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！

龙图腾网恭喜浙江工业大学申请的专利一种参数自学习的机器人柔顺控制方法、系统及装置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：CN119369424B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202411978778.X，技术领域涉及：B25J9/16；该发明授权一种参数自学习的机器人柔顺控制方法、系统及装置是由董辉;李阳;吴祥;金哲豪;梁定坤;陈积明;高山设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种参数自学习的机器人柔顺控制方法、系统及装置在说明书摘要公布了：本发明属于机器人控制领域，具体涉及一种参数自学习的机器人柔顺控制方法、系统及装置。方法包括构建机器人的关节动力学模型与关节阻抗控制模型，获得机器人的未知动态模型；构建与机器人的未知动态模型结构一致的高斯过程，记为结构一致性高斯过程；基于数据优化方法构建训练集，利用训练集离线训练结构一致性高斯过程的超参数；实时观测机器人状态，通过结构一致性高斯过程在线预测机器人的未知动态模型，输出未知动态模型高斯预测值；根据未知动态模型高斯预测值，通过机器人的关节阻抗控制器输出控制力矩并发送给机器人；判断机器人是否到达期望位置，若到达，则结束；否则继续观测机器人状态。本发明实现机器人高精度控制。

本发明授权一种参数自学习的机器人柔顺控制方法、系统及装置在权利要求书中公布了：1.一种参数自学习的机器人柔顺控制方法，其特征在于，所述参数自学习的机器人柔顺控制方法，包括：构建机器人的关节动力学模型与关节阻抗控制模型，获得机器人的未知动态模型；构建与机器人的未知动态模型结构一致的高斯过程，记为结构一致性高斯过程；基于数据优化方法构建训练集，利用训练集离线训练结构一致性高斯过程的超参数；实时观测机器人状态，通过结构一致性高斯过程在线预测机器人的未知动态模型，输出未知动态模型高斯预测值；根据未知动态模型高斯预测值，通过机器人的关节阻抗控制器输出控制力矩并发送给机器人；判断机器人是否到达期望位置，若到达，则结束；否则继续观测机器人状态；其中，所述与机器人的未知动态模型结构一致的高斯过程，构建如下：由于机器人的未知动态模型中的惯性力、科氏力和摩擦力均为维，于是设计个独立的高斯过程分别预测的各个维度；定义参数、参数和参数，设置分别服从以下高斯分布： ；式中，表示高斯分布，表示矩阵的转置操作，表示机器人关节的位置，表示机器人关节的速度，为机器人关节的期望速度，为机器人关节的期望加速度，表示方差，、和分别表示对应于惯性力、科氏力和摩擦力并来自于训练集的输入，表示未知动态模型中惯性力的方差，表示未知动态模型中科氏力的方差，表示未知动态模型中摩擦力的方差，表示为： ；式中，表示期望值，表示均值；令惯性力、科氏力和摩擦力每项之间是相互独立的，即三项之间的协方差均为0： ；式中，表示协方差，则补偿项的方差函数为： ；式中，和分别表示实际值输入和来自训练集的未知动态模型的输入；同理，分别为： ；于是，对于先验可得联合概率分布如下： ；式中，表示概率，表示未知动态模型的惯性力先验，表示未知动态模型的科氏力先验，表示未知动态模型的摩擦力先验，为惯性力先验的均值，表示科氏力先验的均值，表示摩擦力先验的均值，表示训练集，表示输出，表示高斯分布，表示机器人的位置数据长度，，和分别表示对应于惯性力、科氏力和摩擦力的先验核函数值，，，分别表示对应于惯性力、科氏力和摩擦力的核函数向量，表示核函数矩阵，表示噪声方差，表示单位阵，，，表示训练集中第个数据，表示对应的核函数值，表示训练集，于是： ；式中，表示未知动态模型中惯性力的高斯预测值，表示未知动态模型中科氏力的高斯预测值，表示未知动态模型中摩擦力的高斯预测值，表示联合方差，其中： ；于是，对于未知动态模型，其高斯过程预测为： ；式中，表示未知动态模型高斯预测值，表示未知动态模型高斯预测方差；并且针对惯性力、科氏力和摩擦力分别设计相应的核函数如下： ； ； ；式中，、、、、和均表示中间变量，表示指数函数，、和表示惯性力对应的核函数的超参数，、和表示科氏力对应的核函数的超参数，、和表示摩擦力对应的核函数的超参数。

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工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18号；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”。