CN110405757A - 一种基于神经网络的智能机器人 - Google Patents
一种基于神经网络的智能机器人 Download PDFInfo
- Publication number
- CN110405757A CN110405757A CN201910606648.6A CN201910606648A CN110405757A CN 110405757 A CN110405757 A CN 110405757A CN 201910606648 A CN201910606648 A CN 201910606648A CN 110405757 A CN110405757 A CN 110405757A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- motor
- output
- signal
- 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.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Control Of Multiple Motors (AREA)
Abstract
本发明提供一种基于神经网络的智能机器人,其包括车体及控制系统,所述车体至少包括伺服机构和连接于伺服机构的两个驱动轮,所述控制系统用于给伺服机构提供分别驱动两个驱动轮速度控制信号,其特征在于,所述控制系统包括误差估计模块和神经网络模块,误差估计模块根据机器人的位置和方向生成误差估计信号,所述神经网络模块根据误差估计信号及其微分信号生成控制机器人左轮和右轮的速度控制信号,神经网络模块至少包括函数层和判断层,当函数层的输出高或者等于动态临界值时输出,低于动态临界值时不输出。本发明提供的基于神经网络的智能机器运算量小。
Description
技术领域
本发明涉及一种基于神经网络的智能机器人,属于机器人技术领域。
背景技术
随着智能制造时代的到来,运载机器人越来越广泛的地被应用在实验室、工厂、医疗智能环境、物流、行星探索、残疾人的辅助等中,执行运输各种零件、试验原料、医疗物品等任务,代替工人进行体力劳动,大幅提升自动化水平。其中,运载机器人的路径规划水平决定了机器人在实际任务的运行效率。
发明内容
本发明的发明目的是提供一种基于神经网络的智能机器人,其运算量小。
为实现所述发明目的,本发明提供一种基于神经网络的智能机器人,其包括车体及控制系统,所述车体至少包括伺服机构和连接于伺服机构的两个驱动轮,所述控制系统用于给伺服机构提供分别驱动两个驱动轮速度控制信号,其特征在于,所述控制系统包括误差估计模块和神经网络模块,误差估计模块根据机器人的位置和方向生成误差估计信号,所述神经网络模块根据误差估计信号及其微分信号生成控制机器人左轮和右轮的速度控制信号,神经网络模块至少包括函数层和判断层,当函数层的输出高或者等于动态临界值时输出,低于动态临界值时不输出。
优选地,所述神经网络模块还包括输入层、规则层及输出层,其中,
输入层将误差估计模块输出的误差信号e1、误差信号e2及它们的导数e′1和e′2传送给函数层;
函数层的输出为:
式中: 分别为高斯函数的中心点和带宽;xi(n)={e1(n)e2(n)e′1(n)e′2(n)};为上一次函数层输出,i=1,…,ni;j=1,…,nj,ni为函数层输入信号的数目,nj为对于函数层每个输入信号变换的数目;为结构权重值;
判断层根据下式来判断函数层输出是否传送到规则层:
式中,β为常数;
规则层输出的信号为:
式中,为规则层和判断层之间的权重;k=1,…,ny,ny为规则层神经元数目;
输出层输出的信号为:
式中:为输出层和规则层之间的权重;a=r,l为输出层输出信号的数目。
优选地,伺服机构至少包括第一电机和第二电机,所述第一电机和第二电机设置在两端开放磁性圆筒内。
优选地,第一电机的转子在转子铁心的周部等间隔设置有多个第一永磁体,所述多个第一永磁体全部是N极朝向外铡,S极朝向内侧;第二电机的转子在转子铁心的周部等间隔设置有多个第二永磁体,所述多个第二永磁体全部是S极朝向外铡,N极朝向内侧;第一电机的转子轴和第二电机的转子轴以相互独立地旋转的方式连结而连结,从而能够相互独立地旋转。
优选地,在第一电机的转子和第二电机的转子之间转子轴上设置有调整线圈。
与现有技术相比,本发明提供的神经网络的智能机器人具有如下有益效果:运算量小;成本低。
附图说明
图1是本发明提供的智能机器人的车体的组成示意图;
图2是本发明提供的基于神经网络的智能机器人的控制系统组成框图;
图3是本发明提供的神经网络模块的组成框图;
图4是本发明提供的机器车体伺服机构的组成示意图;
图5是本发明提供的驱动轮驱动电机转子的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
在本发明的描述中,需要说明的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接,也可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明提供的基于神经网络的智能机器人包括车体及控制系统,所述控制系统用于给机器人提供控制信号,以使机器人根据控制信号进行运行。
图1是本发明提供的智能机器人的车体的组成示意图,如图1所示,车体包括至少包括两个驱动轮(左轮、右轮)和辅助轮,所述,左轮和右轮分别由两个独立的伺服电机进行驱动,它们之间的距离为2b,左轮和右轮之间的半径为r,C为车体的质心位置。车体坐标系为XPY,其中,X轴穿过质心C,并垂直于左右轮的轮轴,Y轴与轮轴重合,原点P为X轴与Y轴的交点;环境坐标为UOV座标,环境坐标系与车体坐标系处于同一平面,机器人车体在环境坐标系中的位置可表示为p=[u v θ]T。
机器人车体在环境坐标系中的动态方程可表示成:
其中,
式中,p为机器人在环境坐标系中的位置;vr,vl分别为车体左轮和右轮的速度,d1,d2,d3分别为外来干扰。
为了分析容易,在动态方程式乘上下列转换矩阵:
则动态方程转换为:
图2是本发明提供的基于神经网络的智能机器人的控制系统组成框图,如图1所示,所述控制系统包括误差估计模块400和神经网络模块100,误差估计模块400根据机器人的位置和方向生成误差估计信号,所述神经网络模块100根据误差估计信号及其微分信号生成控制机器人车体200左轮和右轮的速度控制信号。
误差估计模块400输出的误差向量及对应的滤波向量为:
式中,ud,vd为车体在环境坐标系中的参考位置;
式中:
根据亚普诺函数如下:
其中选择常数矩阵G使得为正定矩阵,对时间的微分为:
为使系统稳定工作,控制命令如下:
所以:
由于V′1为负,所述此控制系统为渐近稳定型。
图3是本发明提供的神经网络模块的组成框图,如图3所示,神经网络模块100包括:输入层、函数层、判断层、规则层及输出层,所述神经网络模块包括输入层、函数层、判断层、规则层及输出层,其中,
输入层将误差估计模块输出的误差信号e1、误差信号e2及它们的导数e′1和e′2传送给函数层;
函数层的输出为:
式中: 分别为高斯函数的中心点和带宽;为结构权重值;xi(n)={e1(n) e2(n) e′1(n) e′2(n)};为上一次函数层输出,i=1,…,ni;j=1,…,nj,ni为对于函数层输入信号的数目,nj为对于函数层每个输入信号变换的数目;
判断层根据下式来判断函数层输出是否传送到规则层:
式中,β为常数。
规则层输出的信号为:
式中,为规则层和判断层之间的权重;k=1,…,ny,ny为规则层神经元数目;
输出层输出的信号为:
式中:为输出层和规则层之间的权重;a=r,l为输出层输出信号的数目,输出层的输出用矩阵表示为:
其中,
本发明中的神经网络模块由于设置了判断层,当函数层的输出高或者等于动态临界值dth时输出,低于动态临界值dth时不输出,从而减小了规则层和输出层的运算量。
图4是本发明提供的机器人车体的伺服机构的组成框图,如图4所示,机器人车体200的伺服机构至少包括电机203a、电机203b、减速箱202a、减速箱202b、减速箱202a、驱动轮201a和驱动轮201b,其中,电机203a的输出轴经减速箱202a连接于驱动轮201a的轴上,用于驱动驱动轮201a旋转;电机203b的输出轴经减速箱202b连接于驱动轮201b的轴上,用于驱动驱动轮201b旋转。驱动轮201a和驱动轮201b由电机203a、电机203b分别独立地驱动,因此没有设置差动齿轮。另外,减速箱202a、减速箱202b根据需要设置即可,当然也可以省略。
本发明中,电机203a和电机203b的转子轴一端相靠近并设置在两端开放的由钢板等制成的磁性圆筒内,与圆筒相接或接近地设置从而形成联合电机,圆筒形成电机203a、电机203b定子间磁路。
本发明中,电机203a和电机203b的结构相同,均包括在轴向重叠多片而形成的圆筒体形定子铁心,在定子铁心内周部嵌入例如三相的定子线圈。在圆筒体形铁心内设置有转子,转子包括转子轴和固定于转子轴上的转子铁心,转子铁心由比定子铁心半径小。下面结合图5详细说明本发明提供的电机转子。
图5是本发明提供的驱动轮驱动电机转子的结构示意图;如图5所示,电机203a的转子220a在转子铁心的周部等间隔设置有多个永磁体,所述多个永磁体全部是N极朝向外铡,S极朝向内侧;电机203b的转子220b在转子铁心的周部等间隔设置有多个永磁体,所述多个永磁体全部是S极朝向外铡,N极朝向内侧。电机203a的转子轴和电机203b的转子轴以相互独立地旋转的方式连结,从而相互独立地旋转。
本发明中,在电机203a的转子和电机203b的转子之间转子轴的外周设置有调整线圈210,其也可以仅是线圈,也可以是产生的磁场的励磁线圈。为了增大磁通,在圆筒形的磁芯209上卷绕适当的励磁线圈而形成,在线圈上施加直流励磁电流以在电机203a和电机203b的轴向产生轴向磁场。
本发明中,在电机203a和电机203b转子轴分别设置有旋转传感器,分别检测两个电机203a和电机203b的磁极位置。电机203a和电机203b分别设置成三相电动机结构,分别由三相逆变器206和三相逆变器207提供三相交流电流,三相逆变器206和三相逆变器207用于交直流电源204提供的直流电转换为三相交流电。
本发明中,由二相电源208给调整线圈210提供正的直流电流、负的直流电流或者零。下面描述调整线圈210的作用。例如,电机203a和电机203b至少一个或两个的电压接近电源电压(电池电压)并高于电源电压(电池电压)时,调整线圈210进行电流控制,以减弱电机203a和电机203b励磁运动。
在调整线圈210施加正的电流情况下,由施加于调整线圈的电流产生的磁场的磁路从电机203a的转子上N极侧的各永久磁体通过电机203a的定子、磁性圆筒、电机203b的定子、电机203b的转子上S极侧的各永久磁铁体而到达电机203b转子轴、203a转子轴,最后到203a的转子铁心。电机203a的转子N磁极输出的磁束与其定子的电枢线圈交叉,电机203b的转子的S磁极输入的磁束与电枢线圈交叉。转子220b的两个S极性的永久磁铁之间的磁性体部分等价为N磁极;转子220a的两个N极性永磁铁之间的磁性体部分等价为S磁极,转子220a,220b上永久磁铁体磁通因励磁线圈磁通的影响而增强,因此,转子220a,220b分别像以往的同步电机的转子那样,成为N极和S极交替配置的状态而旋转,其旋转速度和转矩是转子220a、220b的旋转速度和转矩,如此结构的设置可使永磁体的数量减少,从而减少了成本。在调整线圈210施加负的电流情况下,由施加于调整线圈的电流产生的磁场的磁路从电机203b的转子上S极侧的各永久磁体通过电机203b的定子、磁性圆筒、电机203a的定子、电机203a的转子上N极侧的各永久磁铁体、203a电机转子轴、203b的转子轴、203b的转子铁心。电机203a的转子N磁极输出的磁束与其定子的电枢线圈交叉,两个S磁极输入的磁束与电枢线圈交叉。转子220b的两个S极性的永久磁铁之间的磁性体部分等价为S磁极;转子220a的两个N极性永磁铁之间的磁性体部分等价为N磁极,其结果,转子220a,220b上永久磁铁体磁通因励磁线圈磁通的影响而减弱。
以上所述仅对本发明的实施方式做了详细的说明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (5)
1.一种基于神经网络的智能机器人,其包括车体及控制系统,所述车体至少包括伺服机构和连接于伺服机构的两个驱动轮,所述控制系统用于给伺服机构提供分别驱动两个驱动轮速度控制信号,其特征在于,所述控制系统包括误差估计模块和神经网络模块,误差估计模块根据机器人的位置和方向生成误差估计信号,所述神经网络模块根据误差估计信号及其微分信号生成控制机器人左轮和右轮的速度控制信号,神经网络模块至少包括函数层和判断层,当函数层的输出高或者等于动态临界值时输出,低于动态临界值时不输出。
2.根据权利要求1所述基于神经网络的智能机器人,其特征在于,所述神经网络模块还包括输入层、规则层及输出层,其中,
输入层将误差估计模块输出的误差信号e1、误差信号e2及它们的导数e1′和e′2传送给函数层;
函数层的输出为:
式中: 分别为高斯函数的中心点和带宽;
xi(n)={e1(n) e2(n)e′1(n) e′2(n)};为上一次函数层输出,i=1,…,ni;j=1,…,nj,ni为函数层输入信号的数目,nj为对于函数层每个输入信号变换的数目;为结构权重值;
判断层根据下式来判断函数层输出是否传送到规则层:
式中,β为常数;
规则层输出的信号为:
式中,为规则层和判断层之间的权重;k=1,…,ny,ny为规则层神经元数目;
输出层输出的信号为:
式中:为输出层和规则层之间的权重;a=r,l为输出层输出信号的数目。
3.根据权利要求1-2任一所述的基于神经网络的智能机器人,其特征在于,伺服机构至少包括第一电机和第二电机,所述第一电机和第二电机设置在两端开放磁性圆筒内。
4.根据权利要求3所述的基于神经网络的智能机器人,其特征在于,第一电机的转子a在转子铁心的周部等间隔设置有多个第一永磁体,所述多个第一永磁体全部是N极朝向外铡,S极朝向内侧;第二电机的转子在转子铁心的周部等间隔设置有多个第二永磁体,所述多个第二永磁体全部是S极朝向外铡,N极朝向内侧;第一电机的转子轴和第二电机的转子轴以相互独立地旋转的方式连结而连结,从而能够相互独立地旋转。
5.根据权利要求4所述的基于神经网络的智能机器人,其特征在于,在第一电机的转子和第二电机的转子之间转子轴上设置有调整线圈。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910606648.6A CN110405757B (zh) | 2019-07-06 | 2019-07-06 | 一种基于神经网络的智能机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910606648.6A CN110405757B (zh) | 2019-07-06 | 2019-07-06 | 一种基于神经网络的智能机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110405757A true CN110405757A (zh) | 2019-11-05 |
CN110405757B CN110405757B (zh) | 2021-01-01 |
Family
ID=68360523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910606648.6A Active CN110405757B (zh) | 2019-07-06 | 2019-07-06 | 一种基于神经网络的智能机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110405757B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114290889A (zh) * | 2021-06-30 | 2022-04-08 | 华为数字能源技术有限公司 | 动力装置和车辆 |
CN114326405A (zh) * | 2021-12-30 | 2022-04-12 | 哈尔滨工业大学 | 一种基于误差训练的神经网络反步控制方法 |
CN116638967A (zh) * | 2023-07-05 | 2023-08-25 | 中国人民解放军63963部队 | 一种履带车辆动力传动匹配装置及其智能控制系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109940596A (zh) * | 2019-04-16 | 2019-06-28 | 四川阿泰因机器人智能装备有限公司 | 一种基于方差的机器人位移补偿方法 |
-
2019
- 2019-07-06 CN CN201910606648.6A patent/CN110405757B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109940596A (zh) * | 2019-04-16 | 2019-06-28 | 四川阿泰因机器人智能装备有限公司 | 一种基于方差的机器人位移补偿方法 |
Non-Patent Citations (2)
Title |
---|
崔超等: "未知环境下基于模糊神经网络的机器人路径规划", 《北京理工大学学报》 * |
杨兴明等: "基于RBF神经网络的机器人的路径跟踪控制", 《合肥工业大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114290889A (zh) * | 2021-06-30 | 2022-04-08 | 华为数字能源技术有限公司 | 动力装置和车辆 |
CN114326405A (zh) * | 2021-12-30 | 2022-04-12 | 哈尔滨工业大学 | 一种基于误差训练的神经网络反步控制方法 |
CN116638967A (zh) * | 2023-07-05 | 2023-08-25 | 中国人民解放军63963部队 | 一种履带车辆动力传动匹配装置及其智能控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110405757B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110405757A (zh) | 一种基于神经网络的智能机器人 | |
EP1588481B1 (en) | Phase advance angle optimization for brushless motor control | |
US11973455B2 (en) | Bi-stable, sub-commutated, direct-drive, sinusoidal motor controller for precision position control | |
CN110022109B (zh) | 转矩-电流神经网络模型srm转矩脉动控制方法与系统 | |
CN107733316A (zh) | 马达控制装置 | |
US11121595B2 (en) | Permanent magnet electric machine with moveable flux-shunting elements | |
CN102245424B (zh) | 扭矩控制系统 | |
CN107727417A (zh) | 一种人机共驾转向系统硬件在环仿真测试平台 | |
CN107750418A (zh) | 带有磁通量削弱装置的电机 | |
CN107399431B (zh) | 应用于电驱动直升机尾桨上的电机与减速器一体化装置及其控制方法 | |
CN103703670A (zh) | 变换器装置 | |
CN104022609A (zh) | 新型双定子低脉动转矩步进电动机 | |
US8547047B2 (en) | Method and device for monitoring a movement-controlled machine with an electronically commutated drive motor | |
CN102060243B (zh) | 一种履带式配重小车的无线遥控纠偏装置及其控制方法 | |
CN101729007A (zh) | 电力变换装备以及使用该电力变换装置的电梯 | |
CN108749920A (zh) | 一种重型电驱动全轮转向全轮驱动无人框架运输车 | |
CN110426950A (zh) | 一种基于模糊逻辑的智能机器人 | |
US20110297486A1 (en) | Forklift | |
CN106143263A (zh) | 驱动控制系统和集装箱和/或车辆检查载车 | |
CN109676612A (zh) | 机器人磁悬浮智能柔性减速器系统及其控制方法 | |
CN107104566B (zh) | 一种直线旋转开关磁阻电机及其控制方法 | |
CN108736679A (zh) | 具有连续磁变特性的电机和其控制方法 | |
Hu et al. | A common-leg power electronics converter for multi-axis active magnetic bearing drive | |
CN210404877U (zh) | 一种用于智能机器人的联合电机 | |
AT513640B1 (de) | Lager- und Antriebs-System |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An intelligent robot based on Neural Network Effective date of registration: 20210813 Granted publication date: 20210101 Pledgee: Qingyun sub branch of Dezhou Bank Co., Ltd Pledgor: DAGUO ZHONGQI AUTOMATION EQUIPMENT (SHANDONG) Co.,Ltd. Registration number: Y2021980007707 |