(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 202210422569.1 (22)申请日 2022.04.21 (71)申请人 无锡斯帝尔科技有限公司 地址 214000 江苏省无锡市新吴区南丰 工 业园南新一路1号2栋 (72)发明人 王红波　 (74)专利代理 机构 无锡苏元专利代理事务所 (普通合伙) 32471 专利代理师 吴忠义 (51)Int.Cl. B25J 9/16(2006.01) B25J 11/00(2006.01) (54)发明名称 一种用于打磨机器人的柔性恒力控制方法 及系统 (57)摘要 本发明提供了一种用于打磨机器人的柔性 恒力控制方法及系统， 所述方法应用于人工智能 领域， 其中， 所述方法包括： 获取第一打磨机器人 的第一打磨信息； 根据第一打磨信息获得恒力补 偿信息； 对第一打磨机器人进行打磨恒力补偿调 整， 并进行姿态检测， 获得第一姿态信息； 构建姿 态平衡补偿状态空间； 获取多种姿态补偿行为信 息； 构建姿态补偿优化适应度， 在多种姿态补偿 行为信息内进行优化； 采用最优姿态补偿行为信 息进行姿态平衡补偿进行打磨， 且将补偿后的姿 态信息作为下次进行姿态平衡补偿的初始姿态 信息。 达到了提高打磨机器人的控制精度与生产 工件质量， 降低打磨工序中的安全问题发生概 率， 实现精准控制的技 术效果。 权利要求书3页 说明书14页 附图4页 CN 114800500 A 2022.07.29 CN 114800500 A 1.一种用于打磨机器人的柔性恒力控制方法， 其特征在于， 所述方法应用于一用于打 磨机器人 的柔性恒力控制系统， 所述系统包括恒力补偿模块和九轴姿态补偿模块， 所述方 法包括： 通过所述恒力补偿模块， 检测获取第一打磨机器人 所要进行打磨的第一打磨信息； 将所述第一打磨信息 输入恒力补偿分析模型， 获得恒力补偿信息； 采用所述恒力补偿信 息对所述第 一打磨机器人进行打磨恒力补偿调 整， 并检测所述第 一打磨机器人的姿态， 获得第一姿态信息； 根据所述第一姿态信息， 构建姿态 平衡补偿状态空间； 在所述姿态 平衡补偿状态空间内， 获取多种姿态补偿行为信息； 构建姿态补偿优化适应度， 在多种所述姿态补偿行为信息内进行优化， 获得最优姿态 补偿行为信息； 采用所述最优姿态补偿行为信息进行姿态平衡补偿， 并进行打磨， 且将补偿后的姿态 信息作为下次进行姿态 平衡补偿的初始姿态信息 。 2.根据权利要求1所述的方法， 其特征在于， 所述将所述第 一打磨信 息输入恒力补偿分 析模型， 包括： 采集获取第 一打磨场景信 息， 其中， 所述第一打磨场景信 息内包括多种打磨信 息， 所述 第一打磨信息包括于多种所述打磨信息内； 基于神经网络模型， 根据所述第一打磨场景信息构建所述恒力补偿分析模型； 将所述第一打磨信息 输入所述恒力补偿分析模型， 获得第一输出 结果； 根据所述第一输出 结果， 获得 前馈恒力补偿信息和反馈恒力补偿信息； 将所述前馈恒力补偿信息和所述反馈恒力补偿信息作为所述恒力补偿信息 。 3.根据权利要求2所述的方法， 其特征在于， 所述基于神经网络模型， 根据所述第一打 磨场景信息构建所述恒力补偿分析模型， 包括： 基于神经网络模型， 构建所述恒力补偿分析模型的输入层、 隐藏层和输出层， 其中所述 隐藏层包括前馈恒力补偿分析网络和反馈恒力补偿分析网络； 采集获取多组前馈恒力补偿数据， 其中， 每组所述前馈恒力补偿数据均包括打磨信 息、 初始打磨恒力 信息、 前馈恒力补偿信息和调整打磨恒力 信息； 对多组所述前馈恒力补偿数据进行划分和标识， 对所述前馈恒力补偿分析网络进行监 督训练、 验证和 测试， 直到所述前馈恒力补偿分析网络的准确率达 到预设要求； 采集获取多组反馈恒力补偿数据， 其中， 每组所述反馈恒力补偿数据均包括打磨信 息、 调整打磨恒力 信息和反馈恒力补偿信息； 对多组所述反馈恒力补偿数据进行划分和标识， 对所述反馈恒力补偿分析网络进行监 督训练、 验证和 测试， 直到所述反馈恒力补偿分析网络的准确率达 到预设要求； 全连接所述前馈恒力补偿分析网络和所述反馈恒力补偿分析网络， 并进行 联合训练； 获得所述恒力补偿分析模型。 4.根据权利要求1或2所述的方法， 其特征在于， 所述检测所述第一打磨机器人的姿态， 包括： 通过所述九轴 姿态补偿模块采集获取所述第 一打磨机器人的多维度姿态信 息集合， 其 中， 所述多维度姿态信息集合包括三轴加速度姿态信息集合、 三轴角速度姿态信息集合和权　利　要　求　书 1/3 页 2 CN 114800500 A 2三轴角运动姿态信息集 合； 对所述多维度姿态信息集 合进行融合降维， 获得 所述第一姿态信息 。 5.根据权利要求4所述的方法， 其特征在于， 所述对所述多维度姿态信 息集合进行融合 降维， 包括： 对所述多维度姿态信息集 合进行去中心化处 理， 获得特征数据集； 计算获得 所述特征数据集的协方差矩阵； 对所述协方差矩阵进行运 算， 获得所述协方差矩阵的特 征值和特 征向量； 将所述多维度姿态信息集 合投影至所述特 征向量上， 获得降维数据集； 将所述降维数据集作为所述第一姿态信息 。 6.根据权利要求1或2所述的方法， 其特 征在于， 所述构建姿态补偿优化 适应度， 包括： 采集获取不同所述姿态补偿行为信息进行姿态 平衡补偿后的第二姿态信息； 采集获取不同所述姿态补偿行为信息进行姿态平衡补偿后对所述第一打磨机器人的 恒力控制影响信息； 根据对打磨影响的严重程度， 对所述第 二姿态信 息和所述恒力控制影响信 息进行权重 分配， 获得权 重分配结果； 将所述第二姿态信 息、 所述恒力控制影响信 息和所述权重分配结果作为所述优化适应 度。 7.根据权利要求6所述的方法， 其特征在于， 所述在多种所述姿态补偿行为信 息内进行 优化， 包括： 从多种所述姿态补偿行为信 息内随机选择一姿态补偿行为信 息， 作为第 一姿态补偿行 为信息， 并作为 最优解； 根据所述优化 适应度， 计算所述第一姿态补偿行为信息的适应度， 获得第一 适应度； 从多种所述姿态补偿行为信 息内随机选择一姿态补偿行为信 息， 作为第 二姿态补偿行 为信息； 根据所述优化 适应度， 计算所述第二姿态补偿行为信息的适应度， 获得第二 适应度； 若所述第二适应度大于所述第 一适应度， 则将所述第 二姿态补偿行为信 息替代所述第 一姿态补偿行为信息， 作为所述 最优解； 以及， 若所述第二适应度小于所述第一适应度， 则按照概率将所述第二姿态补偿行为 信息替代所述第一姿态补偿行为信息， 作为所述 最优解， 所述 概率由下式计算： 其中， r2为第二适应度， r1为第一适应度， k 为优化速度因子； 若所述最优解在阈值 次数的迭代优化中未变化， 则将所述最优解输出， 或者， 或迭代优 化达到预设次数， 则将所述 最优解输出， 获得 所述最优姿态补偿行为信息 。 8.一种用于打磨机器人的柔 性恒力控制系统， 其特 征在于， 所述系统包括： 第一检测单元， 所述第一检测单元用于通过恒力补偿模块， 检测获取第一打磨机器人 所要进行打磨的第一打磨信息； 第一获得单元， 所述第一获得单元用于将所述第一打磨信息输入恒力补偿分析模型， 获得恒力补偿信息；权　利　要　求　书 2/3 页 3 CN 114800500 A 3