文献类型：期刊文章

作　　者：徐征[1] 张弓[1] 汪火明[1,2] 侯至丞[1] 杨文林[1] 梁济民[1] 王建[1] 顾星[1]

XU Zheng;ZHANG Gong;WANG Huo-ming;HOU Zhi-cheng;YANG Wen-lin;LIANG Ji-min;WANG Jian;GU Xing(Intelligent Robot&Equipment Center,Guangzhou Institute of Advanced Technology,Chinese Academy of Science,Guangzhou 511458,China;School of Mechanical Engineering and Electronic Information,China University of Geosciences,Wuhan 430074,China)

机构地区：[1]广州中国科学院先进技术研究所机器人与智能装备中心,广州511458 [2]中国地质大学机械与电子信息学院,武汉430074

出　　处：《工程科学学报》

基　　金：国家重点研发计划资助项目(2018YFA0902903);国家自然科学基金资助项目(62073092);广东省自然科学基金资助项目(2021A1515012638);广州市基础研究计划资助项目(202002030320)。

年　　份：2021

卷　　号：43

期　　号：7

起止页码：995-1002

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：由于协作机器人的结构比普通工业机器人更为轻巧,一般动力学模型所忽略的复杂特性占比较大,导致协作机器人的计算预测力矩误差较大.据此提出在考虑重力、科里奥利力、惯性力和摩擦力等的基础上,采用深度循环神经网络中的长短期记忆模型对自主研发的六自由度协作机器人动力学模型进行误差补偿.在实验中采用优化后的基于傅里叶级数的激励轨迹驱动机器人运动,以电机电流估算关节力矩,获取的原始数据用来训练长短期记忆模型(LSTM)补偿网络.网络的训练结果和评价指标为预测力矩相比实际力矩的均方根误差.计算与实验结果表明,补偿后的协作机器人动力学模型对实际力矩具有更好的预测效果,各轴预测力矩与实际力矩的均方根误差相比于未补偿的传统模型降低了61.8%至78.9%不等,表明了文中所提出补偿方法的有效性.

关 键 词：协作机器人  动力学模型 模型误差补偿  循环神经网络 长短期记忆模型  

分 类 号：TP242.2]