买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江大学;余姚市机器人研究中心申请的专利基于最大似然估计的复合机器人动力学全参数辨识方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116719234B 。

龙图腾网通过国家知识产权局官网在2026-04-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310626280.6，技术领域涉及：G05B13/04；该发明授权基于最大似然估计的复合机器人动力学全参数辨识方法是由李小飞;王进;张海运;陆国栋设计研发完成，并于2023-05-30向国家知识产权局提交的专利申请。

本基于最大似然估计的复合机器人动力学全参数辨识方法在说明书摘要公布了：本发明属于机器人模型辨识领域，涉及一种基于最大似然估计的复合机器人动力学全参数辨识方法，包括以下步骤：步骤一：基于拉格朗日方程构建复合机器人的全参数线性化的动力学模型；步骤二：基于周期性傅立叶级数激励轨迹和测量噪声分布特性设计复合机器人动力学全参数的最大似然估计算法；步骤三：利用最大似然估计算法协方差的费歇耳信息矩阵设计复合机器人激励轨迹的参数优化模型，通过最小化协方差矩阵的渐进收敛域得到复合机器人最优的激励轨迹，实现复合机器人高精度动力学全参数辨识。本发明的方法能够提升复合机器人动力学模型辨识的准确性和鲁棒性。

本发明授权基于最大似然估计的复合机器人动力学全参数辨识方法在权利要求书中公布了：1.一种基于最大似然估计的复合机器人动力学全参数辨识方法，其特征在于，包括以下步骤： 步骤一：基于拉格朗日方程构建复合机器人的全参数线性化的动力学模型； 步骤二：基于周期性傅立叶级数激励轨迹和测量噪声分布特性设计复合机器人动力学全参数的最大似然估计算法； 步骤三：利用最大似然估计算法协方差的费歇耳信息矩阵设计复合机器人激励轨迹的参数优化模型，通过最小化协方差矩阵的渐进收敛域得到复合机器人最优的激励轨迹，实现复合机器人动力学全参数辨识； 所述步骤一包括以下子步骤： 步骤1.1：构建复合机器人动力学的拉格朗日方程，具体表达式为： 公式1中是复合机器人广义关节空间坐标，其中表示操作臂的各关节转角，表示移动平台在世界坐标系内的位置与旋转角度；表示操作臂关节坐标系相对于世界坐标系的齐次转换矩阵，和分别表示操作臂连杆的伪惯量矩阵与质量，表示重力加速度向量，且表示操作臂连杆相对于其关节坐标系的重心位置；和分别代表移动平台的质量和转动惯量；代表矩阵的迹算子；，其中是关节坐标的函数矩阵，是运动学参数的常系数矩阵，表示移动平台坐标系相对其驱动轮坐标系的位置参数，表示操作臂连杆的长度、扭角和关节偏置，由此得到复合机器人动力学模型的全参数项为、、、，即包含运动学几何参数和质量惯性参数的组合项； 步骤1.2：基于所构建的拉格朗日方程推导得到复合机器人全参数线性化的动力学模型，具体过程如下： 对公式1进行推导，得到表达式如下： ， 公式2中，代表拉格朗日线性化方程与操作臂连杆相关的项数，函数；代表操作臂连杆的质量惯性参数，其中代表连杆的惯量矩向量；代表运动学几何参数，全参数组合项；，； 定义函数向量，定义动力学全参数组合向量，构建得到复合机器人全参数线性化的动力学模型如下： ， 公式3中表示复合机器人驱动力矩，代表操作臂各关节驱动力矩，代表移动平台沿世界坐标系平移轴、方向的驱动力和旋转轴方向的驱动力矩；关节的观测向量，连杆的动力学全参数，其中是关节的转动惯量、粘滞摩擦和库仑摩擦系数；是移动平台动力学观测矩阵，；代表移动平台动力学参数，其中分别是沿平移轴、和旋转轴方向的粘滞摩擦及库仑摩擦系数； 其中，是复合机器人全参数线性化的动力学模型的观测矩阵，是其待辨识的未知参数； 步骤1.3：消除动力学模型不可辨识的动力学参数，完成动力学基底参数建模，具体过程如下： 通过随机采样计算动力学回归矩阵并删除其零元素列得到、，其中是随机采样数且满足、； 采用奇异值分解，其中和分别代表单位正交右奇异矩阵和左奇异矩阵，奇异值矩阵仅主对角线有非零元素且对角矩阵表示矩阵的秩为，对角元素且常数；子矩阵、；易知零元素列对应不可辨识的动力学参数，零元素列对应可独立辨识的动力学参数，剩余的即为仅可组合辨识的参数； 从矩阵中逆行序挑选出正则矩阵及其对应的仅可组合辨识参数集，设计置换矩阵满足、，由得到，则最终建模： ， 公式4中是动力学模型的基底参数集，是其对应的动力学观测矩阵；和分别是由中与、对应列所组成的子矩阵。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学;余姚市机器人研究中心，其通讯地址为：315400 浙江省宁波市余姚市凤山街道冶山路479号科创大厦12楼；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。