CN115319755B 基于反馈校正的gru神经网络机器人柔性关节补偿控制方法 （桂林电子科技大学）

基于反馈校正的GRU神经网络机器人柔性关本发明公开一种基于反馈校正的GRU神经网不同负载下的迟滞特性，在GRU神经网络的基础之间的误差组成补偿量，反馈给GRU神经网络模关节的GRU神经网络模型精度。柔性关节迟滞模2步骤1、对机器人柔性关节在t时刻的输入电流i<t>进行卡尔曼经网络的输入层在t时刻的第一输入信号；同时将改进的GRU神经网络在t_1时刻的输出信刻的角度测量值作差，得到机器人柔性关节在t_1时刻的扭转角Δθd<t_1>，其中Δθd<t_1>=θd<t_1>_θc<t_1>；再将机器人柔性关节在t_1时刻的扭转角Δθd<t_1>与改进的GRU神经=Δθd<t_1>_xθ<t_1>；后将t_1时刻的扭转角的建模误差e<t_1>作为改进的GRU神经网络并通过建模误差来修正改进的GRU神经网络的输出，得到改进的GRU神经网络的输出层在t在t时刻的角度设定值进行补偿，得到机器人柔性关节在t时刻补偿后的角度设定值其中并将机器人柔性关节在t时刻补偿后的角度设定值于",提供给机器人柔性关节的控制端；yy3yy4[0001]本发明涉及机器人控制技术领域，具体涉及一种基于反馈校正的GRU(Gated的复杂迟滞特性的问题，提供一种基于反馈校正的GRU神经网络机器人柔性关节补偿控制作为改进的GRU神经网络的输入层在t时刻的第一输入信号；同时将改进的GRU神经网络在t_1时刻的输出信号Δθ<t_1>作为改进的[0008]步骤2、先将机器人柔性关节在t_1时刻的角度设定值o;*与机器人柔性关节在t_1时刻的角度测量值o:*作差，得到机器Δθd<t_1>=θd<t_1>_θc<t_1>；再将机器人柔性关节在t_1时刻的扭转角Δθd<t_1>与改进的GRU神5和输出补偿信号，改进的GRU神经网络的隐藏层将输入电流(第一输入信号)与输出扭转角值其中并将机器人柔性关节在t时刻补偿后的角度设定值y[0013]其中，Δθ<t>表示改进的GRy的GRU神经网络在t时刻的重置门状态，表示改进的GRU神经网络在t时刻的隐状态，zr和U分别表示更新门、重置门和隐状态中与中间输出信号对应的yy反馈结构，利用模型输出值与期望输出值之间的误差组成补偿量，反馈给GRU神经网络模6低成本高精度轻型工业机器人的高端智能制发明提出了一种基于反馈校正的GRU(GatedRecurrentUnit)神经网络的柔性关节迟滞建[0025]图1为实验获得的关节电机驱动电流与关节扭转角之间的迟滞特性曲线，揭示了[0026]门控循环单元(GRU)作为传统RNN(循环神经网络)的变体，解决了RNN长时间记忆7刻的重置门状态，表示第j个GRU单元在t时刻的隐状态，n"和分别表示第j个[0029]更新门决定当前t时刻GRU单元输出量中需要遗忘历史信息的程度和需[0030]迟滞特性的输出不仅与当前时刻的输入信号有关，还会受到历史输入信号的影Wyh<t>为E-Σ"e。GRU神经网络使用沿时间反向传播法(BPTT)对每一层的权值进行训练。[0033]为了进一步提高GRU神经网络对复杂迟滞曲线的建模精度，本发明借助于反馈消8[0038]Δθd<t_1>=θd<t_1>_θc<t_1>(7)其中，Δθy<t>表示改进的GRU神经网络",同时作为神经网络输[0051]基于上述分析，本发明所提出的一种基于反馈校正的GRU神经网络机器人柔性关[0052]步骤1、对机器人柔性关节在t时刻的输入电流i<t>进行卡尔曼滤波后作为改进的9[0053]步骤2、先将机器人柔性关节在t_1时刻的角度设定值o;与机器人柔性关节在Δθd<t_1>=θd<t_1>_θc<t_1>；再将机器人柔性关节在t_1时刻的扭转角Δθd<t_1>与改进的GRU神和输出补偿信号，改进的GRU神经网络的隐藏层将输入电流与输出扭转角的历史信息建立y[0057]其中，Δθ<t>表示改进的GRyy的GRU神经网络在t时刻的重置门状态，表示改进的GRU神经网络在t时刻的隐状态，重置门和隐状态中与中间输出信号对应的权值；和b分别表示更新门、重y值其中并将