CN116690559B 基于时空图卷积网络的工业机器人关节力矩补偿方法 （上海交通大学）

基于时空图卷积网络的工业机器人关节力一种基于时空图卷积网络的工业机器人关器人按优化运动轨迹运动并同步采集机器人关采用训练后的时空图卷积网络预测得到时刻各2运动并同步采集机器人关节位置、速度以及用于计算机器人各关节估算力矩的关节电流，建模块用于生成由空间连接关系矩阵以及运动学和动力学特性矩阵构成的机器人关节图2.根据权利要求1所述的基于时空图卷积网络的工业机器人关节力矩补偿方法，其特化得到符合机器人关节位置和速度限制的优3.根据权利要求1所述的基于时空图卷积网络的工业机器人关节力矩补偿方法，其特器人关节驱动器反馈得到机器人各关节的驱动电流信号，通过电流_力矩映射得到机器人机器人厂商提供或自行辨识得到。4.根据权利要求1_3中任一所述的基于时空图卷积网络的工业机器人关节力矩补偿方1.2)利用MATLAB中的Patternsearch工具箱，通过约束条件数的方法进一步优化机器3步骤四，根据机器人关节之间的空间关系以及运动学和步骤五，在PyTorch环境中构建包括图邻接矩阵构建模块和图网络模块的时空图卷积空间图卷积模块与时间门控卷积模块相结合，构建时空图卷积网络，具体为：vl和分别为l和l+1时刻的机器人关ol步骤六，对所采集到的数据进行预处理，构建数据步骤七，基于步骤六得到的数据集训练时空图卷积网络：先在70%的训练集上选用N为数据集样本数量，,为机器人第i个关节在第j个时间点的估算力矩，,为机器人第i个关节在第j个时间点的补偿后的预测力5.根据权利要求4所述的基于时空图卷积网络的工业机器人关节力矩补偿方法，其特2.1)当机器人按照步骤一得到的激励轨迹运动时，利2.2)对步骤2.1得到的机器人各关节的速度信息进行差分处理，得到各关节的加速度2.3)通过电流力矩映射得到机器人各关节的估算力矩，其中：1,为步骤6.根据权利要求4所述的基于时空图卷积网络的工业机器人关节力矩补偿方法，其特3.1)根据牛顿欧拉公式建立机器人动力学模型并进行线性化，然后推导得到机器人的最小惯性参数集，通过辨识方法求解得到机器人基本动力学参数，具体为：r=w(q,q,⃞)n，其中：neRmx1为待辨识的机器人最小惯性参数集，m为最小惯性47.根据权利要求4所述的基于时空图卷积网络的工业机器人关节力矩补偿方法，其特因此根据各关节之间的空间关系所构建的邻接矩阵A1=diag[P,P2,P3,P]；置关节的动力学特性，而不会影响其运动学特性；因此设定运动学特性矩阵5神经网络的机器人各关节图邻接矩阵A=aA+BA2，其中：6虑机器人运动学和动力学数据之间的时间相关性以及没有考虑工业机器人各关节之间的运动并同步采集机器人关节位置、速度以及用于计算机器人各关节估算力矩的关节电流，约束优化得到符合机器人关节位置和速度限制的机器人厂商提供或自行辨识得到。7阵构建模块用于生成由空间连接关系矩阵以及运动学和动力学特性矩阵构成的机器人关[0009]所述的图邻接矩阵构建模块基于机器人关节之间的空间连接关系以及运动学和[0019]如图2所示，为本实施例涉及一种用于上述应用场景的基于时空图卷积网络的工8[0023]1.2)利用MATLAB中的Patternsear人的最小惯性参数集，通过辨识方法求解得到机器人基本动力学参数，具体为：6个关节的估算力矩，6表示机器人关节数目；观测矩阵w(q,q,⃞)eR"由各关节的位为s时刻的机器人各关节的初步预测力矩，该预测力矩仍然存在由不可建模的非线性和随机影响因素导致的力矩误差，这些误差通过后续基于时空图卷积神经网络的方法进行补9[0036]4.1)如图3所示，采集响前置关节的动力学特性，而不会影响其运动学特性。因此设定运动学特性矩阵Q;=动力学特性矩阵[0042]步骤五，在PyTorch环境中构建包括图邻接矩阵构建模块和图网络模块的时空图函数反应的是机器人各关节力矩的对称平均绝对百分比误差(SMAPE)的均值。训练结果如百分比误差(SymmetricMeanAbsol[0054]上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护