1.前馈补偿与变阻尼建模相融合的力阻抗控制方法,其特征是,包括步骤如下:步骤1、通过力传感器采集机器人的接触力Fe,并根据设定的期望力Fr与采集的接触力Fe得到力偏差ΔF,其中ΔF=Fr‑Fe;
步骤2、构建深度神经网络变阻尼模型,该深度神经网络变阻尼模型由输入层、隐含层、卷积层和输出层构成,深度神经网络变阻尼模型的输入为力偏差的绝对值|ΔF|,输出为阻尼系数Bd;
步骤3、将力偏差的绝对值|ΔF|送入到步骤2所构建的深度神经网络变阻尼模型中对网络参数进行学习,得到阻尼系数Bd;
步骤4、利用机器人与环境的阻抗模型计算位置误差Δx;其中机器人与环境的阻抗模型为:步骤5、在初始参考位置xr0的基础上,利用前馈PI在线补偿当前参考位置xr,即:xr=xr0+kpΔF+ki∫ΔFdt
步骤6、根据步骤4所得到的位置误差Δx与步骤5得到的当前参考位置xr得到机器人的位置控制量xc,其中xc=xr+Δx;
步骤7、通过位置传感器采集机器人的实际位置x,并对步骤6所得的位置控制量xc与采集的实际位置x的偏差进行PID控制后,得到机器人的控制扭矩去对机器人进行位置控制,达到控制力的目的;
式中,ΔF表示力偏差;Bd表示阻尼系数,Md表示质量系数,Kd表示刚度系数;Δx表示位置误差, 和 分别表示位置误差Δx的一次微分和二次微分;xr表示当前参考位置,xr0表示初始参考位置,kp表示比例参数,ki表示积分参数。
2.根据权利要求1所述的前馈补偿与变阻尼建模相融合的力阻抗控制方法,其特征是,步骤2所构建的深度神经网络变阻尼模型为:输入层的输入为:
|ΔF|
隐含层的激活函数为:
卷积层的卷积结果为:
输出层的输出为:
式中,|ΔF|表示力偏差的绝对值;h(i)表示隐含层的第i个神经元的激活函数,ci和bi分别表示隐含层的第i个神经元激活函数的高度和宽度;aj表示卷积层第j个神经元的卷积结果,Bj表示卷积层的第j个神经元的偏置; 表示隐含层与卷积层的共享权值向量,h(j)表示隐含层的第j个神经元的激活函数,h(j+1)表示隐含层的第j+1个神经元的激活函数,h(j+2)表示隐含层的第j+2个神经元的激活函数;wj表示卷积层第j个神经元到输出层的权值,Bd表示阻尼系数;i=1,2,…,I,I是隐含层神经元的个数;j=1,2,…,J,J是卷积层神经元的个数。
3.根据权利要求1所述的前馈补偿与变阻尼建模相融合的力阻抗控制方法,其特征是,步骤5中,比例参数kp为固定值;积分参数ki为与力偏差ΔF呈非线性关系的自适应值。
4.根据权利要求3所述的前馈补偿与变阻尼建模相融合的力阻抗控制方法,其特征是,积分参数ki为:式中,ΔF表示力偏差,h1表示设定的非线性函数高度,w表示设定的非线性函数宽度。