基于SSA-LSTM神经网络模型的动力学模型误差补偿方法

本发明公开了基于SSA‑LSTM神经网络模型的动力学模型误差补偿方法，涉及机器人技术领域，包括根据机器人结构采用牛顿‑欧拉法或拉格朗日法建立机器人预先的未补偿动力学模型，得到在最小惯量参数集下的预测输出力矩；用未补偿动力学模型对原始位移、速度、加速度数据计算出未经补偿的预测力矩。本发明通过通过物理先验和序列残差学习，实现以物理动力学模型输出作为网络输入的一部分，减少数据需求并提升对可解释物理分量的保持，同时解决了非解析项的补偿难题，加快收敛、提高泛化性与物理一致性，在有限试验数据条件下仍能获得更低残差与更稳定的在线补偿性能，增强控制鲁棒性。