工业机器人参数估计方法的设计、模拟、比较和评估

工业机器人参数估计方法的设计、模拟、比较和评估

系统模型是控制过程的基础，然而，参数的不确定性和多变性给模型的确定带来了很多困难。本研究讨论了应用在机器人系统上不同参数确定方法的设计和评估，这些方法包括最小二乘法、扩展的卡尔曼滤波法、Adaline神经元神经网络、Hopfield循环神经网络和遗传算法。研究基于MATLAB/Simulink软件，通过应用这些参数确定的方法对一个具有三个自由度的SCARA机器人进行仿真模拟，从而获得针对参数确定算法的性能指标。

其中，应用最小二乘法和Adaline神经元神经网络方法可以使参数的相关误差在8%以下；应用Hopfiled神经网络方法时，由于测量过程中噪声的存在，被估计的参数关于算法的收敛性出现振荡的现象；卡尔曼滤波法对初始状态的选择表现比较敏感，一方面，被估计参数的初始数据对得到好的估计值是至关重要的，另一方面，由于这个过程是递归过程并且使用的是时间变量，所以计算时间比其他方法更长。在参数确定过程中，在第三环节可以获得令人满意的效果，这不是因为应用方法，而是线性度。并且属于旋转连杆的其他参数和Izz2呈现出相反的最高灵敏度和误差。

所以，这项研究使描述工业机器人动力特征的参数确定方法有多种选择，尤其是对于SCARA模型。因此，拥有一个机器人基础参数的数值可以设计一个新的控制方法，因为这个机器人的典型动力模型已经知道。

网址：http://www.sciencedirect.com/science/article/pii/S0045790616302294

作者：Claudio Urrea

编译：李琳琳