CN108594657A - 一种基于神经网络的机械臂自适应控制方法 - Google Patents
一种基于神经网络的机械臂自适应控制方法 Download PDFInfo
- Publication number
- CN108594657A CN108594657A CN201810319733.XA CN201810319733A CN108594657A CN 108594657 A CN108594657 A CN 108594657A CN 201810319733 A CN201810319733 A CN 201810319733A CN 108594657 A CN108594657 A CN 108594657A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- space
- nerve net
- motor
- joint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明首先以所述机械臂基座的世界坐标系为所述空间的坐标系,采用八叉树算法对所述空间建模,该空间完全覆盖该机械臂的运动空间,通过神经网络的结构特征建立基于该空间的神经网,采用D‑H法对所述机械臂建模,利用该D‑H法参数,建立基于该机械臂的神经网;其次,随机获取所述机械臂末端位置,通过一种映射方法,使所述机械臂层与所述空间层关联;再次,在所述空间范围内,基于所述空间神经网预设步长训练轨迹模型;最后,采用BP方法规划最短路径,根据所述两层神经网的映射关系,计算所述机械臂神经元的最优组合,控制机械臂以规划路径运动。
Description
技术领域
本发明涉及机器人领域,尤其是涉及的是一种基于神经网络的机械臂自适应控制方法。
背景技术
在人类科技的发展中,机器人技术以广泛的应用范围、灵活的使用方式,以及极限环境作业能力,成为人类发展进步不可缺少的高新技术之一。在相关技术中,机械臂的运动过程中可能会出现障碍物,对于机械臂避障的主要方式依赖于机器视觉,通过摄像头采集图像,预先对障碍物进行分析识别,然后根据识别结果规划机械臂的运动路径。但是由于识别结果的精确程度不一,所规划的运动路径有益效果不稳定,导致机械臂碰到障碍物的风险大大增加。
近年来,机械臂结合传感器提高避障效率得到了较大的发展,如公开号为CN106003043A的中国发明专利,其公开了一种机械臂的避障方法及避障系统:一种避障方法,其特征在于,包括步骤:采集障碍物的图像信息,及采集机械臂与该障碍物的距离信息;分析该障碍物的图像信息及该距离信息以判断是否有新障碍物出现在改机械臂的预设范围内;若有改新障碍物出现在改机械臂的预设范围内,重新规划该机械臂的运行路径并按照重新规划的该运行路径控制该机械臂运动;若无该新障碍物出现在改机械臂的预设范围内,控制该机械臂以原来的运行路径运动。
一种机械臂的避障系统,其特征在于,包括图像采集装置、距离采集装置、处理装置及机械臂,该处理装备连接该图像采集装置、该距离采集装置及该机械臂;该图像采集装置用于采集障碍物的图像信息,该距离采集装置用于采集该机械臂与该障碍物的距离信息;该处理装置用于:分析该障碍物的图像信息及该距离信息以判断是否有新障碍物出现在该机械臂的预设范围内;若有该新障碍物出现在该机械臂的预设范围内,重新规划该机械臂的运行路径并按照重新规划的该运行路径控制该机械臂运动;若无该新障碍物出现在该机械臂的预设范围内,控制该机械臂以原来的运行路径运动。
该机械臂的避障方法及避障系统由于新障碍物出现时,需重新规划路径,并且工程中计算量及复杂度均较大,在使用过程中很难适应高效工作环境,并且系统环境复杂,容错率较低,因此对操作人员的安全性较低。
发明内容
本发明的目的在于克服上述不足,提供一种基于神经网络的机械臂自适应控制方法,用于解决机械臂避障过程中,实时响应速度缓慢、路径寻优等问题,具有实时动态响应、自适应位置变化、快速规划路径等优点。。
为实现上述目的,本发明的技术解决方案是:一种基于神经网络的机械臂自适应控制方法,包括以下步骤:
步骤1:采用八叉树算法对空间建模,所述空间完全覆盖机械臂的运动空间,通过神经网络的结构特征建立基于所述空间的神经网;
步骤2:采用D-H法对多自由度的机械臂建模,建立基于所述机械臂的神经网;
步骤3:采用一种映射方法使所述机械臂的神经网与所述空间的神经网关联;该映射方法可以用DIRECT(Direction-to-Rotation Effector Control Transform)映射模型;
步骤4:在所述空间范围内,预设该机械臂末端的运动步长,以随机方向自由训练,通过所述空间的神经网生成机械臂的末端的轨迹模型;
步骤5:利用所述空间的神经网识别障碍物及目标物,采用BP方法规划机械臂末端绕过障碍物到达目标物的最短路径,该路径激活所述空间的神经网相应神经元组,运用该机械臂的神经网与该空间的神经网的映射关系,将该空间的神经网激活的神经元组映射至机械臂的神经网对应的神经元组;通过计算并选取所述机械臂的神经网中总变化最小的一组神经元,计算公式如下:
其中为所述机械臂相邻两个关节的电机的变化差值,分别表示其两个关节的电机的变量,…分别代表该电机1和该电机2的差值、该电机2和该电机3的差值、…、该电机n-1和该电机n的差值,为所述电机的总变化的差值;
步骤6:通过机械臂的神经网中总变化最小的一组神经元中的各电机的变量参数控制机械臂的各电机运动,实现所述机械臂以该最短路径运动。
本发明首先以所述机械臂基座的世界坐标系为所述空间的坐标系,采用八叉树算法对所述空间建模,该空间完全覆盖该机械臂的运动空间,通过神经网络的结构特征建立基于该空间的神经网,采用D-H法对所述机械臂建模,利用该D-H法参数,建立基于该机械臂的神经网;其次,随机获取所述机械臂末端位置,通过一种映射方法,使所述机械臂层与所述空间层关联;再次,在所述空间范围内,基于所述空间神经网预设步长训练轨迹模型;最后,采用BP方法规划最短路径,根据所述两层神经网的映射关系,计算所述机械臂神经元的最优组合,控制机械臂以规划路径运动。
优选的,步骤1中空间的神经网建立的方法为:
步骤1.1 以机械臂的基座的世界坐标系为所述空间的坐标系,所述空间的模型为正方体结构,通过八叉树算法将该空间均等划分为N个最小空间,所述最小空间模型为正方体结构;
其中,h为所述八叉树算法的深度,r为所述最小空间外接圆的半径,为所述空间的内接圆半径,采用神经网络的结构特征,利用该最小空间,建立所述空间层神经网。
优选的,步骤2中机械臂的神经网建立的方法为:
步骤2.1 该D-H参数为、、a、d,表示所述机械臂的关节旋转角度,表示其关节扭转角度,a表示其臂长,d表示其偏置,利用该关节旋转角度,建立所述机械臂层神经网。
优选的,步骤2中机械臂末端的坐标计算方法为:
对机械臂的包括基座的每个关节,采用右手法则建立本地坐标系,所述关节对应变换矩阵,该矩阵表示从上一个相邻所述关节的本地坐标系变换到该本地坐标系的运动过程,其中,所述关节的前后顺序为,所述机械臂的基座到末端执行器,其公式如下:
其中,S为Sin的简写,C为Cos的简写,为所述机械臂的D-H参数,根据该机械臂的关节数n,计算n个变换矩阵右乘的乘积,其公式如下:
其中,代表从所述机械臂的基座到其最后一个关节的变换矩阵的乘积,即总变换矩阵,、、表示所述机械臂末端坐标,其余参数分别表示其它计算结果。
优选的,步骤4中机械臂末端的运动步长计算公式:
其中,()、()分别表示所述机械臂末端位置及其落点位置在所述空间坐标系的坐标。
通过采用上述的技术方案,本发明的有益效果是:在实验中,通过动态目标变化,预设所述机械臂步长训练模型,然后采用所述BP方法规划最短路径,本发明均能快速响应实时位置变化,提高了机械臂的工作效率和路径规划速度。
附图说明
图1为本发明算法流程图;
图2为本发明空间模型示意图;
图3为本发明轨迹模型示意图;
图4为本发明机械臂最优运动路径示意图。
具体实施方式
以下结合附图和具体实施例来进一步说明本发明。
如图1-图4所示,本发明一种基于神经网络的机械臂自适应控制方法,包括以下步骤:
步骤1:采用八叉树算法对空间建模,所述空间完全覆盖机械臂的运动空间,通过神经网络的结构特征建立基于所述空间的神经网;
空间的神经网建立的方法为:
步骤1.1 以机械臂的基座的世界坐标系为所述空间的坐标系,所述空间的模型为正方体结构,通过八叉树算法将该空间均等划分为N个最小空间,所述最小空间模型为正方体结构;
其中,h为所述八叉树算法的深度,r为所述最小空间外接圆的半径,为所述空间的内接圆半径,采用神经网络的结构特征,利用该最小空间,建立所述空间层神经网。
步骤2:采用D-H法对多自由度的机械臂建模,建立基于所述机械臂的神经网;机械臂的神经网建立的方法为:
步骤2.1 该D-H参数为、、a、d,表示所述机械臂的关节旋转角度,表示其关节扭转角度,a表示其臂长,d表示其偏置,利用该关节旋转角度,建立所述机械臂层神经网。
根据机械臂的神经网可以计算机械臂末端的坐标:对机械臂的包括基座的每个关节,采用右手法则建立本地坐标系,所述关节对应变换矩阵,该矩阵表示从上一个相邻所述关节的本地坐标系变换到该本地坐标系的运动过程,其中,所述关节的前后顺序为,所述机械臂的基座到末端执行器,其公式如下:
其中,S为Sin的简写,C为Cos的简写,为所述机械臂的D-H参数,根据该机械臂的关节数n,计算n个变换矩阵右乘的乘积,其公式如下:
其中,代表从所述机械臂的基座到其最后一个关节的变换矩阵的乘积,即总变换矩阵,、、表示所述机械臂末端坐标,其余参数分别表示其它计算结果。
步骤3:采用一种映射方法使所述机械臂的神经网与所述空间的神经网关联;
步骤4:在所述空间范围内,预设该机械臂末端的运动步长,以随机方向自由训练,通过所述空间的神经网生成机械臂的末端的轨迹模型;机械臂末端的运动步长计算公式:
其中,()、()分别表示所述机械臂末端位置及其落点位置在所述空间坐标系的坐标。
步骤5:利用所述空间的神经网识别障碍物及目标物,采用BP方法规划机械臂末端绕过障碍物到达目标物的最短路径,该路径激活所述空间的神经网相应神经元组,运用该机械臂的神经网与该空间的神经网的映射关系,将该空间的神经网激活的神经元组映射至机械臂的神经网对应的神经元组;通过计算并选取所述机械臂的神经网中总变化最小的一组神经元,计算公式如下:
其中为所述机械臂相邻两个关节的电机的变化差值,分别表示其两个关节的电机的变量,…分别代表该电机1和该电机2的差值、该电机2和该电机3的差值、…、该电机n-1和该电机n的差值,为所述电机的总变化的差值;
步骤6:通过机械臂的神经网中总变化最小的一组神经元中的各电机的变量参数控制机械臂的各电机运动,实现所述机械臂以该最短路径运动。
本发明首先以所述机械臂基座的世界坐标系为所述空间的坐标系,采用八叉树算法对所述空间建模,该空间完全覆盖该机械臂的运动空间,通过神经网络的结构特征建立基于该空间的神经网,采用D-H法对所述机械臂建模,利用该D-H法参数,建立基于该机械臂的神经网;其次,随机获取所述机械臂末端位置,通过一种映射方法,使所述机械臂层与所述空间层关联;再次,在所述空间范围内,基于所述空间神经网预设步长训练轨迹模型;最后,采用BP方法规划最短路径,根据所述两层神经网的映射关系,计算所述机械臂神经元的最优组合,控制机械臂以规划路径运动。
以上所述的,仅为本发明的较佳实施例而已,不能限定本实用实施的范围,凡是依本发明申请专利范围所作的均等变化与装饰,皆应仍属于本发明涵盖的范围内。
Claims (5)
1.一种基于神经网络的机械臂自适应控制方法,包括以下步骤:
步骤1:采用八叉树算法对空间建模,所述空间完全覆盖机械臂的运动空间,通过神经网络的结构特征建立基于所述空间的神经网;
步骤2:采用D-H法对多自由度的机械臂建模,建立基于所述机械臂的神经网;
步骤3:采用一种映射方法使所述机械臂的神经网与所述空间的神经网关联;
步骤4:在所述空间范围内,预设该机械臂末端的运动步长,以随机方向自由训练,通过所述空间的神经网生成机械臂的末端的轨迹模型;
步骤5:利用所述空间的神经网识别障碍物及目标物,采用BP方法规划机械臂末端绕过障碍物到达目标物的最短路径,该路径激活所述空间的神经网相应神经元组,运用该机械臂的神经网与该空间的神经网的映射关系,将该空间的神经网激活的神经元组映射至机械臂的神经网对应的神经元组;通过计算并选取所述机械臂的神经网中总变化最小的一组神经元,计算公式如下:
其中为所述机械臂相邻两个关节的电机的变化差值,分别表示其两个关节的电机的变量,…分别代表该电机1和该电机2的差值、该电机2和该电机3的差值、…、该电机n-1和该电机n的差值,为所述电机的总变化的差值;
步骤6:通过机械臂的神经网中总变化最小的一组神经元中的各电机的变量参数控制机械臂的各电机运动,实现所述机械臂以该最短路径运动。
2.根据权利要求1所述的一种基于神经网络的机械臂自适应控制方法,其特征在于:步骤1中空间的神经网建立的方法为:
步骤1.1 以机械臂的基座的世界坐标系为所述空间的坐标系,所述空间的模型为正方体结构,通过八叉树算法将该空间均等划分为N个最小空间,所述最小空间模型为正方体结构;
其中,h为所述八叉树算法的深度,r为所述最小空间外接圆的半径,为所述空间的内接圆半径,采用神经网络的结构特征,利用该最小空间,建立所述空间层神经网。
3.根据权利要求1所述的一种基于神经网络的机械臂自适应控制方法,其特征在于:步骤2中机械臂的神经网建立的方法为:
步骤2.1 该D-H参数为、、a、d,表示所述机械臂的关节旋转角度,表示其关节扭转角度,a表示其臂长,d表示其偏置,利用该关节旋转角度,建立所述机械臂层神经网。
4.根据权利要求3所述的一种基于神经网络的机械臂自适应控制方法,其特征在于:步骤2中机械臂末端的坐标计算方法为:
对机械臂的包括基座的每个关节,采用右手法则建立本地坐标系,所述关节对应变换矩阵,该矩阵表示从上一个相邻所述关节的本地坐标系变换到该本地坐标系的运动过程,其中,所述关节的前后顺序为,所述机械臂的基座到末端执行器,其公式如下:
其中,S为Sin的简写,C为Cos的简写,为所述机械臂的D-H参数,根据该机械臂的关节数n,计算n个变换矩阵右乘的乘积,其公式如下:
其中,代表从所述机械臂的基座到其最后一个关节的变换矩阵的乘积,即总变换矩阵,、、表示所述机械臂末端坐标,其余参数分别表示其它计算结果。
5.根据权利要求1所述的一种基于神经网络的机械臂自适应控制方法,其特征在于:步骤4中机械臂末端的运动步长计算公式:
其中,()、()分别表示所述机械臂末端位置及其落点位置在所述空间坐标系的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810319733.XA CN108594657A (zh) | 2018-04-11 | 2018-04-11 | 一种基于神经网络的机械臂自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810319733.XA CN108594657A (zh) | 2018-04-11 | 2018-04-11 | 一种基于神经网络的机械臂自适应控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108594657A true CN108594657A (zh) | 2018-09-28 |
Family
ID=63621915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810319733.XA Pending CN108594657A (zh) | 2018-04-11 | 2018-04-11 | 一种基于神经网络的机械臂自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108594657A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109227550A (zh) * | 2018-11-12 | 2019-01-18 | 吉林大学 | 一种基于rbf神经网络的机械臂控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103302668A (zh) * | 2013-05-22 | 2013-09-18 | 东南大学 | 基于Kinect的空间遥操作机器人的控制系统及其方法 |
CN103426166A (zh) * | 2013-07-09 | 2013-12-04 | 杭州电子科技大学 | 一种基于激光和单目的机器人手眼协同定位方法 |
CN104199999A (zh) * | 2014-07-17 | 2014-12-10 | 中国人民解放军国防科学技术大学 | 一种关节对中误差对多自由度机械臂末端定位精度影响的定量分析方法 |
CN104570731A (zh) * | 2014-12-04 | 2015-04-29 | 重庆邮电大学 | 一种基于Kinect的无标定人机交互控制系统及方法 |
CN107253192A (zh) * | 2017-05-24 | 2017-10-17 | 湖北众与和智能装备科技有限公司 | 一种基于Kinect的无标定人机交互控制系统及方法 |
-
2018
- 2018-04-11 CN CN201810319733.XA patent/CN108594657A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103302668A (zh) * | 2013-05-22 | 2013-09-18 | 东南大学 | 基于Kinect的空间遥操作机器人的控制系统及其方法 |
CN103426166A (zh) * | 2013-07-09 | 2013-12-04 | 杭州电子科技大学 | 一种基于激光和单目的机器人手眼协同定位方法 |
CN104199999A (zh) * | 2014-07-17 | 2014-12-10 | 中国人民解放军国防科学技术大学 | 一种关节对中误差对多自由度机械臂末端定位精度影响的定量分析方法 |
CN104570731A (zh) * | 2014-12-04 | 2015-04-29 | 重庆邮电大学 | 一种基于Kinect的无标定人机交互控制系统及方法 |
CN107253192A (zh) * | 2017-05-24 | 2017-10-17 | 湖北众与和智能装备科技有限公司 | 一种基于Kinect的无标定人机交互控制系统及方法 |
Non-Patent Citations (2)
Title |
---|
YINHUI XIE等: "Design of the fast speed two-arm robot in limited space", 《INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS》 * |
方泽煌等: "基于神经网络机械臂自适应控制的研究与实现", 《电脑编程技巧与维护》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109227550A (zh) * | 2018-11-12 | 2019-01-18 | 吉林大学 | 一种基于rbf神经网络的机械臂控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ling et al. | Dual-arm cooperation and implementing for robotic harvesting tomato using binocular vision | |
CN108196453B (zh) | 一种机械臂运动规划群体智能计算方法 | |
CN111906784B (zh) | 一种基于机器视觉引导的咽拭子双臂采样机器人及采样方法 | |
CN111602517B (zh) | 一种串型水果分布式视觉主动感知方法及其应用 | |
CN107901041B (zh) | 一种基于图像混合矩的机器人视觉伺服控制方法 | |
CN108247637B (zh) | 一种工业机器人手臂视觉防撞操控方法 | |
CN105137973B (zh) | 一种人机协作场景下的机器人智能躲避人类方法 | |
CN108972494B (zh) | 一种仿人机械手抓取控制系统及其数据处理方法 | |
CN108838991B (zh) | 一种自主类人双臂机器人及其对运动目标的跟踪操作系统 | |
CN102915039B (zh) | 一种仿动物空间认知的多机器人联合目标搜寻方法 | |
CN105437232B (zh) | 一种控制多关节移动机器人避障的方法及装置 | |
Rae et al. | Recognition of human head orientation based on artificial neural networks | |
CN111152218B (zh) | 一种异构仿人机械臂的动作映射方法及系统 | |
JP2022542241A (ja) | ロボット装置からの視覚的出力を補強するシステム及び方法 | |
CN109000655B (zh) | 机器人仿生室内定位导航方法 | |
CN106354161A (zh) | 机器人运动路径规划方法 | |
CN108362284A (zh) | 一种基于仿生海马认知地图的导航方法 | |
CN109108978B (zh) | 基于学习泛化机制的三自由度空间机械臂运动规划方法 | |
CN108044625A (zh) | 一种基于多Leapmotion虚拟手势融合的机器人机械臂操控方法 | |
CN107621880A (zh) | 一种基于改进头姿估计方法的机器人轮椅交互控制方法 | |
CN104097205B (zh) | 基于任务空间的机器人实时运动自碰撞避免控制方法 | |
CN112347900A (zh) | 基于距离估计的单目视觉水下目标自动抓取方法 | |
Zeng et al. | Deep reinforcement learning for next-best-view planning in agricultural applications | |
CN108594657A (zh) | 一种基于神经网络的机械臂自适应控制方法 | |
CN111152220A (zh) | 一种基于人机融合的机械臂控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |