CN106875008A - 一种机械手运动学逆解方法及系统 - Google Patents

Abstract

本申请公开了一种机械手运动学逆解方法，包括：利用径向基函数神经网络算法的数学模型，计算出机械手的运动参数；其中，数学模型的训练过程包括：在历史末端位姿参数域中生成2k个初始中心点；对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点，进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量；利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量；利用中心值向量、基宽向量和预设的高斯函数，通过梯度下降法，计算出中心点的权值。可见，本发明使经过上述训练的数学模型能够快速且精确的高效求解机械手运动学逆解问题。另外，本申请还公开了一种机械手运动学逆解系统。

Description

一种机械手运动学逆解方法及系统

技术领域

本发明涉及运动学领域，特别涉及一种机械手运动学逆解方法及系统。

背景技术

随着科技的进步，人工智能逐渐在生产中的应用越来越广，机械手逐渐被研发和使用，机械手可通过编程来完成各种预期的作业任务，在构造和性能上兼有人和机器各自的优点，尤其体现了人的智能和适应性，机械手作业的准确性和各种环境中完成作业的能力，在国民经济各领域有着广阔的发展前景。

现有技术中，生产线机械手运动学描述了其关节与组成的各刚体之间的运动关系。它包括两类问题：一类是给定机械手各关节角度,求解机械手末端执行器的位置和姿态,称为运动学正问题，正问题解单一且确定。另一类是已知终端执行器的位置和姿态,求机械手对应于这个位姿的全部关节角,称为运动学逆问题。机械手运动学逆问题中又涉及到逆解的求法，这一点是机械手路径规划和编写控制算法的基础，而其精度的保证又是实时控制的关键。通常，逆解的数量与机械手的连杆的个数、关节个数、关节杆件转动角度范围等多个方面有关系。一般说来，机械手运动学逆解的数量随着关节和连杆的参数的增多而增多。多关节机械手运动学逆解出现多个解的情况是十分常见的，而且又有存在性的制约，所以选择一种高效求解的方法在工程实验中是很有必要的。

发明内容

有鉴于此，本发明的目的在于提供一种机械手运动学逆解方法及系统，以达到快速且精确的高效求解机械手运动学逆解问题。其具体方案如下：

一种机械手运动学逆解方法，包括：

获取机械手的末端位姿参数，利用径向基函数神经网络算法的数学模型和所述末端位姿参数，计算出机械手的运动参数；

其中，所述数学模型的训练过程包括：

在历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点；其中，每个初始中心点对应一个区域，每个区域内包括个数据点，N和k均为正整数；

对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点；

将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量；

利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量；

利用中心值向量、所述基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导；

利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值；

其中，对每个初始中心点均进行迭代更新的过程，包括：选择初始中心点区域内距离目标输出最近的数据点作为新的初始中心点。

优选的，所述历史末端位姿参数域为利用预设机械手的杆件参数和关节变量值，通过正运动学计算出的末端位姿参数得到的。

优选的，所述利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量的过程，包括：

利用预设的两两中心点之间的直线距离和中心点个数k，通过基宽向量计算公式，计算出所述基宽向量；其中

所述基宽向量计算公式为：

式中，D为两两中心点之间的直线距离，k为中心点个数，b为所述基宽向量。

优选的，所述利用中心值向量、所述基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导的过程，包括：

利用中心值向量、所述基宽向量和预设的高斯函数，通过权值偏导公式，求出代价函数对中心点的权值的偏导；其中，

所述权值偏导公式为：

式中，J为代价函数，w_k为第k个中心点的权值，X为输入，即，末端位姿参数，C_k为第k个中心点的中心值向量。

优选的，所述利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值的过程包括：

利用代价函数对中心点的权值的偏导，通过梯度下降公式，进行迭代，计算出中心点的权值；其中，

所述梯度下降公式为：

式中，w(g+1)为第g+1次迭代后的中心点的权值，w(g)为第g次迭代后的中心点权值，α为学习速率。

本发明还公开了一种机械手运动学逆解系统，包括：

参数获取模块，用于获取机械手的末端位姿参数；

参数计算模块，用于利用径向基函数神经网络算法的数学模型和所述末端位姿参数，计算出机械手的运动参数；

其中，所述参数计算模块包括：

中心点预设单元，用于在历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点；其中，每个初始中心点对应一个区域，每个区域内包括N/2k个数据点，N和k均为正整数；

中心点迭代单元，用于对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点；

均值化单元，用于将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量；

基宽计算单元，用于利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量；

偏导计算单元，用于利用中心值向量、所述基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导；

权值计算单元，用于利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值；

其中，对每个初始中心点均进行迭代更新的过程，包括：选择初始中心点区域内距离目标输出最近的数据点作为新的初始中心点。

优选的，所述基宽计算单元，具体用于利用预设的两两中心点之间的直线距离和中心点个数k，通过基宽向量计算公式，计算出所述基宽向量；其中

所述基宽向量计算公式为：

式中，D为两两中心点之间的直线距离，k为中心点个数，b为所述基宽向量。

优选的，所述偏导计算单元，具体用于利用中心值向量、所述基宽向量和预设的高斯函数，通过权值偏导公式，求出代价函数对中心点的权值的偏导；其中，

所述权值偏导公式为：

式中，J为代价函数，w_k为第k个中心点的权值，X为输入，即，末端位姿参数，C_k为第k个中心点的中心值向量。

优选的，所述权值计算单元，具体用于利用代价函数对中心点的权值的偏导，通过梯度下降公式，进行迭代，计算出中心点的权值；其中，

所述梯度下降公式为：

式中，w(g+1)为第g+1次迭代后的中心点的权值，w(g)为第g次迭代后的中心点权值，α为学习速率。

本发明中，机械手运动学逆解方法，包括：获取机械手的末端位姿参数，利用径向基函数神经网络算法的数学模型和末端位姿参数，计算出机械手的运动参数；其中，数学模型的训练过程包括：在历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点；其中，每个初始中心点对应一个区域，每个区域内包括N/2k个数据点，N和k均为正整数；对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点；将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量；利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量；利用中心值向量、基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导；利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值；其中，对每个初始中心点均进行迭代更新的过程，包括：选择初始中心点区域内距离目标输出最近的数据点作为新的初始中心点。可见，本发明利用径向基函数神经网络算法，计算出机械手的运动参数，在对径向基函数神经网络算法的数学模型训练过程中，利用历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点，设定初始状态，通过对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点，寻找目标输出，将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，以使中心值向量更加平滑，并得到每个中心点的中心值向量，利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量，保证预设高斯函数不会过于离散和收敛，利用中心值向量、基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导，再利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值，完成对数学模型的训练，使经过上述训练的数学模型能够快速且精确的高效求解机械手运动学逆解问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种机械手运动学逆解方法流程示意图；

图2为本发明实施例提供的一种径向基函数神经网络的数学模型结构示意图；

图3为本发明实施例提供的一种机械手运动学逆解系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种机械手运动学逆解方法，参见图1所示，该方法包括：

步骤S11：获取机械手的末端位姿参数。

具体的，机械手的末端位姿参数为末段执行器位置和姿态，可以包括角度和坐标等参数。

步骤S12：利用径向基函数神经网络算法的数学模型和末端位姿参数，计算出机械手的运动参数。

可以理解的是，利用径向基函数神经网络建立关节空间和笛卡尔空间之间的映射关系，将繁琐复杂的关节非线性关系转换到神经网络中来，利用神经网络快速收敛、精确的特点，通过大量样本数据的训练，使径向基函数神经网络的数学模型，能够利用机械手末端位姿，得出所对应的各个关节的需求值。

例如，六轴生产线机械手具有输入输出高度非线性的特性，对实时性又有很高的要求，故无法给出输入输出相对应的线性函数关系，而神经网络较好的非线性逼近能力与学习速率，可以得到较高的求解精度。

首先利用预先建立好的神经网络数学模型，选用径向基函数神经网络，包括三个层次结构，分别为输入层、隐含层和输出层。第一层输入层由源节点组成，数目是输入向量的维数，第二层隐含层直接和输入层所有的向量交叉相连，为保证可以准确求解，隐含层的神经元个数要求尽可能多的满足要求。第三层输出层即是根据输入信号来做出反应输出的层次。

其中，在这三层当中，输入层到隐含层是一个非线性的关系，而隐含层到输出层是线型的关系。可以理解的是，径向基函数神经网络实际上是一种局部分布的，又关于中心点对称的非线性函数，隐含层空间包括隐含层单元。

当中心基位置确定后，输入矢量与隐含层空间的对应关系就可以两两交叉而直接确定隐含层单元。输入矢量在隐含层空间对接成功后，根据网络的结构特性，隐含层空间到输出空间是线性映射关系，通过隐含层函数和权值的积的和连接起来。

参见图2所示，利用径向基向量计算公式，建立输入与径向基向量的关系；其中，

径向基向量计算公式为：

式中，X＝[x₁,x₂,...x_n,]是第一层的输入，S＝[s₁,s₂,...s_k,]是中间层的径向基向量，b_i是第i个节点的基宽参数，C_i为第i个隐含层节点的基函数中心值向量。

利用输出计算公式，计算出最终的输出；其中，

输出计算公式为：

式中，W＝[w₁,w₂...w_k,]是神经网络的权向量。

进一步的，得到最终输出后，可以利用代价函数对最终输出进行误差判断，通过预设误差范围，将最终输出代入代价函数计算，得出误差，判断误差是否查过预设的误差范围，若未超出，则保留最终输出，若超出，则舍弃该最终输出，重新计算；其中，

代价函数为：

式中，J为代价函数，d为网络实际输出。

其中，数学模型的训练过程包括步骤S121到步骤S125：

步骤S121：在历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点；其中，每个初始中心点对应一个区域，每个区域内包括N/2k个数据点，N和k均为正整数。

具体的，历史末端位姿参数域可以利用正运动学给出，利用预设机械手的杆件参数和关节变量值，通过正运动学计算出的末端位姿参数得到的。

正运动学需要建立D-H表示法来推导变换矩阵，这种方法在机器人的每个连杆上都固定一个坐标系，然后用4×4的齐次变换矩阵来描述相邻两连杆的空间关系。通过依次变换可最终推导出末端执行器相对于基坐标系的位姿，从而建立机器人的运动学方程。再利用Matlab(矩阵实验室)中的Robotics(机器人)模块，给出一系列初始输入值，通过计算机计算出输出值也就是末端位姿。通过反复多次给值求解，得到一连串数据样本，即历史末端位姿参数，只不过当这个数据样本应用到神经网络模型中时，正运动学的输出值成为了输入值，输入值则变成了期望输出。

其中，随机生成的N个数据点是作为备用的初始中心点存在的，每个初始中心点对应一个区域，每个区域内包括N/2k个数据点，

步骤S122：对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点。

其中，对每个初始中心点均进行迭代更新的过程，包括：选择初始中心点区域内距离目标输出最近的数据点作为新的初始中心点。

可以理解的是，由于输入是通过正运动计算得出，因此，输出也是预先得知的，通过在历史末端位姿参数域中设置目标输出，引导初始中心点向目标输出点更新，选择初始中心点区域内距离目标输出最近的数据点作为新的初始中心点

具体的，初始中心点区域内包含多个数据点，可以计算出区域内每个数据点到目标输出的距离，从中筛选出到目标输出最近的数据点，将最近的数据点选为新的初始中心点，并重复进行此步骤进行迭代，使更新后的初始中心点不断接近目标输出，直到达到最大迭代次数。

最大迭代次数可以根据实际应用需求进行设定，例如，3次或10次。

步骤S123：将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量。

具体的，得到更新后的2k个拟中心点，为了进一步的使计算结果更为准确，计算拟中心点之间的距离，将2k个拟中心点中拟中心点两两最近的拟中心点进行二次均值化处理，例如，有4个拟中心点，第一拟中心点、第二拟中心点、第三拟中心点和第四拟中心点，第一拟中心点与第二拟中心点距离为3，第一拟中心点与第三拟中心点距离为5，第一拟中心点与第四拟中心点距离为8，第二拟中心点与第三拟中心点距离为6，第二拟中心点与第四拟中心点距离为2，第三拟中心点与第四拟中心点距离为10，则第二拟中心点与第四拟中心点进行二次均值化处理，第一拟中心点与第三拟中心点进行二次均值化处理，得到新的第一中心点和第二中心点。

可以理解的是，每个中心点对应数学模型中一个隐含层节点。

步骤S124：利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量。

步骤S125：利用中心值向量、基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导。

具体的，为了使期望输出和实际输出的方差变小，即，减少误差，利用中心值向量、基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导，以便于后续计算权值。

步骤S126：利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值。

具体的，由于计算权值时，梯度下降法中球道参数只有权值一项，使整个计算过程十分简单，通过多次迭代，使后一次权值迭代结果无限趋近于迭代前的权值，从而反推解出每个中心点的权值。可见，本发明利用径向基函数神经网络算法，计算出机械手的运动参数，在对径向基函数神经网络算法的数学模型训练过程中，利用历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点，设定初始状态，通过对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点，寻找目标输出，将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，以使中心值向量更加平滑，并得到每个中心点的中心值向量，利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量，保证预设高斯函数不会过于离散和收敛，利用中心值向量、基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导，再利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值，完成对数学模型的训练，使经过上述训练的数学模型能够快速且精确的高效求解机械手运动学逆解问题。

本发明实施例公开了一种具体的机械手运动学逆解方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：

上一实施例步骤S12中，数学模型的训练过程包括步骤S121至步骤S125。

本发明实施例中，上述数学模型的训练过程，具体包括：下面步骤S21至步骤S25：

步骤S21：在历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点；其中，每个初始中心点对应一个区域，每个区域内包括N/2k个数据点，N和k均为正整数。

步骤S22：对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点。

步骤S23：将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量。

步骤S24：利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量。

利用预设的两两中心点之间的直线距离和中心点个数k，通过基宽向量计算公式，计算出基宽向量；其中

基宽向量计算公式为：

式中，D为两两中心点之间的直线距离，k为中心点个数，b为基宽向量。

步骤S25：利用中心值向量、基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导。

利用中心值向量、基宽向量和预设的高斯函数，通过权值偏导公式，求出代价函数对中心点的权值的偏导；其中，

权值偏导公式为：

式中，J为代价函数，w_k为第k个中心点的权值，X为输入，即，末端位姿参数，C_k为第k个中心点的中心值向量。

步骤S26：利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值。

利用代价函数对中心点的权值的偏导，通过梯度下降公式，进行迭代，计算出中心点的权值；其中，

梯度下降公式为：

式中，w(g+1)为第g+1次迭代后的中心点的权值，w(g)为第g次迭代后的中心点权值，α为学习速率。

其中，α是整个梯度下降过程中的学习速率，可以预先设定为0.01或0.001；利用梯度下降法求解中心点的权值过程中，可以通过计算机，使用C语言进行迭代计算的编程，从而省去大量的时间，迭代次数可以选择1000，当然，学习速率和迭代次数也可以根据实际应用需求进行设定，在此均不做限定。

相应的，本发明实施例还公开了一种机械手运动学逆解系统，参见图3所示，该系统包括：

参数获取模块11，用于获取机械手的末端位姿参数；

参数计算模块12，用于利用径向基函数神经网络算法的数学模型和末端位姿参数，计算出机械手的运动参数；

其中，参数计算模块12包括：

中心点预设单元，用于在历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点；其中，每个初始中心点对应一个区域，每个区域内包括N/2k个数据点，N和k均为正整数；

中心点迭代单元，用于对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点；

均值化单元，用于将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量；

基宽计算单元，用于利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量；

偏导计算单元，用于利用中心值向量、基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导；

权值计算单元，用于利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值。

其中，对每个初始中心点均进行迭代更新的过程，包括：选择初始中心点区域内距离目标输出最近的数据点作为新的初始中心点。

可见，本发明利用径向基函数神经网络算法，计算出机械手的运动参数，在对径向基函数神经网络算法的数学模型训练过程中，利用历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点，设定初始状态，通过对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点，寻找目标输出，将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，以使中心值向量更加平滑，并得到每个中心点的中心值向量，利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量，保证预设高斯函数不会过于离散和收敛，利用中心值向量、基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导，再利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值，完成对数学模型的训练，使经过上述训练的数学模型能够快速且精确的高效求解机械手运动学逆解问题。

具体的，上述基宽计算单元，具体用于利用预设的两两中心点之间的直线距离和中心点个数k，通过基宽向量计算公式，计算出基宽向量；其中

基宽向量计算公式为：

式中，D为两两中心点之间的直线距离，k为中心点个数，b为基宽向量。

上述偏导计算单元，具体用于利用中心值向量、基宽向量和预设的高斯函数，通过权值偏导公式，求出代价函数对中心点的权值的偏导；其中，

权值偏导公式为：

式中，J为代价函数，w_k为第k个中心点的权值，X为输入，即，末端位姿参数，C_k为第k个中心点的中心值向量。

上述权值计算单元，具体用于利用代价函数对中心点的权值的偏导，通过梯度下降公式，进行迭代，计算出中心点的权值；其中，

梯度下降公式为：

式中，w(g+1)为第g+1次迭代后的中心点的权值，w(g)为第g次迭代后的中心点权值，α为学习速率。

可以理解的是，上述历史末端位姿参数域为利用预设机械手的杆件参数和关节变量值，通过正运动学计算出的末端位姿参数得到的。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种机械手运动学逆解方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种机械手运动学逆解方法，其特征在于，包括：

获取机械手的末端位姿参数，利用径向基函数神经网络算法的数学模型和所述末端位姿参数，计算出机械手的运动参数；

其中，所述数学模型的训练过程包括：

在历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点；其中，每个初始中心点对应一个区域，每个区域内包括2Nk个数据点，N和k均为正整数；

对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点；

将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量；

利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量；

利用中心值向量、所述基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导；

利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值；

其中，对每个初始中心点均进行迭代更新的过程，包括：选择初始中心点区域内距离目标输出最近的数据点作为新的初始中心点。

2.根据权利要求1所述的机械手运动学逆解方法，其特征在于，所述历史末端位姿参数域为利用预设机械手的杆件参数和关节变量值，通过正运动学计算出的末端位姿参数得到的。

3.根据权利要求1所述的机械手运动学逆解方法，其特征在于，所述利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量的过程，包括：

利用预设的两两中心点之间的直线距离和中心点个数k，通过基宽向量计算公式，计算出所述基宽向量；其中

所述基宽向量计算公式为：

式中，D为两两中心点之间的直线距离，k为中心点个数，b为所述基宽向量。

4.根据权利要求1所述的机械手运动学逆解方法，其特征在于，所述利用中心值向量、所述基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导的过程，包括：

利用中心值向量、所述基宽向量和预设的高斯函数，通过权值偏导公式，求出代价函数对中心点的权值的偏导；其中，

所述权值偏导公式为：

式中，J为代价函数，w_k为第k个中心点的权值，X为输入，即，末端位姿参数，C_k为第k个中心点的中心值向量。

5.根据权利要求1所述的机械手运动学逆解方法，其特征在于，所述利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值的过程包括：

利用代价函数对中心点的权值的偏导，通过梯度下降公式，进行迭代，计算出中心点的权值；其中，

所述梯度下降公式为：

式中，w(g+1)为第g+1次迭代后的中心点的权值，w(g)为第g次迭代后的中心点权值，α为学习速率。

6.一种机械手运动学逆解系统，其特征在于，包括：

参数获取模块，用于获取机械手的末端位姿参数；

参数计算模块，用于利用径向基函数神经网络算法的数学模型和所述末端位姿参数，计算出机械手的运动参数；

其中，所述参数计算模块包括：

中心点预设单元，用于在历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点；其中，每个初始中心点对应一个区域，每个区域内包括N/2k个数据点，N和k均为正整数；

中心点迭代单元，用于对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点；

均值化单元，用于将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量；

基宽计算单元，用于利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量；

偏导计算单元，用于利用中心值向量、所述基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导；

权值计算单元，用于利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值；

其中，对每个初始中心点均进行迭代更新的过程，包括：选择初始中心点区域内距离目标输出最近的数据点作为新的初始中心点。

7.根据权利要求6所述的机械手运动学逆解系统，其特征在于，所述基宽计算单元，具体用于利用预设的两两中心点之间的直线距离和中心点个数k，通过基宽向量计算公式，计算出所述基宽向量；其中

所述基宽向量计算公式为：

式中，D为两两中心点之间的直线距离，k为中心点个数，b为所述基宽向量。

8.根据权利要求6所述的机械手运动学逆解系统，其特征在于，所述偏导计算单元，具体用于利用中心值向量、所述基宽向量和预设的高斯函数，通过权值偏导公式，求出代价函数对中心点的权值的偏导；其中，

所述权值偏导公式为：

式中，J为代价函数，w_k为第k个中心点的权值，X为输入，即，末端位姿参数，C_k为第k个中心点的中心值向量。

9.根据权利要求6所述的机械手运动学逆解系统，其特征在于，所述权值计算单元，具体用于利用代价函数对中心点的权值的偏导，通过梯度下降公式，进行迭代，计算出中心点的权值；其中，

所述梯度下降公式为：

式中，w(g+1)为第g+1次迭代后的中心点的权值，w(g)为第g次迭代后的中心点权值，α为学习速率。