基于粒子群算法的6自由度机械臂动力学模型参数辨识.pdf

"基于粒子群算法的6自由度机械臂动力学模型参数辨识" 这篇论文介绍了一种基于粒子群优化（PSO）算法的工业机器人动力学模型参数辨识方法。该方法首先使用改进的牛顿一欧拉方法建立机械臂的动力学模型，然后使用PSO算法来估计未知的动力学参数。通过在UR工业机器人上的实验验证了该方法的准确性和有效性。 在机械臂动力学模型中，存在一些未知的参数，这些参数对机器人的控制方法具有重要的影响。因此，动力学参数辨识方法对基于模型的控制方法的发展具有重要的意义。一个标准的机械臂动力学参数辨识过程包括动力学建模、激励轨迹设计、数据采集、参数辨识和模型验证。 粒子群优化（PSO）算法是一种基于群智能方法的演化计算技术，系统初始化为一组随机解，通过迭代搜索最优值。粒子（潜在的解）在解空间中追随最优的粒子进行搜索。与遗传算法比较，PSO算法的优势在于简单、容易实现，同时又有深刻的智能背景，既适合科学研究，又特别适合工程应用。 在本研究中，建立了机械臂的动力学模型，确定需要辨识的动力学参数。提出了一种基于PSO算法的动力学模型参数辨识方法，给出了辨识方法的基本原理和激励轨迹的设计。该研究已经在UR5机械臂上进行了参数辨识和模型验证实验。 机械臂动力学模型可以用牛顿一欧拉方法来描述，其动力学模型可以表示为： Dx(q)·+C(q,q)·+g(q)=τ 其中，τ=(τ1, …, τn)为机械臂的驱动力矩向量，q=(q1, …, qn)为机械臂的关节位置，q˙=(q˙1, …, q˙n)为机械臂的关节速度，q¨=(q¨1, …, q¨n)为机械臂的关节加速度。D(q)是一个与位形相关的n×n的矩阵，称为惯性矩阵。C(q,q˙)为科氏力及离心力项，g(q)为重力项，仅取决于机器人的位姿，是静态量。 根据改进的牛顿一欧拉动力学模型，式（1）可以被改写成： τ=(q,q˙,q¨)p 其中，p是一个n×10n的观测矩阵，只跟机械臂关节运动相关。 基于PSO算法的动力学模型参数辨识方法可以应用于机械臂的动力学参数辨识，提高机器人的控制性能。同时，该方法也可以应用于其他机器人系统的参数辨识问题。