CN109086557B - 一种基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法 - Google Patents
一种基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法 Download PDFInfo
- Publication number
- CN109086557B CN109086557B CN201811121052.9A CN201811121052A CN109086557B CN 109086557 B CN109086557 B CN 109086557B CN 201811121052 A CN201811121052 A CN 201811121052A CN 109086557 B CN109086557 B CN 109086557B
- Authority
- CN
- China
- Prior art keywords
- neural network
- euler
- vector
- periodic
- motion planning
- 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.)
- Active
Links
- 230000000737 periodic effect Effects 0.000 title claims abstract description 56
- 230000033001 locomotion Effects 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 230000033764 rhythmic process Effects 0.000 title claims abstract description 36
- 230000003252 repetitive effect Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000001133 acceleration Effects 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000004913 activation Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 17
- 239000012636 effector Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Numerical Control (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本发明涉及一种基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法,包括如下步骤:1)采用二次型优化在角加速度层上对机械臂的逆运动学解析,设计了角加速度雅可比等式;2)角速度范数等价为角加速度范数,建立标准二次规划方案;3)通过欧拉前向微分法离散化周期节律神经网络,得到欧拉型离散周期节律神经网络求解器并用其进行求解标准二次规划方案;4)将求解结果通过控制器驱动各关节电机使机械臂由初始位置开始进行重复运动规划。本发明在使用欧拉型离散周期节律神经网络实现控制冗余度机械臂的重复运动规划,且欧拉型离散周期节律神经网络更容易在硬件中实现抑制周期噪声。
Description
技术领域
本发明涉及冗余度机械臂控制领域,具体涉及一种基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法。
背景技术
冗余度机械臂是一种自由度大于任务空间所需最少自由度的末端能动机械装置,其运动任务包括焊接、油漆、组装、挖掘和绘图等,广泛应用于装备制造、产品加工、机器作业等国民经济生产活动中。冗余度机械臂的逆运动学问题是指已知机械臂末端位姿,确定机械臂的关节角问题。当冗余度机械臂末端任务为一个封闭曲线时,其各个关节可能回不到初始位置,这种现象叫做关节角偏差现象,或称非重复运动问题;而重复运动规划方案就是要设计适当的指标,使得机械臂末端执行完封闭曲线任务时,各个关节角都能够回到其初始位置。
以往的重复运动解析方法没有考虑到周期噪声的影响,得到的结果均为默认周期噪声不存在的,这不符合实际情况。事实上周期噪声存在于各种控制系统中,从而减小控制性能,甚至导致失控。周期噪声可能会产生于旋转因子,例如电机与振动元件。冗余机械臂也会受到周期噪声的干扰,可能会因此导致冗余机械臂重复运动规划失败。同时,连续的周期节律神经网络不容易在硬件中实现。
发明内容
针对现有技术中存在的技术问题,本发明至少提供如下技术方案:
一种基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法,其特征在于包括如下步骤:
1)采用二次型优化在角加速度层上对机械臂的逆运动学解析,设计的最小性能指标为角速度范数及扭矩范数,受约束于带角速度和位置反馈的角加速度雅可比等式;
2)进行角速度指标与角加速度指标的等价变换,将所述二次型优化转化为标准二次规划;
3)将周期节律神经网络通过欧拉前向微分法离散化,得到欧拉型离散周期节律神经网络求解器;
4)将所述标准二次规划用所述欧拉型离散周期节律神经网络求解器进行求解;
5)将所述求解的结果驱动机械臂运动。
进一步的,所述步骤1)的二次型优化设计为:最小化受约束于带角速度和位置反馈的角加速度雅可比等式其中σ∈[0,1]是权重参数,是关节角速度矢量,a(t)是一个参数矢量,代表关节扭矩矢量,M(θ)∈Rn×n是一个惯性矩阵,是离心力和科里奥利力矢量,g(θ)∈Rn是重力矢量,J是机械臂的雅可比矩阵,θ和分别是关节角矢量和关节角速度矢量,表示关节加速度矢量,r(t)和分别表示机械臂末端执行器位置矢量和速度矢量,表示机械臂末端执行器加速度矢量,λa,λb∈R作为反馈控制系数。
进一步的,所述步骤2)具体为,进行角速度指标与角加速度指标的等价变换,二次型优化转化为一个标准二次规划,设计所述标准二次规划的性能指标为最小化xTQx/2+μTx,受约束于Jx=y,其中,T表示转置,Q:=(1-σ)I+σMθ),其中I∈Rn×n是单位矩阵;θ(0)是关节初始角,α和β都是正权重系数;
进一步的,所述步骤3)具体为,
通过欧拉前向微分法其中O(τ)是残差,τ是采样周期,k=0,1,2,3,...,将周期节律神经网络以及χ(t)=χ(t-T)+ρ∈(t)离散化得到欧拉型离散周期节律神经网络χk=χk-T/τ+ρ(WkXk-Yk);其中,γ>0设计来调节收敛速度,F(·)表示激活函数,φ(t)代表各种周期噪声,χ(t)∈Rn+m是一个辅助矢量,T是周期噪声的周期,而ρ>0是一个反馈系数,Xk:=X(t=kτ),Vk:=W-1(t=kτ),Wk:=W(t=kτ)Yk:=Y(t=kτ)χk:=χ(t=kτ),φk:=φ(t=kτ),
进一步的,所述矩阵方程用用欧拉型离散周期节律神经网络求解器求解的结果驱动机械臂进行重复运动规划。
进一步的,所述激活函数为线性激活函数、sinh激活函数、bipolar sigmoid激活函数或tunable激活函数;所述周期噪声为周期随机噪声、常数噪声、方波噪声或三角波噪声。
与现有技术相比,本发明至少具有如下有益效果:
本发明的冗余度机械臂重复运动规划方法基于欧拉型离散周期节律神经网络,实现了机械臂实际轨迹与期望路径的重合,使得机械臂能够重复运动规划,并且在硬件中实现了周期噪声的抑制,同时本发明成功的离散化了周期节律神经网络,使其更容易在硬件中得以实现。
附图说明
图1为本发明实施例的基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法的流程图。
图2为机械臂在周期随机噪声干扰下发生非重复运动问题的示意图。
图3为实现本发明的机械臂在周期随机噪声干扰下重复运动规划的示意图。
具体实施方式
下面来对本发明做进一步详细的说明。
下面结合附图对本发明做进一步的说明,但本发明的实施方式不限于此。
本实施例提供了一种基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法,其流程图如图1所示,
图1为本发明实施例基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法的流程图,由该图可知,该实施例的冗余度机械臂重复运动规划方法主要包括加速度层重复运动性能指标与约束1、标准二次规划问题2、周期节律神经网络离散化3,基于矩阵方程的欧拉型离散周期节律神经网络求解器4、下位机控制器5以及机械臂6。具体的,该方法包括了如下步骤:
1)采用二次型优化在角加速度层上对机械臂的逆运动学解析,设计的最小性能指标可为角速度范数、扭矩范数,受约束于带角速度和位置反馈的角加速度雅可比等式;
2)进行角速度指标与角加速度指标的等价变换,将所述二次型优化转化为标准二次规划;
3)将周期节律神经网络通过欧拉前向微分法离散化,得到欧拉型离散周期节律神经网络;
4)将上述的标准二次规划用欧拉型离散周期节律神经网络求解器进行求解;
5)将所述求解的结果驱动机械臂运动。图2所示,机械臂在周期随机噪声干扰下,完成任务后,机械臂关节没有回到初始位置,即机械臂的各个末态关节角不等于初始关节角,且不能完成闭合运动;机械臂的实际轨迹不能与期望路径重合。机械臂不能实现重复运动规划。
其中σ∈[0,1]是权重参数,是关节角速度矢量,a(t)是一个参数矢量,代表关节扭矩矢量,M(θ)∈Rn×n是一个惯性矩阵,是离心力和科里奥利力矢量,g(θ)∈Rn是重力矢量,J是机械臂的雅可比矩阵,θ和分别是关节角矢量和关节角速度矢量,表示关节加速度矢量,r(t)和分别表示机械臂末端执行器位置矢量和速度矢量,表示机械臂末端执行器加速度矢量,λa,λb∈R作为反馈控制系数。
最小化xTQx/2+μTx (3)
Jx=y (4)
χk=χk-T/τ+ρ(WkXk-Yk) (6)
其中,γ>0设计来调节收敛速度,F(·)表示激活函数(例如线性激活函数,sinh激活函数,bipolar sigmoid激活函数,tunable激活函数),φ(t)代表各种周期噪声(例如,周期随机噪声,常数噪声,方波噪声,三角波噪声等等),注意的是,可以把常数噪声作为一个具有任意周期的周期噪声进行处理。χ(t)∈Rn+m是一个辅助矢量,T是周期噪声的周期,而ρ>0是一个反馈系数,Xk:=X(t=kτ)Vk:=W-1(t=kτ)Wk:=W(t=kτ),Yk:=Y(t=kτ),χk:=χ(t=kτ)φk:=φ(t=kτ)
接着,上述矩阵方程用欧拉型离散周期节律神经网络求解器求解。给定初始值X0∈Rn+m,通过欧拉型离散周期节律神经网络求解器迭代得到Xk,便可得到矩阵方程WX=Y的解,从而得到加速度层重复运动规划二次规划的最优解。
现结合一个具体的实例操作对本方法的工作流程进行如下说明。
在加速度层重复运动规划实施过程中,HTVO(即混合扭矩与速度优化)方案的参数设置为σ=0.6,λa=20,λb=20,α=50,β=50,冗余机械臂的关节角初始状态θ(0)设置为[1.675,2.843,-3.216,4.187,-1.710,-2.650]Trad,默认n=6,m=3,重复运动跟踪任务的执行周期设置为T=8s,激活函数使用线性激活函数F(e)=e。将计算得到的加速度再传送给机械臂控制器从而控制机械臂的运动。
机械臂在周期随机噪声干扰下,完成任务后,机械臂回到了初始位置,完成了闭合运动,同时,机械臂的各个末态关节角等于初始关节角;机械臂的实际轨迹也与期望轨迹重合。机械臂实现了重复运动规划。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法,其特征在于包括如下步骤:
1)采用二次型优化方案在角加速度层上对机械臂的逆运动学解析,设计的最小性能指标为角速度范数及扭矩范数,受约束于带角速度和位置反馈的角加速度雅可比等式;
2)进行角速度指标与角加速度指标的等价变换,将所述二次型优化转化为标准二次规划;
3)将周期节律神经网络通过欧拉前向微分法离散化,得到欧拉型离散周期节律神经网络求解器;
4)将所述标准二次规划用所述欧拉型离散周期节律神经网络求解器进行求解;
5)将所述求解的结果驱动机械臂运动;
其中,所述步骤1)的二次型优化方案为:
其中σ∈[0,1]是权重参数,是关节角速度矢量,a(t)是一个参数矢量,代表关节扭矩矢量,M(θ)∈Rn×n是一个惯性矩阵,是离心力和科里奥利力矢量,g(θ)∈Rn是重力矢量,J是机械臂的雅可比矩阵,θ和分别是关节角矢量和关节角速度矢量,表示关节加速度矢量,r(t)和分别表示机械臂末端执行器位置矢量和速度矢量,表示机械臂末端执行器加速度矢量,λa,λb∈R作为反馈控制系数;
所述步骤2)具体包括:
3.根据权利要求2的所述冗余度机械臂重复运动规划方法,其特征在于,所述步骤3)具体为,
4.根据权利要求2的所述冗余度机械臂重复运动规划方法,其特征在于,通过欧拉型离散周期节律神经网络求解器对所述矩阵方程进行求解,将求解结果驱动机械臂进行重复运动规划。
5.根据权利要求3的所述冗余度机械臂重复运动规划方法,其特征在于,所述激活函数为线性激活函数、sinh激活函数、bipolar sigmoid激活函数或tunable激活函数;所述周期噪声为周期随机噪声、常数噪声、方波噪声或三角波噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811121052.9A CN109086557B (zh) | 2018-09-26 | 2018-09-26 | 一种基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811121052.9A CN109086557B (zh) | 2018-09-26 | 2018-09-26 | 一种基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086557A CN109086557A (zh) | 2018-12-25 |
CN109086557B true CN109086557B (zh) | 2022-05-24 |
Family
ID=64842509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811121052.9A Active CN109086557B (zh) | 2018-09-26 | 2018-09-26 | 一种基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086557B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110014427B (zh) * | 2019-03-26 | 2021-11-02 | 华侨大学 | 一种基于伪逆的冗余度机械臂高精度运动规划方法 |
CN110000780B (zh) * | 2019-03-31 | 2021-11-05 | 华南理工大学 | 一种能抵抗周期噪声的龙格库塔型周期节律神经网络方法 |
CN111037550B (zh) * | 2019-12-03 | 2023-02-10 | 华南理工大学 | 一种冗余度机械臂运动控制的解决方法 |
CN113627584B (zh) * | 2020-05-08 | 2024-04-12 | 南京大学 | 一种基于神经网络的机械臂逆运动学求解方法、电子设备及存储介质 |
CN111538949B (zh) * | 2020-07-10 | 2020-10-16 | 深圳市优必选科技股份有限公司 | 冗余机器人逆运动学求解方法、装置和冗余机器人 |
CN113561189B (zh) * | 2021-09-27 | 2021-12-31 | 深圳市优必选科技股份有限公司 | 冗余度机器人的关节加速度规划方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0233712A2 (en) * | 1986-02-18 | 1987-08-26 | Robotics Research Corporation | Industrial robot with servo |
CN101804627A (zh) * | 2010-04-02 | 2010-08-18 | 中山大学 | 一种冗余度机械臂运动规划方法 |
CN101927495A (zh) * | 2010-08-25 | 2010-12-29 | 中山大学 | 一种冗余度机械臂重复运动规划方法 |
CN107255926A (zh) * | 2017-06-27 | 2017-10-17 | 华南理工大学 | 一种快速求解冗余度机械臂关节角偏移问题的方法 |
CN108326844A (zh) * | 2017-01-20 | 2018-07-27 | 香港理工大学深圳研究院 | 冗余度机械臂的可操作度优化的运动规划方法和装置 |
-
2018
- 2018-09-26 CN CN201811121052.9A patent/CN109086557B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0233712A2 (en) * | 1986-02-18 | 1987-08-26 | Robotics Research Corporation | Industrial robot with servo |
CN101804627A (zh) * | 2010-04-02 | 2010-08-18 | 中山大学 | 一种冗余度机械臂运动规划方法 |
CN101927495A (zh) * | 2010-08-25 | 2010-12-29 | 中山大学 | 一种冗余度机械臂重复运动规划方法 |
CN108326844A (zh) * | 2017-01-20 | 2018-07-27 | 香港理工大学深圳研究院 | 冗余度机械臂的可操作度优化的运动规划方法和装置 |
CN107255926A (zh) * | 2017-06-27 | 2017-10-17 | 华南理工大学 | 一种快速求解冗余度机械臂关节角偏移问题的方法 |
Non-Patent Citations (1)
Title |
---|
基于新型性能指标的冗余度机械臂重复运动规划之方案分析与验证;张雨浓 等;《武汉理工大学学报》;20110228;第67-70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109086557A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086557B (zh) | 一种基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法 | |
CN109129486B (zh) | 一种抑制周期噪声的冗余度机械臂重复运动规划方法 | |
CN109129487B (zh) | 在周期噪声下基于泰勒型离散周期节律神经网络的冗余度机械臂重复运动规划方法 | |
Cataldi et al. | Impedance control of an aerial-manipulator: Preliminary results | |
Cheah et al. | Adaptive vision and force tracking control for robots with constraint uncertainty | |
Zhu et al. | Decentralized adaptive fuzzy sliding mode control for reconfigurable modular manipulators | |
CN104760041B (zh) | 一种基于突加度的障碍物躲避运动规划方法 | |
CN110103225B (zh) | 一种数据驱动的机械臂重复运动控制方法与装置 | |
CN105538327A (zh) | 一种基于突加度的冗余度机械臂重复运动规划方法 | |
Chu et al. | Modeling and self-learning soft-grasp control for free-floating space manipulator during target capturing using variable stiffness method | |
Kappler et al. | A new data source for inverse dynamics learning | |
Yamawaki et al. | Iterative learning of variable impedance control for human-robot cooperation | |
Jandaghi et al. | Motion dynamics modeling and fault detection of a soft trunk robot | |
Kiemel et al. | Learning robot trajectories subject to kinematic joint constraints | |
Kebria et al. | Experimental comparison study on joint and cartesian space control schemes for a teleoperation system under time-varying delay | |
Ma et al. | A Learning-based Iterative Control Framework for Controlling a Robot Arm with Pneumatic Artificial Muscles. | |
Muscolo et al. | A Comparison between Two Force‐Position Controllers with Gravity Compensation Simulated on a Humanoid Arm | |
Jiang et al. | An integrated tracking control approach based on reinforcement learning for a continuum robot in space capture missions | |
Izadbakhsh et al. | Superiority of q-Chlodowsky operators versus fuzzy systems and neural networks: Application to adaptive impedance control of electrical manipulators | |
Santhakumar | Proportional‐Derivative Observer‐Based Backstepping Control for an Underwater Manipulator | |
Yu et al. | Lagrangian dynamics and nonlinear control of a continuum manipulator | |
US20230084968A1 (en) | Object manipulation | |
Savin et al. | Control of actuators with linearized variable stiffness | |
Ma et al. | Control of a cable-driven parallel robot via deep reinforcement learning | |
CN110000780B (zh) | 一种能抵抗周期噪声的龙格库塔型周期节律神经网络方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |