩擦参数， Vs， i表示 Stribeck速度， ξi表示Stribeck指数参数， fp， i表示偏置参数； 表示关节i的惯性力矩、 哥 氏力项力矩、 向心力项力矩、 重力项力矩的合力矩的理论计算值， 表示关节 i的摩擦力矩 的理论计算 值， 与 之和表示基于动力学模型计算的理论关节力矩； 广义神经网络的损失函数定义为机器人6个关节的理论关节力矩与测量关节力矩之间 的均方差， 所述的广义神经网络具有以下属性： (1)网络的连接 权重为待辨识的参数或关于待辨识参数的函数； (2)神经元的偏差默认为0； (3)激活函数由建立的动力学模型中的函数关系决定 。 6.根据权利要求1所述的一种机器人动力学参数的辨识方法， 其特征在于， 步骤S2所述 的损失函数为： 其中， τi表示采集的关节i的测量关节力矩， 表示计算的关节i的理论关节力矩。 7.根据权利要求1所述的一种机器人动力学参数的辨识方法， 其特征在于， 步骤S3中， 在每轮训练中， 计算损失函数E关于动力学参数的梯度为： 对于最小惯性 参数集βl： 其中βl表示最小惯性 参数集β ＝[β1， β2，…， β40]中的第l个参数； 表示回归矩 阵 的第i行中的第l个元素； τi表示采集的关节i的测量关节力矩， 表示计算的 关节i的理论关节力矩； 对于摩擦参数集， 定义 δ 为摩擦参数集对应的误差项：权　利　要　求　书 2/4 页 3 CN 114169230 A 3