CN104758096A - 一种对假肢目标空间定位精度矫正的方法 - Google Patents

Abstract

本发明公开了一种对假肢目标空间定位精度矫正的方法，它首先利用实现多自由度假肢对随机目标进行空间定位的方法对一系列目标进行初步定位，得到一系列目标点位置的集合，将该集合留作人工神经网络的训练输入样本集；然后人工借助测量工具，精确测得一系列目标实际的三维坐标值的集合，将该实际的三维坐标值集合留作人工神经网络的训练目标样本集，建立一种人工神经网络，经过充分训练后，使其输出值逼近目标的真实值；这样，当对网络输入训练输入样本集及其附近的参数时，该人工神经网络的实际输出就会逼近真实值，该人工神经网络即成多自由度上肢假肢或机器人对随机目标进行空间定位的精度矫正模型，从而对目标定位精度进行有效矫正。

Description

一种对假肢目标空间定位精度矫正的方法

技术领域

本发明涉及肩离断型残疾人上肢假肢，尤其涉及该假肢对其随机目标进行空间定位的精度矫正方法。

背景技术

在申请人的发明专利“实现多自由度假肢对随机目标进行空间定位的方法”(ZL201010280508.3)中，公开了一种对用在非结构化环境中的“肩离断”型残疾人上肢假肢，尤其是可实现代偿功能的多自由度上肢假肢的对随机操作目标空间定位的方法。该方法在使用中发现，对某目标进行初步定位时，会得到其三维的坐标值p＝[p_x p_y p_z]^T，因为对佩带者身材不同和身体结构尺寸测量的误差、传感器安装位置存在的误差等，p的坐标值往往与真实值之间的误差比较大，使得相关坐标系之间关系的描述精度受到影响，多个坐标之间的关系描述的误差积累，最终会放大并影响到目标定位精度，直接采用其值会影响上肢假肢的操作效果，这就不利于上肢假肢对目标的准确操作。不过这些误差均属于系统误差，该问题是本领域研究人员亟需解决的问题。

发明内容

为了对发明专利“实现多自由度假肢对随机目标进行空间定位的方法”(ZL201010280508.3)中的目标定位精度进行有效矫正，本发明提出一种简单易行的实现矫正的方法。

为达上述目的，本发明总的解决方案是,首先利用发明专利“实现多自由度假肢对随机目标进行空间定位的方法”(ZL201010280508.3)进行初步定位，然后利用本发明方法进行定位精度矫正，使得对随机目标的定位精度能够满足上肢假肢佩带者的操作需要，本方法拟利用人工神经网络对空间离散信息独特的映射与插值能力、多输入多输出的非线性特性和快速并行信息处理能力来建立一种对初步定位信息误差的精度矫正模型。每当上肢假肢系统获得随机目标在操作空间初步定位的三维坐标值时,将该三维坐标值作为人工神经精度矫正模型的输入,就可以快速、并行地得到随机目标在操作空间较精确的三维坐标值。

本发明的精度矫正方法步骤如下：

第一步、建立训练输入样本集

利用实现多自由度假肢对随机目标进行空间定位的方法对某目标进行初步定位时，得到其三维的坐标值，p＝[p_x p_y p_z]^T；

当在上肢假肢的操作空间内采集测量一系列目标点的三维坐标值时，得到上述p_i(i＝1,2…,n)的集合{P}，将该系列目标点位置与顺序进行标记、保存，将集合{P}留作人工神经网络的训练输入样本集；

第二步、建立训练目标样本集

人工借助测量工具(比如三维坐标测量仪、简易三维坐标板等等)精确测得某目标实际的三维坐标值，将该值表示为t＝[t_x t_y t_z]^T；

对第一步的p_i(i＝1,2…,n)的集合{P}所对应的一系列目标点的三维坐标值进行精确测量，并与t＝[t_x t_y t_z]^T进行对应顺序排列，得到这些的集合{T}，将集合{T}留作人工神经网络的训练目标样本集，训练目标样本集的位置精度以满足上肢假肢的使用要求为标准；

第三步、建立与训练人工神经网络

取集合{P}作为人工神经网络的训练输入样本集，取集合{T}作为人工神经网络的训练目标样本集，建立一种人工神经网络；

训练开始，当人工神经网络的实际输出为其每一个位置点的坐标值为 $\hat{t}={\left[\begin{array}{ccc}{\hat{t}}_x& {\hat{t}}_y& {\hat{t}}_z\end{array}\right]}^T$ )时，用误差{e}去训练人工神经网络，其中：

$\left\{e\right\}=\left\{T\right\}-\left\{\hat{T}\right\}$

经过充分训练后，使得{e}→{0}，即，网络最终能够使其输出逼近目标的真实值{T}；

这样，当对网络输入训练输入样本集及其附近的参数时，该人工神经网络的实际输出就会逼近真实值，该人工神经网络即成多自由度上肢假肢或机器人对随机目标进行空间定位的精度矫正模型。

本发明的优点在于：每当用专利“实现多自由度假肢对随机目标进行空间定位的方法”(ZL201010280508.3)获得某目标的较为粗糙的初步定位值，并作为本人工神经网络的输入时，那么，该精度矫正模型就会自动输出目标相对上肢假肢或机器人的较精确的定位值。该方法的定位精度可根据训练样本集的大小程度及网络训练参数的选取进行调整，以满足上肢假肢及个别种类机器人的需要为标准；该方法的矫正范围可根据实际使用范围的进行变化，可以是局部，也可以是全空间；该方法无需借助昂贵、复杂的仪器与设备，成本低，灵活性强，易普及，个性化服务好，具有很强的实用性。该方法也可以用在其它具有类似工作情形的机械手对随机目标空间定位精度的矫正上。

附图说明

下面参照附图说明本发明的实施例。

图1是本发明定位精度矫正模型的获得和应用方法的流程框图。

图2是本发明人工神经网络的框架结构与内部组织图。

具体实施方式

本发明的精度矫正方法步骤如下，见图1：

1、建立训练输入样本集

利用发明专利“实现多自由度假肢对随机目标进行空间定位的方法”(ZL201010280508.3)对某目标进行初步定位时，得到其三维的坐标值p＝[p_x p_y p_z]^T；

当在上肢假肢的操作空间内采集测量一系列目标点的三维坐标值时，得到上述p_i(i＝1,2…,n)的集合{P}，将该系列目标点位置与顺序进行标记、保存，将集合{P}留作人工神经网络的训练输入样本集；

2、建立训练目标样本集

人工借助三维坐标测量仪精确测得某目标实际的三维坐标值，将该值表示为t＝[t_x t_y t_z]^T；

对前述的p_i(i＝1,2…,n)的集合{P}所对应的一系列目标点的三维坐标值进行精确测量，并与t＝[t_x t_y t_z]^T进行对应顺序排列，得到这些t_i(i＝1,2…,n)的集合{T}，将集合{T}留作人工神经网络的训练目标样本集，训练目标样本集的位置精度以满足上肢假肢的使用要求为标准；

3、建立与训练人工神经网络

取集合{P}作为人工神经网络的训练输入样本集，取集合{T}作为人工神经网络的训练目标样本集，建立一种BP人工神经网络，其框架结构与内部组织如图2所示；

训练开始，当人工神经网络的实际输出为其每一个位置点的坐标值为 $\hat{t}={\left[\begin{array}{ccc}{\hat{t}}_x& {\hat{t}}_y& {\hat{t}}_z\end{array}\right]}^T$ )时，用误差{e}去训练人工神经网络，其中：

$\left\{e\right\}=\left\{T\right\}-\left\{\hat{T}\right\}$

经过充分训练后，使得{e}→{0}，即，网络最终能够使其输出逼近目标的真实值{T}；

进一步，一种用前述的集合{P}和集合{T}用来训练BP人工神经网络的MATLAB程序的主要部分参照如下：

其中部分网络参数可以作调整。

上述名为“netBP”的人工神经网络模型就是要求的多自由度上肢假肢或机器人对随机目标进行空间定位的精度矫正模型。

每当用专利“实现多自由度假肢对随机目标进行空间定位的方法”(ZL201010280508.3)获得某目标的初步定位值时，将其作为精度矫正模型的输入，则该精度矫正模型就会自动输出目标相对上肢假肢或机器人的较精确定位值。

应用本方法的精度矫正模型对初始定位值的矫正情况见表1。

表1(单位：mm)

*代表部分训练样本集中的点。

#代表部分非训练点的测试点。

表1说明：

(1)在训练点处，本方法的精度矫正模型可以很好地逼近实际定位值，而在非训练点处，也可以获得较为理想的插值。

(2)此处，初始定位系统的X坐标值测量精度比较高，在矫正模型中也可以很好地体现这一点。

(3)本发明的方法可以在发明专利“实现多自由度假肢对随机目标进行空间定位的方法”(ZL201010280508.3)进行初步定位情况下，对其存在的系统定位误差进行有效矫正，使得目标定位的精度大大提高，以满足使用要求。

本发明说明书中未详细描述的有关人工神经网络等内容属于本领域专业技术人员公知的技术或理论。

Claims (1)

1.一种对假肢目标空间定位精度矫正的方法，其特征在于，步骤如下：

第一步、建立训练输入样本集

利用实现多自由度假肢对随机目标进行空间定位的方法对某目标进行初步定位时，得到其三维的坐标值，p＝[p_x p_y p_z]^T；

当在上肢假肢的操作空间内采集测量一系列目标点的三维坐标值时，得到上述p_i(i＝1,2…,n)的集合{P}，将该系列目标点位置与顺序进行标记、保存，将集合{P}留作人工神经网络的训练输入样本集；

第二步、建立训练目标样本集

人工借助测量工具精确测得某目标实际的三维坐标值，将该值表示为t＝[t_x t_y t_z]^T；

对第一步的p_i(i＝1,2…,n)的集合{P}所对应的一系列目标点的三维坐标值进行精确测量，并与t＝[t_x t_y t]_z ^T进行对应顺序排列，得到这些t_i 的集合{T}，将集合{T}留作人工神经网络的训练目标样本集，训练目标样本集的位置精度以满足上肢假肢的使用要求为标准；

第三步、建立与训练人工神经网络

取集合{P}作为人工神经网络的训练输入样本集，取集合{T}作为人工神经网络的训练目标样本集，建立一种人工神经网络；

训练开始，当人工神经网络的实际输出为其每一个位置点的坐标值为时，用误差{e}去训练人工神经网络，其中：

经过充分训练后，使得{e}→{0}，即，网络最终能够使其输出逼近目标的真实值{T}；

这样，当对网络输入训练输入样本集及其附近的参数时，该人工神经网络的实际输出就会逼近真实值，该人工神经网络即成多自由度上肢假肢或机器人对随机目标进行空间定位的精度矫正模型。