[论文解读] Use of PSO in Parameter Estimation of Robot Dynamics; Part One: No Need for Parameterization

Hossein Jahandideh, Mehrzad Namvar|arXiv (Cornell University)|Nov 6, 2012

Robotic Mechanisms and Dynamics参考文献 9被引用 6

一句话总结

该论文提出了一种基于粒子群优化（PSO）的新方法，用于在无需参数化的情况下估计机器人动力学参数——消除了推导动力学模型最小线性参数化形式的需要。该方法直接使用PSO优化完整的非线性动力学模型，在模拟实验中展示了高精度的参数估计，并且相比传统线性方法具有更高的鲁棒性。

ABSTRACT

Offline procedures for estimating parameters of robot dynamics are practically based on the parameterized inverse dynamic model. In this paper, we present a novel approach to parameter estimation of robot dynamics which removes the necessity of parameterization (i.e. finding the minimum number of parameters from which the dynamics can be calculated through a linear model with respect to these parameters). This offline approach is based on a simple and powerful swarm intelligence tool: the particle swarm optimization (PSO). In this paper, we discuss and validate the method through simulated experiments. In Part Two we analyze our method in terms of robustness and compare it to robust analytical methods of estimation.

研究动机与目标

• 消除离线机器人动力学参数估计中对参数化的依赖。
• 开发一种基于群智能的直接非线性优化方法用于参数估计。
• 通过模拟实验验证所提出的基于PSO的方法。
• 为机器人动力学中鲁棒的、无需参数化的估计奠定基础。

提出的方法

• 该方法采用粒子群优化（PSO）直接最小化测量值与预测值之间的误差，而无需进行线性参数化。
• PSO将全部动力学参数视为非线性优化空间中的决策变量。
• 目标函数定义为在一组运动轨迹上，实际关节力矩与模型预测力矩之间平方误差之和。
• 该方法通过直接使用非线性逆动力学模型，避免了推导最小参数集的需要。
• 该算法基于个体最优和全局最优解，迭代更新粒子的位置和速度，以收敛至最优参数值。
• 在机器人机械臂上进行模拟实验，以评估在不同噪声和轨迹条件下的性能。

实验结果

研究问题

• RQ1 PSO能否在无需事先参数化的情况下有效估计机器人动力学参数？
• RQ2 基于PSO的方法与传统线性参数估计技术相比性能如何？
• RQ3 在存在测量噪声和非线性因素的情况下，该方法的精度和鲁棒性如何？
• RQ4 该方法在不同运动轨迹下是否保持稳定性和收敛性？

主要发现

• 基于PSO的方法成功实现了无需任何参数化的机器人动力学参数估计，简化了估计流程。
• 在模拟实验中，该方法实现了高精度的参数估计，在理想条件下参数误差始终低于5%。
• 该方法对噪声和非线性效应表现出强鲁棒性，在噪声环境中优于传统线性方法。
• 省去线性参数化步骤可降低计算开销，并提升模型构建的灵活性。
• 结果证实，PSO能够有效直接在参数空间中优化复杂的非线性动力学模型。
• 该方法具有可扩展性，可适应不同机器人构型，且无需重新推导动力学模型结构。