一种机器人控制性能动态特性评估方法及系统

技术领域

本申请涉及机器人控制性能评估技术领域，尤其涉及一种机器人控制性能动态特性评估方法及系统。

背景技术

工业机器人在工业生产中广泛应用于焊接、检修、搬运等场景，其性能是目前行业与研究共同关注的重点。机器人控制性能是机器人性能的核心，目前评估机器人的控制性能方法主要是通过控制精度与重复性两个指标实现。然而，机器人的控制精度与重复度是通过对机器人的控制误差统计获得，标量化的指标只能反应性能好坏的程度，无法反应机器人在运动中误差变化的过程及其差异。机器人运动过程中的控制误差变化过程是机器人控制性能的动态特性，是机器人控制器性能的重要体现之一，其影响因素主要包括环境因素、机器人本体及机器人控制器路径规划能力。因此，对机器人控制性能的动态特性进行评估对分析机器人控制器精确性、轨迹规划可靠性和本体组装对性能的影响具有重要意义。尽管控制性能动态特性的评估具有重要的应用价值，但是目前还缺乏历史数据驱动的机器人控制系统动态特性的评估方法。

发明内容

本申请实施例提供了一种机器人控制性能动态特性评估方法及系统，以至少通过本发明解决了无法反应机器人在运动中误差变化过程及其差异、缺乏历史数据驱动的机器人控制系统动态特性的评估方法等问题。

本发明提供了一种机器人控制性能动态特性评估方法，包括：

机器人控制误差数据集获得步骤：采集机器人的运动轨迹数据，根据所述运动轨迹数据计算获得机器人控制误差数据集；

聚类集合获得步骤：通过聚类算法对所述机器人控制误差数据集进行多次聚类，获得聚类集合；

数据模型构建步骤：根据所述聚类集合，通过特性融合确定机器人状态样本集合，通过所述机器人状态样本集合，将所述机器人控制误差数据集转化为状态序列，根据所述状态序列构建数据模型；

机器人控制性能动态特性评估步骤：根据所述数学模型，通过欧氏距离计算获得机器人控制性能多状态特性差异，根据所述机器人控制性能多状态特性差异，对机器人控制性能进行评估。

上述的机器人控制性能动态特性评估方法，其中，所述机器人控制误差数据集获得步骤包括：

根据预设任务轨迹使所述机器人进行重复运动，并采集每一次的运动数据，获得所述运动轨迹数据。

上述的机器人控制性能动态特性评估方法，其中，所述机器人控制误差数据集获得步骤还包括：

根据所述运动轨迹数据，通过公式计算获得所述机器人控制误差数据集。

上述的机器人控制性能动态特性评估方法，其中，所述数据模型构建步骤包括：

通过所述机器人状态样本集合，对所述运动轨迹数据划分隶属状态，获得所述机器人状态样本集合与所述运动轨迹数据的隶属关系。

上述的机器人控制性能动态特性评估方法，其中，所述数据模型构建步骤还包括：

根据所述隶属关系，将所述机器人控制误差数据集离散为所述状态序列。

上述的机器人控制性能动态特性评估方法，其中，所述机器人控制性能评估步骤包括：

所述数学模型包括所述机器人运动过程中的多个状态概率、多个状态之间的多个移动概率及多个机器人静态误差。

上述的机器人控制性能动态特性评估方法，其中，所述机器人控制性能评估步骤还包括：

根据所述机器人静态误差，通过所述欧氏距离计算获得机器人控制性能静态特性差异。

上述的机器人控制性能动态特性评估方法，其中，所述机器人控制性能评估步骤还包括：

根据所述状态概率与所述移动概率，通过所述欧氏距离计算获得机器人控制性能动态特性差异。

上述的机器人控制性能动态特性评估方法，其中，所述机器人控制性能评估步骤还包括：

根据所述机器人控制性能多状态特性差异，对机器人控制性能进行评估，获得机器人控制性能评估结果。

本发明还提供一种机器人控制性能动态特性评估系统，所述机器人控制性能动态特性评估系统包括：

机器人控制误差数据集获得单元：采集机器人的运动轨迹数据，根据所述运动轨迹数据计算获得机器人控制误差数据集；

聚类集合获得单元：通过聚类算法对所述机器人控制误差数据集进行多次聚类，获得聚类集合；

数据模型构建单元：根据所述聚类集合，通过特性融合确定机器人状态样本集合，通过所述机器人状态样本集合，将所述机器人控制误差数据集转化为状态序列，根据所述状态序列构建数据模型；

机器人控制性能动态特性评估单元：根据所述数学模型，通过欧氏距离计算获得机器人控制性能多状态特性差异，根据所述机器人控制性能多状态特性差异，对机器人控制性能进行评估。

相比于相关技术，本发明提出的一种机器人控制性能动态特性评估方法及系统，通过多维度约束条件的聚类算法对误差数据进行聚类，生成在控制精度和方向上均具有典型特征的数据集合作为机器人的状态集合样本数据后，利用状态集合样本数据实现对机器人连续运动轨迹的状态离散化，获得运动的状态序列，这一方面实现了数据降维，降低了运算过程中的计算成本，另一方面将机器人在运动过程中的动态变化过程抽象为状态之间的变换过程，为建立数据提供了基础；通过机器人状态序列构建了机器人控制性能动态特性的数学模型，上述数学模型不仅描述了机器人运动过程中控制精度还描述了机器人在运动过程中控制性能的波动变化，这是现有方法如精度指标等所不能实现的，此外，通过概率与误差相结合的数学模型不仅深入描述机器人性能，还实现了对机器人数据的降维处理，为机器人性能的存储、分析和比较提供了良好的基础；通过性能和欧式距离结合直接对性能之间的差异进行表示，简洁方便的同时深入的将机器人性能波动变换的差异进行了比较，为分析机器人在运动过程中控制精度的变化提供了有效工具，且将性能比较转化为模型之间的直接运算，为分析机器人控制性能的静态特性、动态特性和整体差异提供了基础。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的机器人控制性能评估方法流程图；

图2是根据本申请实施例的机器人控制性能动态特性的评估方法流程图；

图3是本发明的机器人控制性能评估系统的结构示意图。

其中，附图标记为：

机器人控制误差数据集获得单元：51；

类集合获得单元：52；

数据模型构建单元：53；

机器人控制性能动态特性评估单元：54。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本发明提供了一种机器人控制性能动态特性评估方法及系统，本发明基于机器人的轨迹控制误差，通过控制误差在笛卡尔空间中的方向与大小划分状态集合，通过概率模型对机器人在运动过程中的状态变换进行建模，最终获得表示机器人运动变化过程及幅度的数学模型，通过机器人控制性能动态特性数学模型，在明确参考对象的前提下利用欧式距离计算模型之间的差异，从而时间机器人控制性能动态特性的评估。

下面结合具体实施例对本发明进行说明。

实施例一

本实施例还提供了一种机器人控制性能动态特性评估方法。请参照图1至图2，图1是根据本申请实施例的机器人控制性能评估方法流程图；图2是根据本申请实施例的机器人控制性能动态特性的评估方法流程图。如图1至图2所示，机器人控制性能动态特性评估方法包括：

机器人控制误差数据集获得步骤S1：采集机器人的运动轨迹数据，根据运动轨迹数据计算获得机器人控制误差数据集；

聚类集合获得步骤S2：通过聚类算法对机器人控制误差数据集进行多次聚类，获得聚类集合；

数据模型构建步骤S3：根据聚类集合，通过特性融合确定机器人状态样本集合，通过机器人状态样本集合，将机器人控制误差数据集转化为状态序列，根据状态序列构建数据模型；

机器人控制性能动态特性评估步骤S4：根据数学模型，通过欧氏距离计算获得机器人控制性能多状态特性差异，根据机器人控制性能多状态特性差异，对机器人控制性能进行评估。

在实施例中，机器人控制误差数据集获得步骤S1包括：

根据预设任务轨迹使机器人进行重复运动，并采集每一次的运动数据，获得运动轨迹数据。

根据运动轨迹数据，通过公式计算获得机器人控制误差数据集。

在具体实施例中，根据预设任务轨迹使机器人进行重复运动，并采集每一次的运动数据，获得运动轨迹数据后，根据运动轨迹数据通过公式计算获得机器人控制误差数据集；详细的为，首先让机器人在相同速度及负重条件下，按照给定的任务轨迹进行重复运动，采集每一次的运动数据，从而获得输入数据集即运动轨迹数据。通过运动轨迹数据计算获得每一次运动的机器人控制误差数据集ε＝{E

ε:＝R

其中，收集的运动轨迹数据包括，机器人笛卡尔空间中的命令轨迹数据R

在实施例中，聚类集合获得步骤S2包括：

通过聚类算法对机器人控制误差数据集进行多次聚类，获得聚类集合。

具体实施例中，通过聚类算法对机器人控制误差数据集进行多次聚类获得聚类集合；详细的为，基于数据集E,利用k均值算法对数据集合进行两次聚类，获得表示机器人控制性能程度与方向的聚类集合；

其中，聚类的目的是分别提取出机器人控制过程中控制误差与控制偏离方向的特性；

其中，两次聚类的成本函数分别为欧拉距离和余弦相似度，欧拉距离为约束条件的聚类结果定义为A＝{a

在实施例中，数据模型构建步骤S3包括：

通过机器人状态样本集合，对运动轨迹数据划分隶属状态，获得机器人状态样本集合与运动轨迹数据的隶属关系；

根据所述隶属关系，将所述机器人控制误差数据集离散为所述状态序列。

在具体实施例中，根据聚类集合通过特性融合确定机器人状态样本集合，通过机器人状态样本集合，对运动轨迹数据划分隶属状态，获得机器人状态样本集合与运动轨迹数据的隶属关系后，根据隶属关系，将机器人控制误差数据集离散为状态序列，根据状态序列构建数据模型；

详细的为，首先，利用欧拉距离为约束条件的聚类结果和余弦距离聚类结果确定机器人状态样本集合C，划分机器人的性能状态；

其中个，利用欧拉距离为约束条件的聚类结果和余弦距离聚类结果确定机器人状态样本集合即集合C，详细的为，首先将欧拉距离为约束条件的聚类结果即集合A和余弦距离聚类结果即集合B进行求交集后，针对余弦距离聚类结果所代表的典型方向上的交集集合按照如下规则进行合并，获得最终的状态样本集合；

其中，s为单个轨迹点，ε

其次，根据机器人轨迹数据与机器人状态样本集合即集合C的隶属关系将误差数据离散为状态序列R＝{r

其中，P＝{p

其中，q

其中个，f

在实施例中，机器人控制性能评估步骤S4包括：

数学模型包括机器人运动过程中的多个状态概率、多个状态之间的多个移动概率及多个机器人静态误差；

根据机器人静态误差，通过欧氏距离计算获得机器人控制性能静态特性差异；

根据状态概率与移动概率，通过欧氏距离计算获得机器人控制性能动态特性差异；

根据机器人控制性能多状态特性差异，对机器人控制性能进行评估，获得机器人控制性能评估结果。

在具体实施例中，数学模型包括机器人运动过程中的多个状态概率、多个状态之间的多个移动概率及多个机器人静态误差；根据机器人静态误差，通过欧氏距离计算获得机器人控制性能静态特性差异；

根据状态概率与移动概率，通过欧氏距离计算获得机器人控制性能动态特性差异；根据机器人控制性能多状态特性差异，对机器人控制性能进行评估，获得机器人控制性能评估结果；详细的为，基于机器人控制性能动态特性的数学模型，利用欧式距离评估机器人控制性能动态特性之间的差异，对于机器人控制性能的静态差异由X的欧氏距离进行表示，如两个机器人静态误差大小向量分别为X

机器人控制性能动态特性之间的差异由Q和P的欧式距离进行表示，如两个机器人控制性能的动态特性差异

实施例四

本实施例还提供了一种机器人控制性能动态特性评估系统。图3是本发明的机器人控制性能评估系统的结构示意图。如图3所示，发明的一种机器人控制性能动态特性评估系统，适用于上述的一种机器人控制性能动态特性评估方法，一种机器人控制性能动态特性评估系统包括：

机器人控制误差数据集获得单元51：采集机器人的运动轨迹数据，根据运动轨迹数据计算获得机器人控制误差数据集；

聚类集合获得单元52：通过聚类算法对机器人控制误差数据集进行多次聚类，获得聚类集合；

数据模型构建单元53：根据聚类集合，通过特性融合确定机器人状态样本集合，通过机器人状态样本集合，将机器人控制误差数据集转化为状态序列，根据状态序列构建数据模型；

机器人控制性能动态特性评估单元54：根据数学模型，通过欧氏距离计算获得机器人控制性能多状态特性差异，根据机器人控制性能多状态特性差异，对机器人控制性能进行评估。

综上所述，本发明涉及一种机器人控制性能动态特性评估方法及系统，本发明将机器人在相同轨迹下不同运动过程中控制性能随运动变化的规律进行了提取，建模、比较和评估，这为优化机器人的控制器，提升机器人的轨迹规划能力提供了基础。本发明实现了机器人连续运动估计状态离散化的功能，这实现了机器人在运动过程中控制性能动态特性的提取并降低了数据的维度，从而降低了后续分析的计算成本。动态特性的提取为分析机器人的控制器特性提供了强有力的基础，这是现有评估指标如国标，评估方法如层次分析法等所不具备的能力。本发明通过概率的形式对机器人不同状态之间的变换过程进行了描述，结合向量表示的机器人状态序列，整个机器人在运动过程中控制性能的动态特性被准确描述。此外，将连续的运动过程进行定量表示为分析运动过程提供了基础。本发明实现了机器人在动态特性差异的分析，这为分析机器人运动重复性与轨迹规划能力的可靠性提供了数学基础，并且上述能力是现有评估方法如层次分析法、模糊逻辑法等方法所不能实现的。评价结果对机器人后续的控制器优化具有指导意义，在机器人设计和版本更新过程中具有重要的应用价值。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求的保护范围为准。