基于模糊逻辑补偿与预获取体积信息的未知负载质量预测方法

《Machines》:An Unknown Payload Mass Prediction Method Using Fuzzy Logic Compensation and Pre-Acquired Volume Information

【字体: 大 中 小 】 时间:2026年06月19日 来源:Machines 2.5

编辑推荐:

  本文提出一种模糊负载补偿算法。在模拟机器视觉模型重建的背景下,将目标物体视为圆柱体以获取相应几何尺寸数据,首先利用第一模糊质量预测系统预测目标物体质量;运行过程中实时处理并计算机械臂关节电机电流数据,基于辨识得到的基本参数集(Base Parameter Se

  
本文提出一种模糊负载补偿算法。在模拟机器视觉模型重建的背景下,将目标物体视为圆柱体以获取相应几何尺寸数据,首先利用第一模糊质量预测系统预测目标物体质量;运行过程中实时处理并计算机械臂关节电机电流数据,基于辨识得到的基本参数集(Base Parameter Set)与末端执行or负载之间的数学关系,利用第二模糊补偿系统计算第六关节电机预测电流与采集电流的均方根误差(RMSE),从而对负载质量进行预测与补偿,运算完成后输出最终预测值。整体实验在HSR-CR607机器人上进行,实验结果表明该预测算法在大多数测试工况下均能保持在可接受误差范围(15%)内运行。
基于模糊逻辑补偿与预获取体积信息的未知负载质量预测方法——论文解读
本文发表于《Machines》期刊。工业串行刚性机械臂的精确动力学建模是轨迹跟踪控制、人机交互及碰撞检测的基础,而末端执行器负载(即Payload)的惯性参数(质量、质心、惯量张积)辨识是动力学建模的重要延伸。现有基于关节电流或力矩的在线负载辨识方法多仅依赖电流信号本身,未将任务相关的先验知识(如机器视觉获取的几何体积信息)融入估计框架;同时单纯依靠最小二乘法易受摩擦模型不准及噪声影响而产生偏差。为此,研究人员提出一种融合先验几何信息与模糊逻辑补偿(Fuzzy Logic Control, FLC)的在线未知负载质量辨识方法,在仅使用关节电流测量值的前提下引入视觉模拟获取的圆柱体积与初估质量作为先验,通过电流级最小参数集辨识与FLC迭代修正RMSE使预测收敛,旨在提高只测电流条件下的负载质量预测精度。实验在华数机器人HSR-CR607六轴机械臂上进行,结果表明所提方法较普通最小二乘法精度更高,多数工况相对误差在15%以内。
研究人员开展本研究用到的主要关键技术方法如下:在HSR-CR607六自由度机械臂上,先通过有限傅里叶级数激励轨迹采集空载关节位置、速度、加速度及电机电流数据,采用普通最小二乘法(Ordinary Least Squares, OLS)辨识电流级基参数集(Φb),并利用转矩传感器标定关节驱动增益矩阵Kτ将电流映射至关节转矩;模拟机器视觉将待测负载简化为均质圆柱体获取半径r与高度h以计算体积与初估惯量张积;带载运行时依据基参数集与负载参数的线性关系构建含待估质量的回归矩阵,实时计算第六关节预测电流与实测电流的均方根误差(RMSE6),以RMSE6的变化量ΔRMSE6和初估质量m?为模糊逻辑控制器双输入、质量修正量Δm为输出,经三角隶属函数模糊推理及重心法解模糊迭代更新负载质量直至RMSE6落入预设阈值区间,最终输出收敛的负载质量预测值。
2. Preliminaries(预备知识)
研究人员建立了n-DOF串行刚性机械臂的关节转矩级逆动力学线性化形式τ=W(q,q?,q?)·Π,经线性无关组合化简为基参数形式τ=Wb(q,q?,q?)·Πb,其中Πb为最小可辨识基参数集。假设电机转矩τm,i=Kτ,i·Ii(Kτ为对角驱动增益矩阵),推导得到电流级线性形式I=WI(q,q?,q?)·ΠI,并通过OLS求解空载下的电流级基参数集Π?I,b,为后续带载参数调整提供基准。
3. Methodology(研究方法)
3.1 Payload Identification(负载辨识):带载时逆动力学表示为τp=WbΠb+WpayΠpay+ε,其中Πpay=[Ixx,p,Iyy,p,Izz,p,Ixy,p,Ixz,p,Iyz,p,mxc,p,myc,p,mzc,p,mp]T为负载惯性参数集,包含惯量张积、质心坐标及质量。
3.2 Fuzzy Logic Compensation(模糊逻辑补偿):选取第六关节电流RMSE及其变化量ΔRMSE6、初估质量m?为FLC输入(Small/Medium/Large三档三角隶属函数),输出为质量修正量Δm(Light/Medium/Heavy三档),制定模糊规则表,采用重心法解模糊。预实验对比各关节电流RMSE对负载估计性能影响,确定第六关节RMSE6作为输入特征最具说服力。
3.3 Overall Algorithm Details(整体算法流程):算法输入为圆柱r、h、视觉初估质量m?vis、空载辨识基参数集Π?I,b、带载关节q,q?,q?及电流I;依负载与基参数线性关系更新含负载的动态参数集并计算回归矩阵与预测电流I?,迭代输入ΔRMSE6与当前m?至FLC得Δm更新m?,循环至RMSE6·k∈[220,280](k为放大系数)停止,输出最终预测质量m?final。
4. Experiment(实验)
4.1 Device HSR-CR607-890:采用modified Denavit–Hartenberg(M-DH)参数建立模型,采样周期4 ms,通过带转矩传感器的数据最小二乘标定关节驱动增益Kτ,未对原始电流数据滤波。
4.2 Simulated Payload Estimation Method:将所有负载按均质圆柱处理,质心位于几何中心,惯量张积按Ixx=Iyy=(1/12)mh2+(1/4)mr2,Izz=(1/2)mr2计算,作为参数调节系统初值。
4.3 Test Trajectory:基于有限傅里叶级数生成满足位置、速度、加速度约束的激励轨迹,基频ω=0.523 rad/s,初始位姿为[?88.57°, ?74.29°, 104.39°, 158.80°, 35.37°, ?117.56°]。
4.4 Results and Discussion(结果与讨论):离线辨识得到HSR-CR607电流级基参数集;多组圆柱负载(2 kg、4 kg等整数值额定范围内)测试显示所提算法相对误差(RE)多数在15%以内,最小RE为1%,最大为35%(2 kg时因轻载对电流信号影响弱、可观测性低致误差偏大);与最小二乘法对比,所提方法在大负载下精度更优。预测电流与实测电流在2 kg负载下多数关节吻合良好,第二关节偏差较大系自重与外载耦合放大模型误差所致。4 kg负载测试中预测质量约0.572 s收敛,初期因数据少噪声大FLC暂失输出,数据积累后正常调节。误差来源归纳为三点:经典Coulomb–黏性摩擦模型在速度近零时拟合不足且未考虑负载对摩擦影响;视觉将物体简化为圆柱及取最大外接体积引入体积与惯量张积误差(尤对空心物体);基参数集辨识精度直接影响最终结果。
总结与结论翻译
本文提出一种利用基动态参数集与负载参数关系、结合模糊逻辑补偿的在线负载质量预测方法。先完成电流级动力学辨识,再引入模糊逻辑补偿预测负载质量。在模拟视觉建模系统条件下,于HSR-CR607机器人上通过多项实验验证了所提方法,结果表明最终预测误差大多处于预设允许范围内,最小相对误差为1%,最大为35%,较最小二乘法在较宽负载范围内提供更准确的负载估计。误差来源主要为摩擦模型不完善、基动态参数集辨识精度不足及视觉建模系统固有误差。研究局限包括仅测试均质圆柱整数值负载、优化框架未显式纳入执行器转矩限制。未来工作将把关节转矩作为摩擦模型影响因素以完善摩擦建模,采用更精确的动力学模型或辨识方法降低预测误差,并将研究扩展至多种几何形状与质量分布的负载以评估算法在真实工业场景下的泛化能力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号