本發(fā)明涉及并聯(lián)機器人軌跡跟蹤，具體為一種三自由度并聯(lián)機器人軌跡跟蹤方法及系統(tǒng)。

背景技術：

1、并聯(lián)機器人因其結構緊湊、運動精度高、動態(tài)響應快等優(yōu)點，在工業(yè)制造、精密裝配、醫(yī)療手術及航空航天等領域得到了廣泛應用。近年來，隨著智能控制技術、傳感器技術及人工智能的發(fā)展，并聯(lián)機器人在軌跡跟蹤精度、動態(tài)穩(wěn)定性及環(huán)境適應性方面取得了顯著進步。傳統(tǒng)的軌跡跟蹤方法主要依賴于運動學求解、pid控制及模型預測控制（mpc），以提高軌跡跟蹤精度。然而，隨著機器人應用環(huán)境的復雜化，僅依賴經典控制方法難以滿足高精度、高動態(tài)性的軌跡跟蹤需求。因此，結合數(shù)據(jù)驅動的方法，如基于深度學習的誤差預測、視覺伺服反饋及自適應控制策略，成為當前并聯(lián)機器人軌跡跟蹤優(yōu)化的重要研究方向。特別是對于三自由度并聯(lián)機器人，其運動學復雜、非線性強，如何在實時控制過程中高效預測誤差并進行動態(tài)補償，成為提高軌跡跟蹤精度的關鍵技術問題。

2、現(xiàn)有的并聯(lián)機器人軌跡跟蹤方法主要依賴于運動學模型和傳統(tǒng)控制算法進行軌跡校正，但在實際應用中仍存在諸多不足。首先，傳統(tǒng)的軌跡跟蹤方法（如pid、lqr、mpc）對系統(tǒng)參數(shù)變化的適應性較差，無法有效應對機器人在復雜環(huán)境下的非線性誤差積累，導致跟蹤精度下降。其次，現(xiàn)有的誤差補償方法主要基于靜態(tài)模型計算，難以實現(xiàn)對軌跡誤差的動態(tài)預測，即使引入基于kalman濾波的誤差估計方法，也存在對非線性誤差建模能力不足的問題。再次，視覺伺服技術雖可用于軌跡誤差修正，但現(xiàn)有技術大多采用離線標定和固定控制增益，難以實現(xiàn)實時自適應調整，導致機器人在動態(tài)環(huán)境中的軌跡跟蹤穩(wěn)定性不足。此外，當前并未形成基于智能預測模型的自學習軌跡優(yōu)化機制，現(xiàn)有方法通常依賴離線訓練的誤差預測模型，在實際運行過程中缺乏自適應能力，難以適應機器人長時間運行中的誤差變化。因此，針對以上問題，本發(fā)明提出了一種基于智能預測模型與視覺伺服誤差校正的三自由度并聯(lián)機器人軌跡跟蹤方法，通過實時數(shù)據(jù)更新智能模型、優(yōu)化前饋補償控制，實現(xiàn)更高精度的軌跡跟蹤能力，并提升機器人在復雜環(huán)境下的動態(tài)適應性。

技術實現(xiàn)思路

1、鑒于上述存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明解決的技術問題是：現(xiàn)有的機器人軌跡跟蹤方法存在對系統(tǒng)參數(shù)變化的適應性較差，難以實現(xiàn)軌跡誤差的動態(tài)預測，視覺伺服誤差校正難以自適應調整，以及如何在機器人運行過程中持續(xù)優(yōu)化控制策略，提高軌跡跟蹤精度的問題。

3、為解決上述技術問題，本發(fā)明提供如下技術方案：

4、第一方面，本發(fā)明實施例提供了一種三自由度并聯(lián)機器人軌跡跟蹤方法，包括，獲取三自由度并聯(lián)機器人執(zhí)行軌跡相關的運動數(shù)據(jù)，并進行數(shù)據(jù)預處理；

5、基于歷史運行數(shù)據(jù)，構建智能預測模型對軌跡誤差進行預測，并用于優(yōu)化軌跡跟蹤控制參數(shù)的前饋補償；

6、基于視覺傳感器獲取機器人實際執(zhí)行軌跡信息，并與期望軌跡進行誤差計算，以進行實時軌跡修正；

7、結合誤差預測數(shù)據(jù)和視覺反饋數(shù)據(jù)，動態(tài)調整控制參數(shù)；

8、在機器人運行過程中，持續(xù)優(yōu)化控制策略，并利用實時數(shù)據(jù)更新智能預測模型。

9、作為本發(fā)明所述的三自由度并聯(lián)機器人軌跡跟蹤方法的一種優(yōu)選方案，其中：所述獲取三自由度并聯(lián)機器人執(zhí)行軌跡相關的運動數(shù)據(jù)包括，關節(jié)空間數(shù)據(jù)、任務空間數(shù)據(jù)、外部環(huán)境與傳感器數(shù)據(jù)、實時軌跡誤差計算數(shù)據(jù)和機器人動力學與能耗數(shù)據(jù)；

10、所述關節(jié)空間數(shù)據(jù)，包括機器人驅動關節(jié)的關節(jié)角度、關節(jié)角速度、關節(jié)角加速度和關節(jié)驅動力；

11、所述任務空間數(shù)據(jù)，包括機器人末端執(zhí)行器的期望軌跡、初始位置、姿態(tài)、速度和加速度信息；

12、所述外部環(huán)境與傳感器數(shù)據(jù)，包括視覺傳感器采集的機器人運動圖像、慣性測量單元獲取的機器人姿態(tài)信息、力傳感器記錄的外部摩擦力數(shù)據(jù)；

13、所述實時軌跡誤差計算數(shù)據(jù)，包括機器人在運行過程中采集的實際軌跡、與期望軌跡的偏差，以及誤差變化率；

14、所述機器人動力學與能耗數(shù)據(jù)，包括機器人驅動電機功率、系統(tǒng)能耗、摩擦力補償數(shù)據(jù)。

15、作為本發(fā)明所述的三自由度并聯(lián)機器人軌跡跟蹤方法的一種優(yōu)選方案，其中：所述數(shù)據(jù)預處理包括，關節(jié)空間數(shù)據(jù)預處理，對機器人關節(jié)角度、關節(jié)角速度、關節(jié)加速度、驅動力或力矩數(shù)據(jù)進行去噪、歸一化和插值補全；

16、任務空間數(shù)據(jù)預處理，對機器人末端執(zhí)行器的位姿數(shù)據(jù)進行坐標變換、濾波降噪及運動平滑處理；

17、視覺傳感器數(shù)據(jù)預處理，對視覺傳感器采集的圖像或點云數(shù)據(jù)進行畸變矯正、特征提取及數(shù)據(jù)融合；

18、軌跡誤差數(shù)據(jù)預處理，對機器人運行過程中采集的實際軌跡數(shù)據(jù)計算誤差值及誤差變化率，并進行異常值剔除和平滑處理；

19、機器人動力學與能耗數(shù)據(jù)預處理，對機器人驅動電機功率、系統(tǒng)能耗及摩擦力補償數(shù)據(jù)進行平滑處理及優(yōu)化計算。

20、作為本發(fā)明所述的三自由度并聯(lián)機器人軌跡跟蹤方法的一種優(yōu)選方案，其中：所述智能預測模型基于歷史運行數(shù)據(jù)和當前實時數(shù)據(jù)融合，采用非線性數(shù)學建模方法對軌跡誤差進行預測，并用于優(yōu)化軌跡跟蹤控制參數(shù)的前饋補償，其中，所述智能預測模型包括：

21、關節(jié)空間誤差建模，基于機器人驅動關節(jié)的關節(jié)角度、關節(jié)角速度、關節(jié)角加速度及驅動力數(shù)據(jù)建立誤差計算模型；

22、任務空間誤差建模，基于機器人末端執(zhí)行器的位姿、速度、加速度及目標軌跡信息建立誤差計算模型；

23、動力學誤差建模，基于機器人驅動力矩、系統(tǒng)能耗及摩擦力補償數(shù)據(jù)建立誤差計算模型；

24、外部環(huán)境誤差修正，基于視覺傳感器、慣性測量單元及力傳感器數(shù)據(jù)對軌跡誤差進行估計和修正；

25、最終誤差計算，通過融合誤差建模結果，得到機器人軌跡誤差的預測值，并用于動態(tài)優(yōu)化前饋補償控制參數(shù)。

26、作為本發(fā)明所述的三自由度并聯(lián)機器人軌跡跟蹤方法的一種優(yōu)選方案，其中：所述關節(jié)空間誤差建模采用logistic函數(shù)與積分計算，通過以下數(shù)學模型對關節(jié)空間誤差進行預測：

27、；

28、其中，為關節(jié)空間誤差建模，為關節(jié)角度，為期望角度，為誤差敏感度參數(shù)，為關節(jié)角度誤差權重，為機器人關節(jié)數(shù)量；為關節(jié)編號索引；

29、所述任務空間誤差建模采用sigmoid變換與分式建模，通過以下數(shù)學模型計算任務空間誤差：

30、；

31、其中，為任務空間誤差建模，為位置誤差，為速度，為速度權重，為加速度，為加速度權重，為任務空間誤差敏感度因子，為誤差非線性調節(jié)系數(shù)，為機器人末端執(zhí)行器的自由度，為任務空間維度索引；

32、所述動力學誤差建模采用指數(shù)變換與分式計算，通過以下數(shù)學模型計算動力學誤差：

33、；

34、其中，為動力學誤差建模，為當前驅動力矩，為期望驅動力矩，為誤差敏感度因子，為動力學誤差權重，為動力學誤差建模所涉及的力矩數(shù)據(jù)維度，為動力學誤差計算涉及的力矩維度索引；

35、所述外部環(huán)境誤差修正采用傅里葉逆變換與分式計算，通過以下數(shù)學模型進行外部環(huán)境誤差修正：

36、；

37、其中，為外部環(huán)境誤差修正，為外部力傳感器數(shù)據(jù)，為慣性測量單元當前測量的數(shù)據(jù)角速度數(shù)據(jù)，為期望的角速度數(shù)據(jù)，為環(huán)境誤差調整系數(shù)，為外部環(huán)境誤差權重，為誤差調節(jié)因子，為傅里葉逆變換，為外部環(huán)境誤差建模涉及的傳感器數(shù)據(jù)維度，為傳感器數(shù)據(jù)維度索引。

38、作為本發(fā)明所述的三自由度并聯(lián)機器人軌跡跟蹤方法的一種優(yōu)選方案，其中：所述智能預測模型采用以下數(shù)學計算方法，綜合各誤差建模結果得到最終軌跡誤差預測值：

39、；

40、其中，為最終軌跡誤差預測值。

41、作為本發(fā)明所述的三自由度并聯(lián)機器人軌跡跟蹤方法的一種優(yōu)選方案，其中：所述進行實時軌跡修正包括，設機器人當前的視覺坐標為，期望軌跡的坐標為,則軌跡誤差計算公式如下：

42、；

43、其中，為位置誤差，表示當前執(zhí)行軌跡與目標軌跡之間的空間偏差，若超過設定閾值，則觸發(fā)軌跡修正；

44、對機器人軌跡進行實時修正，軌跡修正采用增量式修正策略，基于計算出的誤差,利用pid控制或模型預測控制算法調整機器人運動軌，pid控制的誤差修正計算如下：

45、；

46、；

47、；

48、其中，分別為pid控制器的比例增益、積分增益、微分增益，為軌跡修正的位移增量；

49、計算完成后，將修正后的軌跡坐標更新至機器人控制器，使機器人逐步趨近期望軌跡。

50、作為本發(fā)明所述的三自由度并聯(lián)機器人軌跡跟蹤方法的一種優(yōu)選方案，其中：所述動態(tài)調整控制參數(shù)包括，將誤差預測值和實時軌跡誤差進行數(shù)據(jù)融合，以形成綜合誤差指標；

51、數(shù)據(jù)融合采用自適應加權策略，其計算方式如下：

52、；

53、其中，和為動態(tài)調整的加權系數(shù)，基于誤差數(shù)據(jù)的置信度進行自適應優(yōu)化；

54、基于綜合誤差的大小，判斷是否需要調整軌跡跟蹤控制參數(shù)，若,保持當前控制參數(shù)不變；若,則根據(jù)誤差幅度調整控制參數(shù)。

55、作為本發(fā)明所述的三自由度并聯(lián)機器人軌跡跟蹤方法的一種優(yōu)選方案，其中：所述持續(xù)優(yōu)化控制策略包括，基于機器人運行過程中實時采集的軌跡誤差、傳感器數(shù)據(jù)及環(huán)境變量，動態(tài)調整智能預測模型的參數(shù)，使其對誤差變化趨勢進行自適應學習，并優(yōu)化預測精度；

56、根據(jù)更新后的模型優(yōu)化控制參數(shù)，使軌跡跟蹤策略具備自適應調整能力，并通過閉環(huán)反饋機制持續(xù)優(yōu)化。

57、第二方面，本發(fā)明實施例提供了一種三自由度并聯(lián)機器人軌跡跟蹤系統(tǒng)，包括：

58、數(shù)據(jù)采集與預處理模塊：獲取三自由度并聯(lián)機器人執(zhí)行軌跡相關的運動數(shù)據(jù)，并進行數(shù)據(jù)預處理；

59、智能軌跡誤差預測模塊：基于歷史運行數(shù)據(jù)，構建智能預測模型對軌跡誤差進行預測，并用于優(yōu)化軌跡跟蹤控制參數(shù)的前饋補償；

60、視覺伺服軌跡修正模塊：基于視覺傳感器獲取機器人實際執(zhí)行軌跡信息，并與期望軌跡進行誤差計算，以進行實時軌跡修正；

61、動態(tài)控制優(yōu)化模塊：結合誤差預測數(shù)據(jù)和視覺反饋數(shù)據(jù)，動態(tài)調整控制參數(shù)；

62、自學習與閉環(huán)優(yōu)化模塊：在機器人運行過程中，持續(xù)優(yōu)化控制策略，并利用實時數(shù)據(jù)更新智能預測模型。

63、本發(fā)明的有益效果：本發(fā)明在傳統(tǒng)軌跡跟蹤方法的基礎上，引入智能預測、視覺伺服、自適應控制和自學習優(yōu)化機制，解決了現(xiàn)有技術在誤差預測、動態(tài)環(huán)境適應性、控制參數(shù)優(yōu)化及長期穩(wěn)定性方面的不足，使機器人在高精度制造、精密裝配、醫(yī)療機器人及智能自動化等應用中具備更高的精度、魯棒性和能效優(yōu)勢。