面向动态响应预测的机器人数字孪生模型建模方法及系统

摘要

本发明实施例提供一种面向动态响应预测的机器人数字孪生模型建模方法及系统，属于工业机器人加工领域。该方法包括：获取指令加工轨迹；将所述指令加工轨迹输入至预先构建的机器人数字孪生模型，获得末端执行器的预测位置，其中，所述机器人数字孪生模型集成了关节位置预测模型、机器人正运动学模型和机器人逆运动学模型。通过上述技术方案，基于集成学习策略将关节位置预测模型、机器人正运动学模型和机器人逆运动学模型集成在一起，构建机器人数字孪生模型，与单一深度神经网络模型相比，具有更高的准确率和泛化能力，而且通过构建的机器人数字孪生模型可以更加准确的预测末端执行器的位置，提高了机器人加工在高精度领域的应用。

权利要求

1.一种面向动态响应预测的机器人数字孪生模型建模方法，其特征在于，包括：获取指令加工轨迹；

将所述指令加工轨迹输入至预先构建的机器人数字孪生模型，获得末端执行器的预测位置，其中，所述机器人数字孪生模型集成了关节位置预测模型、机器人正运动学模型和机器人逆运动学模型；

其中，所述关节位置预测模型包括参数化模型和基于集成学习的残差补偿模型；

所述机器人数字孪生模型的构建过程包括：

等效步骤：假设机器人正向和逆向运动学模型准确，将运动学误差等效为关节位置误差；

获取步骤：利用关节指令轨迹激发机器人运动特性，使用激光跟踪仪测量所述末端执行器的实际位置，并基于逆向运动学模型得到标称关节位置，同时将所述关节指令轨迹和所述标称关节位置存入数据库；

构建步骤：基于所述关节指令轨迹构建每个关节的关节位置预测模型，并进行所述关节位置预测模型中的参数化模型的参数识别与集成学习的残差补偿模型的训练；

预测步骤：基于所述关节位置预测模型和所述机器人正运动模型获得所述末端执行器的预测位置；

对构建、获取和预测步骤进行集成化处理，构建所述机器人数字孪生模型。

2.根据权利要求1所述的机器人数字孪生模型建模方法，其特征在于，所述集成学习的残差补偿模型的训练过程包括：构建训练数据集，其中，所述训练数据集包括电机仿真力矩、电机仿真位置、关节仿真位置和关节指令位置和关节指令速度；

将所述训练数据集输入至初始集成学习的残差补偿模型，输出关节残差，其中，所述关节残差表征为数据库中的标称关节位置与参数化模型的关节角度预测值之间的差值；

基于所述关节残差对所述初始集成学习的残差补偿模型的超参数进行优化，获得所述集成学习的残差补偿模型。

3.根据权利要求1所述的机器人数字孪生模型建模方法，其特征在于，基于所述关节位置预测模型和所述机器人正运动模型获得所述末端执行器的预测位置包括：将所述关节指令轨迹输入至参数化模型，获得各关节角度的预测值；

将所述关节指令轨迹输入至所述集成学习的残差补偿模型，获得各个关节的预测残差；

根据所述各关节角度的预测值和所述各个关节的预测残差，获得各个关节位置的预测值，并结合所述机器人正运动模型，获得所述末端执行器的预测位置。

4.根据权利要求1‑3任一项所述的机器人数字孪生模型建模方法，其特征在于，所述参数化模型包括伺服系统模型和机械系统的动力学模型；

所述集成学习的残差补偿模型为轻量级梯度提升机算法模型。

5.一种应用于权利要求1‑4任一项所述的机器人数字孪生模型建模方法的机器人数字孪生模型建模系统，其特征在于，包括：获取单元，用于获取指令加工轨迹；

预测单元，用于将所述指令加工轨迹输入至预先构建的机器人数字孪生模型，获得所述末端执行器的预测位置，其中，所述机器人数字孪生模型集成了关节位置预测模型、机器人正运动学模型和机器人逆运动学模型。

6.根据权利要求5所述的机器人数字孪生模型建模系统，其特征在于，所述预测单元用于：将关节指令轨迹输入至所述关节位置预测模型中的参数化模型，获得各关节角度的预测值；

将所述关节指令轨迹输入至所述关节位置预测模型中的集成学习的残差补偿模型，获得各个关节的预测残差；

根据所述各关节角度的预测值和所述各个关节的预测残差，获得各个关节位置的预测值，并结合所述机器人正运动模型，获得所述末端执行器的预测位置。

7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑4任意一项所述的机器人数字孪生模型建模方法的步骤。

8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1‑4任意一项所述的机器人数字孪生模型建模方法的步骤。

说明书

面向动态响应预测的机器人数字孪生模型建模方法及系统

技术领域

[0001] 本发明涉及工业机器人加工技术领域，具体地涉及一种面向动态响应预测的机器人数字孪生模型建模方法及系统。

背景技术

[0002] 由于机器人的低成本、高灵活性和大工作空间等特征，机器人加工受到了广泛的关注。然而运动学误差和动力学误差等多源误差耦合所导致的加工轮廓精度较低，限制了机器人加工在高精度领域的应用。

[0003] 现有技术包括笛卡尔空间建模和关节空间建模方案。其中笛卡尔空间建模是利用参数化模型或基于数据的模型直接构建末端执行器的模型。然而，各关节动态特性的变化以及关节空间与笛卡尔空间之间的非线性映射导致了末端执行器的复杂特性。因此，用该方法很难建立精确的模型。另一种方案是建立一系列关节的模型，然后基于运动学关系将其组合起来，得到完整模型。然而，由于连杆误差、起始位置偏差等运动学误差，即使准确预测了关节位置，基于运动学计算的末端执行器位置仍然不准确。

发明内容

[0004] 发明人通过研究发现，实际上，准确地预测末端执行器的位置是最终目标，但由于运动学误差的存在，并不一定要得到准确的关节位置。因此，假设存在一组标称关节位置，这些位置不是实际值，但与末端执行器实际位置有准确的映射关系，则可以根据标称关节位置计算末端执行器实际位置。

[0005] 本发明实施例的目的是提供一种面向动态响应预测的机器人数字孪生模型建模方法及系统，用于全部或至少部分的解决上述现有技术中存在的技术问题。

[0006] 为了实现上述目的，本发明实施例提供一种面向动态响应预测的机器人数字孪生模型建模方法，包括：获取指令加工轨迹；

[0007] 将所述指令加工轨迹输入至预先构建的机器人数字孪生模型，获得所述末端执行器的预测位置，其中，所述机器人数字孪生模型集成了关节位置预测模型、机器人正运动学模型和机器人逆运动学模型。

[0008] 可选的，所述关节位置预测模型包括参数化模型和基于集成学习的残差补偿模型。

[0009] 可选的，所述机器人数字孪生模型的构建过程包括：

[0010] 等效步骤：假设机器人正向和逆向运动学模型准确，将运动学误差等效为关节位置误差；

[0011] 获取步骤：利用关节指令轨迹激发机器人运动特性，使用激光跟踪仪测量所述末端执行器的实际位置，并基于逆向运动学模型得到标称关节位置，同时将所述关节指令轨迹和所述标称关节位置存入数据库；

[0012] 构建步骤：基于所述关节指令轨迹构建每个关节的关节位置预测模型，并进行所述关节位置预测模型中的参数化模型的参数识别与集成学习的残差补偿模型的训练；

[0013] 预测步骤：基于所述关节位置预测模型和所述机器人正运动模型获得所述末端执行器的预测位置；

[0014] 对构建、获取和预测步骤进行集成化处理，构建所述机器人数字孪生模型。

[0015] 可选的，所述集成学习的残差补偿模型的训练过程包括：

[0016] 构建训练数据集，其中，所述训练数据集包括电机仿真力矩、电机仿真位置、关节仿真位置和关节指令位置和关节指令速度；

[0017] 将所述训练数据集输入至初始集成学习的残差补偿模型，输出关节残差，其中，所述关节残差表征为数据库中的标称关节位置与参数化模型的关节角度预测值之间的差值；

[0018] 基于所述关节残差对所述初始集成学习的残差补偿模型的超参数进行优化，获得所述集成学习的残差补偿模型。

[0019] 可选的，基于所述关节位置预测模型和所述机器人正运动模型获得所述末端执行器的预测位置包括：

[0020] 将所述关节指令轨迹输入至参数化模型，获得各关节角度的预测值；

[0021] 将所述关节指令轨迹输入至所述集成学习的残差补偿模型，获得各个关节的预测残差；

[0022] 根据所述各关节角度的预测值和所述各个关节的预测残差，获得各个关节位置的预测值，并结合所述机器人正运动模型，获得所述末端执行器的预测位置。

[0023] 可选的，所述参数化模型包括伺服系统模型和机械系统的动力学模型；

[0024] 所述集成学习的残差补偿模型为轻量级梯度提升机算法模型。

[0025] 另一方面，本发明提供一种面向动态响应预测的机器人数字孪生模型建模系统，包括：

[0026] 获取单元，用于获取指令加工轨迹；

[0027] 预测单元，用于将所述指令加工轨迹输入至预先构建的机器人数字孪生模型，获得所述末端执行器的预测位置，其中，所述机器人数字孪生模型集成了关节位置预测模型、机器人正运动学模型和机器人逆运动学模型。

[0028] 可选的，所述预测单元用于：

[0029] 将关节指令轨迹输入至所述关节位置预测模型中的参数化模型，获得各关节角度的预测值；

[0030] 将所述关节指令轨迹输入至所述关节位置预测模型中的集成学习的残差补偿模型，获得各个关节的预测残差；

[0031] 根据所述各关节角度的预测值和所述各个关节的预测残差，获得各个关节位置的预测值，并结合所述机器人正运动模型，获得所述末端执行器的预测位置。

[0032] 另一方面，本发明提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，所述处理器执行所述程序时实现上述所述的机器人数字孪生模型建模方法的步骤。

[0033] 另一方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的机器人数字孪生模型建模方法的步骤。

[0034] 通过上述技术方案，基于集成学习策略将关节位置预测模型、机器人正运动学模型和机器人逆运动学模型集成在一起，构建机器人数字孪生模型，与单一深度神经网络模型相比，具有更高的准确率和泛化能力，而且通过构建的机器人数字孪生模型可以更加准确的预测末端执行器的位置，提高了机器人加工在高精度领域的应用。

[0035] 本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

[0036] 附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

[0037] 图1是本发明实施例提供的一种面向动态响应预测的机器人数字孪生模型建模方法实施流程图；

[0038] 图2是本发明实施例提供的一种关节位置预测模型的结构示意图；

[0039] 图3是本发明实施例提供的一种基于关节空间模式下机器人数字孪生模型的构建结构示意图；

[0040] 图4是本发明实施例提供的一种面向动态响应预测的机器人数字孪生模型建模系统的结构示意图。

具体实施方式

[0041] 以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

[0042] 为了方便理解本发明实施例，对于本发明涉及的专业名词进行解释说明。

[0043] 正向运动学：是指机器人末端执行器位置和姿态对应于机器人关节角度的关系式，即给定机器人关节角度，可以计算出机器人末端执行器的位置和姿态。正运动学模型是机器人控制领域中最基本的模型之一，其适用于机器人的姿态控制、目标位置计算、仿真模拟等。

[0044] 逆向运动学：是计算将运动链末端（例如机器人操纵器或动画角色的骨架）放置在相对于给定位置和方向所需的可变关节参数的数学过程链的开始。 给定关节参数，链末端的位置和方向，例如角色或机器人的手，通常可以使用三角公式的多次应用直接计算，这一过程称为正向运动学。

[0045] 参阅图1所示，为本发明实施例提供的一种面向动态响应预测的机器人数字孪生模型建模方法实施流程图，包括以下执行步骤：

[0046] 步骤100：获取指令加工轨迹；

[0047] 步骤101：将所述指令加工轨迹输入至预先构建的机器人数字孪生模型，获得所述末端执行器的预测位置。

[0048] 其中，所述机器人数字孪生模型集成了关节位置预测模型、机器人正运动学模型和机器人逆运动学模型。

[0049] 在一些实施方式中，所述关节位置预测模型包括参数化模型和基于集成学习的残差补偿模型。

[0050] 在一些实施方式中，在执行步骤101之前，还执行所述机器人数字孪生模型的构建步骤，具体机器人数字孪生模型的构建步骤如下：

[0051] S1：等效步骤：假设机器人正向和逆向运动学模型准确，将运动学误差等效为关节位置误差；

[0052] S2：获取步骤：利用关节指令轨迹激发机器人运动特性，使用激光跟踪仪测量所述末端执行器的实际位置，并基于逆向运动学模型得到标称关节位置，同时将所述关节指令轨迹和所述标称关节位置存入数据库。

[0053] S3：构建步骤：基于所述关节指令轨迹构建每个关节的关节位置预测模型，并进行所述关节位置预测模型中的参数化模型的参数识别与集成学习的残差补偿模型的训练。

[0054] 在一些实施方式中，执行步骤S3中所述集成学习的残差补偿模型的训练过程时可以具体执行以下步骤：

[0055] S30：构建训练数据集，其中，所述训练数据集包括电机仿真力矩、电机仿真位置、关节仿真位置和关节指令位置和关节指令速度。

[0056] S31：将所述训练数据集输入至初始集成学习的残差补偿模型，输出关节残差，其中，所述关节残差表征为数据库中的标称关节位置与参数化模型的关节角度预测值之间的差值。

[0057] S32：基于所述关节残差对所述初始集成学习的残差补偿模型的超参数进行优化，获得所述集成学习的残差补偿模型。

[0058] 解决了现有技术中如果早关节侧没有编码器，则难以预测关节的实际位置，无法实现参数识别和模型训练的问题。

[0059] S4：预测步骤：基于所述关节位置预测模型和所述机器人正运动模型获得所述末端执行器的预测位置。

[0060] 在一些实施方式中，执行步骤S4中的基于所述关节位置预测模型和所述机器人正运动模型获得所述末端执行器的预测位置时，可以具体执行以下步骤：

[0061] S40：将所述关节指令轨迹输入至参数化模型，获得各关节角度的预测值。

[0062] 在一些实施方式中，可以通过机器人附加的外部高精度测量仪器或自身关节编码器采集实时机器人各关节角度。

[0063] S41：将所述关节指令轨迹输入至所述集成学习的残差补偿模型，获得各个关节的预测残差。

[0064] 在一些实施方式中，将关节指令轨迹和参数化模型过程数据输入至集成学习的残差模型，获得各个关节的预测残差。

[0065] S42：根据所述各关节角度的预测值和所述各个关节的预测残差，获得各个关节位置的预测值，并结合所述机器人正运动模型，获得所述末端执行器的预测位置。

[0066] 在一些实施方式中，将所述各关节角度的预测值和所述各个关节的预测残差进行加和处理，获得加和结果，并结合机器人正运动模型，获得所述末端执行器的预测位置。

[0067] 在一些实施方式中，参阅图2所示，为本发明实施例提供的一种关节位置预测模型的结构示意图，将关节指令轨迹输入至参数化模型（伺服系统模型和机械系统模型）输出参数化模型关节角度（即图中的关节1，关节2，…，关节6…）的预测值；将关节指令轨迹和参数化模型过程数据分别输入至关节1基于集成学习的残差补偿模型，输出预测的关节1残差，关节2基于集成学习的残差补偿模型，输出预测的关节2残差，…关节6基于集成学习的残差补偿模型，输出预测的关节6残差，分别将关节1的关节角度预测值和预测的关节1残差结合，获得关节1的预测值，将关节2的关节角度预测值和预测的关节2残差结合，获得关节2的预测值，将关节6的预测值和预测的关节6残差结合，获得关节6的预测值。

[0068] S5：对构建、获取和预测步骤进行集成化处理，构建所述机器人数字孪生模型。

[0069] 在一些实施方式中，所述参数化模型包括伺服系统模型和机械系统的动力学模型；所述集成学习的残差补偿模型为轻量级梯度提升机算法模型（即LightGBM模型）。

[0070] 与单一深度神经网络模型相比，集成学习策略将多个基学习器集成在一起，构建更强大的模型，具有更高的准确率和泛化能力。LightGBM适用于处理多轴耦合和大工作空间导致的高维特征和大数据量。

[0071] 在一些实施方式中，参阅图3所示，为本发明实施例提供的一种基于关节空间模式下机器人数字孪生模型的构建结构示意图，S1.假设运动学正向和逆向模型为准确的，运动学误差可等效为关节位置误差，包括：数据采集，数字孪生模型和数字孪生模型驱动系统三大部分，其中，在数据采集部分，S2.采用关节指令轨迹激励机器人运动特性，然后使用激光跟踪仪测量末端执行器的实际位置，并基于机器人的逆向运动学模型得到标称关节位置，同时将关节指令轨迹和标称关节位置存入数据库；在数字孪生模型部分，S3.构建每个关节位置预测模型，其关节位置预测模型的输入为关节指令轨迹，输出为关节预测位置，S4.参数化模型的参数识别与集成学习的残差补偿模型的训练，预测关节位置，伺服系统模型的参数通过产品手册获取，动力学模型基于变形实验和动态激励实验进行参数识别，集成学习的残差补偿模型的训练主要包括：S41.训练数据集构建，其中输入包含电机仿真力矩、电机仿真位置、关节仿真位置和关节指令位置和关节指令速度，输出为关节残差，关节残差定义为数据库中的标称关节位置与参数化模型的关节角度预测值之间的差值；S42.模型超参数优化；S5.基于关节位置预测模型和机器人正运动模型获得末端执行器预测位置；S6.将S3、S4和S5中所述的各个模型及步骤集成化，构建机器人数字孪生模型，模型输入为指令轨迹，模型输出为末端执行器预测位置；在数字孪生模型驱动系统部分，将指令加工轨迹输入至机器人的数字孪生模型（逆运动学模型，关节位置预测模型以及正运动学模型）输出末端执行器预测位置，在服务时，可以采用机器人数字孪生模型计算补偿轮廓误差、预补偿以及优化加工参数。

[0072] 现有技术中构建一系列关节的模型，然后基于运动学关系将其组合起来，得到完整的模型，然而由于连杆误差、起始位置偏差等运动学误差，即使准确预测了关节位置，基于运动学计算的末端执行器的位置仍然不准确，而由于运动学误差的存在，并不一定要得到准确的关节位置。因此，本申请提出假设存在一组标称关节位置，这些位置不是实际值，但与末端执行器实际位置有准确的映射关系，则可以根据标称关节位置计算末端执行器实际位置。

[0073] 另一方面，参阅图4所示，为本发明实施例提供的一种面向动态响应预测的机器人数字孪生模型建模系统的结构示意图，该系统包括：

[0074] 获取单元400，用于获取指令加工轨迹；

[0075] 预测单元401，用于将所述指令加工轨迹输入至预先构建的机器人数字孪生模型，获得所述末端执行器的预测位置，其中，所述机器人数字孪生模型集成了关节位置预测模型、机器人正运动学模型和机器人逆运动学模型。

[0076] 在一些实施方式中，所述预测单元401用于：

[0077] 将关节指令轨迹输入至所述关节位置预测模型中的参数化模型，获得各关节角度的预测值；

[0078] 将所述关节指令轨迹输入至所述关节位置预测模型中的集成学习的残差补偿模型，获得各个关节的预测残差；

[0079] 根据所述各关节角度的预测值和所述各个关节的预测残差，获得各个关节位置的预测值，并结合所述机器人正运动模型，获得所述末端执行器的预测位置。

[0080] 这样，末端执行器的位置预测系统通过获取单元和预测单元之间的相互协同作用，可以实现位置预测系统对末端执行器位置的准确预测。

[0081] 另一方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，所述处理器执行所述程序时实现上述任一项实施例所述的面向动态响应预测的机器人数字孪生模型建模方法的步骤。

[0082] 另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项实施例所述的面向动态响应预测的机器人数字孪生模型建模方法的步骤。

[0083] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD‑ROM、光学存储器等）上实施的计算机程序产品的形式。

[0084] 本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

[0085] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

[0086] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0087] 在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。

[0088] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

[0089] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD‑ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。

[0090] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

[0091] 以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。