一种模型与数据驱动融合的机械臂重力补偿算法

本发明提出一种模型与数据驱动融合的机械臂重力补偿算法，旨在提升模型不确定性所导致的机械臂重力补偿精度较差的问题。该算法首先建立静力学方程，其次通过贝叶斯神经网络(BNN)对多数据进行训练，生成预测扭矩及标准，随后，通过贝叶斯融合方法，根据标准差将模型计算结果与神经网络拟合结果进行贝叶斯融合，生成融合估计扭矩。为解决数据驱动模型在未见场景下泛化能力不足的问题，算法利用基于物理模型作为约束条件，限定融合扭矩的范围，降低因模型泛化不足导致的高偏差，进而保证稳定性。与传统建模方法相比，该融合策略结合物理约束与数据驱动的自适应性，有效降低建模误差对控制精度的影响，显著提高重力补偿的精度和鲁棒性。