(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211004966.3 (22)申请日 2022.08.22 (71)申请人 桂林电子科技大 学 地址 541004 广西壮 族自治区桂林市七 星 区金鸡路1号 (72)发明人 党选举　林智武　原翰玫　李晓　 伍锡如　张向文　张斌　季运佳　 邹水中　 (74)专利代理 机构 桂林市持衡专利商标事务所 有限公司 45107 专利代理师 陈跃琳 (51)Int.Cl. B25J 9/16(2006.01) (54)发明名称 前馈补偿与变阻尼建模相融合的力阻抗控 制方法 (57)摘要 本发明公开一种前馈补偿与变阻尼建模相 融合的力阻抗控制方法， 在位置阻抗控制框架 下， 将自适应前馈PI补偿与 深度神经网络变阻尼 模型融合， 其中自适应PI控制通过前馈控制， 有 效补偿参考位置信息， 降低力稳态误差； 深度神 经网络变阻尼模 型在线实时调整阻尼系数， 以动 态适应未知的接触环境， 实现接触力的有效控 制。 权利要求书2页 说明书9页 附图2页 CN 115229798 A 2022.10.25 CN 115229798 A 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权　利　要　求　书 1/2 页 2 CN 115229798 A 2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。权　利　要　求　书 2/2 页 3 CN 115229798 A 3