CN110598285A - 机械手轨迹逆运动学求解方法、装置及存储介质 - Google Patents

Abstract

本发明实施方式提供一种机械手轨迹逆运动学求解方法、装置及存储介质，属于自动控制技术领域。方法包括：依据DH坐标法建立机械手的运动学模型；基于运动学模型获取机械手末端关节的位姿空间，建立机械手关节空间预测模型，依据机械手末端关节的位姿空间及机械手关节空间预测模型预测机械手的关节空间；机械手关节空间预测模型通过自适应粒子群算法及LM算法对神经网络训练后得到。本发明通过自适应粒子群算法对神经网络中的连接权值和阈值进行优化，以LM算法代替梯度下降算法，克服了传统的神经网络易陷入局部最优解，导致输出误差大的缺陷，同时，具有计算量小，求解速度快的优点。

Description

机械手轨迹逆运动学求解方法、装置及存储介质

技术领域

本发明涉及机器人自动控制技术领域，具体地涉及一种机械手轨迹逆运动学求解方法、一种机械手轨迹逆运动学求解装置以及一种计算机可读存储介质。

背景技术

串联机器人运动学逆解问题一直以来都是机器人领域的一大难点，同时也是串联机器人进行运动学分析时的重点，在机器人学中占据重要地位。串联机器人运动学逆解可以这样来描述：已知机器人末端的位姿情况，求满足条件的关节变量信息，即完成驱动空间到关节空间的转换，它是研究机器人路径规划、轨迹跟踪控制等关键性问题的基础。

目前，求取串联机器人运动学逆解的计算方法有三大类：解析法、几何法和数值解法。解析法是通过矩阵逆乘等运算来求解，但解析法求解过程一般都比较复杂；几何法是利用机构的几何关系及三角运算进行求解的，但几何法受机构几何形状的限制，求解对象仅在满足Pieper准则时才能求取逆解。数值解法是目前求取多自由串联机器人运动学逆解的主要方法，但普遍存在运算量大，收敛速度慢的问题。近年来，不少学者试着将解析法和数值法结合来求解运动学逆解，对收敛速度有较大提高。以上方法虽然均可以解决逆解问题，但在耗时和复杂程度上存在较大不足，不能满足现代工业的需要。

随着计算机技术和人工智能的高速发展，越来越多智能优化算法被挖掘用来解决各行各业的难题。智能优化算法在运动学逆解上的应用也层出不穷，如粒子群算法、神经网络算法、遗传算法等，通过迭代寻优，使得运动学逆解的求解速度和精度都有很大的提升。但现有的智能优化算法求解逆运动学问题时，存在收敛速度慢，易陷入局部极小值导致求解精度低的缺陷。

发明内容

本发明实施方式的目的是提供一种机械手轨迹逆运动学求解方法、装置及存储介质，以解决现有的智能优化算法求解逆运动学问题时，存在收敛速度慢，易陷入局部极小值的问题。

为了实现上述目的，在本发明第一方面，提供一种机械手轨迹逆运动学求解方法，其特征在于，包括：

依据DH坐标法建立机械手的运动学模型，确定基坐标；

基于所述运动学模型获取机械手末端关节的位姿空间，所述位姿空间包括基于基坐标的位置信息和姿态信息；

建立以机械手末端关节的位姿空间为输入，以机械手的关节空间为输出的机械手关节空间预测模型，依据机械手末端关节的位姿空间及所述机械手关节空间预测模型，预测机械手的关节空间；所述关节空间包括表征机械手除末端关节外的各关节角度信息的关节变量；所述机械手关节空间预测模型通过自适应粒子群算法及LM算法对神经网络训练后得到。

可选地，依据DH坐标法建立机械手的运动学模型，确定基坐标，包括：

以机械手第一个关节点建立的坐标系为基坐标系，以所述基坐标系为基础对机械手的每个关节点建立坐标系，其中，机械手第一个关节点的坐标为基坐标。

可选地，所述获取机械手末端关节的位姿空间包括：

获取机械手末端关节在笛卡尔空间的运动轨迹；

依据机械手末端关节在笛卡尔空间的运动轨迹获取机械手末端关节的位姿空间。

可选地，所述机械手关节空间预测模型的训练过程包括：

依据预设的机械手末端关节在笛卡尔空间的运动轨迹获取机械手末端关节的位姿空间，以获取到的机械手末端关节的位姿空间为训练集对所述神经网络进行训练；

通过所述自适应粒子群算法获取所述神经网络的权值和阈值的最佳初始值；

通过所述LM算法对所述最佳初始值进行优化，直至满足收敛条件，得到所述神经网络的最佳权值和阈值，从而得到所述机械手关节空间预测模型。

可选地，所述自适应粒子群算法包括：

S1、设定粒子群规模，初始化所述粒子群，所述粒子群中的每个粒子均包括所述神经网络的所有权值和阈值；

S2、随机生成每个粒子的初始位置和速度；

S3、计算每个粒子的适应度值，依据粒子的适应度值得到每个粒子的当前最优解，通过搜寻所有粒子的当前最优解，得到全局最优解；

S4、判断是否满足终止条件，若是，转到S6，若否，转到S5；

S5、更新各粒子的位置和速度，转到S3；

S6、停止搜索，输出全局最优解作为所述神经网络的权值和阈值的最佳初始值。

可选地，所述LM算法包括：

S1、初始化LM算法参数，以所述神经网络的权值和阈值的最佳初始值作为LM算法的初始值；

S2、判断是否满足收敛条件，若是，转到S3，否则，通过LM算法更新所述神经网络的权值和阈值，转到S2；

S3、停止迭代，以当前权值和阈值作为所述神经网络的最佳权值和阈值。

可选地，所述以获取到的机械手末端关节的位姿空间为训练集对所述神经网络进行训练，包括：

基于所述运动学模型对机械手进行运动学求正解，建立通过机械手的关节空间得到机械手末端关节的位姿空间的第一函数关系；

对机械手进行运动学求逆解，依据所述第一函数关系建立通过机械手末端关节的位姿空间得到机械手的关节空间的第二函数关系；

依据预设的机械手末端关节在笛卡尔空间的运动轨迹获取机械手末端关节的位姿空间，并依据所述第二函数关系得到与机械手末端关节的位姿空间对应的机械手的关节空间实际值；

以依据预设的机械手末端关节在笛卡尔空间的运动轨迹获取到的机械手末端关节的位姿空间为训练集，并依据所述训练集及所述机械手的关节空间实际值对所述神经网络进行训练。

可选地，所述训练集的获取过程包括：

依据所述第二函数关系得到预设的机械手末端关节在笛卡尔空间的运动轨迹的关节变量序列，对得到的关节变量序列进行多项式插值处理，得到机械手关节变量随时间变化的曲线，随机从得到的曲线上选取多组数据，并依据所述第一函数关系得到机械手末端关节的位姿空间，并以得到的机械手末端关节的位姿空间为训练集。

在本发明第二方面，还提供一种机械手轨迹逆运动学求解装置，包括存储器和处理器，所述存储器存储指令，所述指令被所述处理器执行时实现上述的机械手轨迹逆运动学求解方法。

在本发明第三方面，还提供一种计算机可读存储介质，所述可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上述的机械手轨迹逆运动学求解方法。

本发明上述技术方案通过自适应粒子群算法对神经网络中的连接权值和阈值进行优化，并通过LM算法代替传统的梯度下降算法，从而克服了传统的神经网络易陷入局部最优解，导致输出误差大的缺陷。本发明的技术方案避免了现有的机器人运动学求逆解的算法存在的复杂的矩阵变换、三角函数变换及冗长的数学解算步骤，计算量小，且没有限制条件，同时，求解速度快，可满足现代工业实时控制的需求。

本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：

图1是本发明一种实施方式提供的机械手轨迹逆运动学求解方法的方法流程图；

图2是本发明一种实施方式提供的机械手轨迹逆运动学求解方法的DH坐标系示意图；

图3是本发明一种实施方式提供的机械手轨迹逆运动学求解方法的机械手关节空间预测模型训练流程图；

图4是本发明一种实施方式提供的机械手轨迹逆运动学求解方法的机械手末端关节运动轨迹俯视图；

图5是本发明一种实施方式提供的机械手轨迹逆运动学求解方法的关节变量变化曲线图；

图6是本发明一种实施方式提供的机械手轨迹逆运动学求解方法的BP神经网络结构示意图；

图7是本发明一种实施方式提供的机械手轨迹逆运动学求解方法的BP神经网络参数优化流程图；

图8是本发明一种实施方式提供的机械手轨迹逆运动学求解方法的求解结果示意图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

在本发明实施方式中，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

如图1所示，为了实现上述目的，本发明的实施方式提供一种机械手轨迹逆运动学求解方法，包括：

依据DH坐标法建立机械手的运动学模型，确定基坐标；

获取机械手末端关节的位姿空间，位姿空间包括基于基坐标的位置信息和姿态信息；

建立以机械手末端关节的位姿空间为输入，以机械手的关节空间为输出的机械手关节空间预测模型，依据机械手末端关节的位姿空间及机械手关节空间预测模型，预测机械手的关节空间；关节空间包括表征机械手除末端关节外的各关节角度信息的关节变量；机械手关节空间预测模型通过自适应粒子群算法及LM算法对神经网络训练后得到。

如此，本实施方式的上述技术方案通过建立以机械手的末端关节的位姿空间为输入，机械手的关节空间为输出的神经网络模型，能快速的求出机械手的运动学逆解，同时，通过自适应粒子群算法对神经网络中的连接权值和阈值进行优化，并采用LM算法代替传统的梯度下降算法，从而克服了传统的神经网络易陷入局部最优解，导致输出误差大的缺陷。本发明的技术方案避免了现有的机器人运动学求逆解的算法存在的复杂的矩阵变换、三角函数变换及冗长的数学解算步骤，计算量小，且没有限制条件，同时，求解速度快，可满足对机械手实时控制的需求。

具体地，本实施方式以矿用矿山清理机械手为例对本实施方式的技术方案进行说明，矿用矿山清理机械手是一种大型的四自由度串联扒矿设备，在其实现自主清仓作业时，要求矿山清理机械手尾部扒矿铲斗按照指定轨迹运动，并且实现精确的定位。由于大型矿场矿仓需要快速、高效的清理，因此定位过程必须满足实时性要求，鉴于逆运动学求解较复杂，而且现有的算法常常出现多解或无解情况，求解速度和精度也无法达到实时定位的目标。本实施方式中，矿山清理机械手包括一个回旋关节和三个伸缩关节，分别为回转关节、动臂关节、斗杆关节及铲斗关节，以及机械手末端执行关节，即工作铲斗，机械手末端关节的动作依赖于回转关节、动臂关节、斗杆关节及铲斗关节实现，清仓作业时，机械手的动作靠液压油缸的伸缩运动及回转油缸的回转运动使得机械手末端达到指定的位姿。要使得机械手按照预设的运动轨迹动作，则需要对机械手的各个关节的角度进行精确的控制。首先依据DH坐标法建立机械手的运动学模型，并确定基坐标，由于机械手的运动轨迹已知，则可获取机械手末端关节在笛卡尔空间的运动轨迹，并依据机械手末端关节在笛卡尔空间的运动轨迹获取机械手末端关节的位姿空间，其中，位姿空间包括，在基于DH坐标法建立的运动学模型下，机械手末端关节基于基坐标的位置信息和姿态信息，位置信息为机械手末端关节基于基坐标的坐标，姿态信息为机械手末端关节基于基坐标系的旋转角。基于神经网络建立以机械手末端关节的位姿空间为输入，以机械手的关节空间为输出的机械手关节空间预测模型，本实施方式中，神经网络为BP神经网络，以获取到的机械手末端关节的位姿空间为输入，经训练好的机械手关节空间预测模型输出机械手的关节空间，实现对机械手各关节角度的预测，其中，关节空间包括表征机械手各关节角度信息的关节变量，各个关节变量与机械手的各关节一一对应。本实施方式中，通过自适应粒子群算法优化BP神经网络的参数初始值，以优化后的BP神经网络的参数初始值作为LM算法的输入，通过LM算法对BP神经网络的参数进行更新，直至满足收敛条件，得到BP神经网络的最优参数，从而得到训练好的机械手关节空间预测模型，通过自适应粒子群算法对神经网的参数进行优化，并采用LM算法代替传统的梯度下降算法进行参数更新，从而克服了传统的BP神经网络易陷入局部最优解，导致输出误差大的缺陷，同时，仅需获取机械手末端关节的预设运动轨迹，经过机械手关节空间预测模型可快速得到机械手各关节的关节空间信息，相比现有技术方案，无需复杂计算，计算量小，求解速度快，从而实现对机械手的实时控制。

对机械手的控制是基于对机械手各个关节的控制，因此，需要对机械手各个关节建立相互关联的坐标系，本实施方式通过DH坐标法实现对机械手建立运动学模型，其中，依据DH坐标法建立机械手的运动学模型，确定基坐标，包括：

以机械手第一个关节点建立的坐标系为基坐标系，以基坐标系为基础对机械手的每个关节点建立坐标系，其中，机械手第一个关节点的坐标为基坐标。

如图2所示，以机械手第一个关节点建立的坐标系Ox₀y₀z₀为基坐标系，Cx₁y₁z₁为第一个伸缩关节的坐标系，Fx₂y₂z₂为第二个伸缩关节的坐标系，Qx₃y₃z₃为第三个伸缩关节的坐标系，Vx₄y₄z₄为机械手末端执行关节的坐标系，依据建立的DH坐标系，可实现从第i个关节的DH坐标系到第i-1个关节的DH坐标系的变换，具体过程为：

绕轴z_i-1旋转θ_i角，使得轴x_i-1转至轴x_i的方向，使得轴x_i-1与轴x_i平行且共面；

沿轴z_i-1平移d_i距离，使轴x_i-1与轴x_i重合；

沿轴x_i平移a_i距离，使轴z_i-1与轴z_i相交于O_i点；

绕轴x_i旋转α_i角，使轴z_i-1与轴z_i重合，从而实现了从第i个关节的坐标系变换到第i-1个关节的坐标系。

如图3所示，机械手关节空间预测模型的训练过程包括：

依据预设的机械手末端关节在笛卡尔空间的运动轨迹获取机械手末端关节的位姿空间，以获取到的机械手末端关节的位姿空间为训练集对神经网络进行训练；

通过自适应粒子群算法获取神经网络的权值和阈值的最佳初始值；

通过LM算法对最佳初始值进行优化，直至满足收敛条件，得到神经网络的最佳权值和阈值，从而得到机械手关节空间预测模型。

如此，本实施方式通过自适应粒子群算法对BP神经网络的权值和阈值进行优化，同时通过LM算法代替传统的梯度下降算法，从而克服了传统的BP神经网络易陷入局部最优解，导致输出误差大的缺陷，同时具有求解速度快，输出精度高的优点。

其中，以获取到的机械手末端关节的位姿空间为训练集对神经网络进行训练的具体过程包括：

基于运动学模型对机械手进行运动学求正解，建立通过机械手的关节空间得到机械手末端关节的位姿空间的第一函数关系；

对机械手进行运动学求逆解，依据第一函数关系建立通过机械手末端关节的位姿空间得到机械手的关节空间的第二函数关系；

依据预设的机械手末端关节在笛卡尔空间的运动轨迹获取机械手末端关节的位姿空间，并依据第二函数关系得到与机械手末端关节的位姿空间对应的机械手的关节空间实际值；

以依据预设的机械手末端关节在笛卡尔空间的运动轨迹获取到的机械手末端关节的位姿空间为训练集，并依据训练集及机械手的关节空间实际值对神经网络进行训练。

具体的，依据建立的DH坐标系下的矩阵齐次变换确定机械手的运动学正解过程，即得到由机械手的关节空间[θ₁、θ₂、θ₃、θ₄]到机械手末端执行关节位姿空间[x、y、z、δ]的转换关系式，具体过程如下：

第i个关节的DH坐标系相对于第i-1个关节的DH坐标系的齐次变换矩阵^i-1A_i的计算公式如下：

其中，^i-1R_i为坐标矩阵，^i-1P_i为位姿角矩阵，θ_i为关节角范围，a_i为机械臂长度，d_i为偏移量，α_i为扭转角度。

根据齐次变换矩阵^i-1A_i可知，机械手末端执行关节相对基坐标系存在4分坐标变换，即⁰T₄＝⁰A₁ ¹A₂ ²A₃ ³A₄，则可得：

令机械手第一个回转关节中心处坐标为基坐标⁰P，可得机械手末端关节的位姿公式为：⁴P＝⁰T₄ ⁰P，依据上述公式，可得机械手末端关节的位姿：

从而得到通过机械手的关节空间得到机械手末端关节的位姿空间的第一函数关系。

依据几何代数法求逆解确定矿山清理机械手由铲斗末端位姿到各关节变量的转换关系式，从而得到通过机械手末端关节的位姿空间得到机械手的关节空间的第二函数关系，具体求解过程如下：

如图2所示，机械手末端执行关节V点处坐标为[x,y,z],其姿态角为δ＝θ₂+θ₃+θ₄，令基坐标为[x_o,y_o,z_o]，第一个伸缩关节C点坐标为[x_c,y_c,z_c]，第二个伸缩关节F点坐标为[x_f,y_f,z_f]，第三个伸缩关节Q点坐标为[x_q,y_q,z_q]，利用图2所示的几何关系，可以推导出矿山清理机械手各关节变量的计算公式：

其中，CQ、CV为矿山清理机械手的几何参数， α,β,γ分别为CF、CQ、CV和x₀轴的夹角，表示为：

则第三个伸缩关节Q点坐标[x_q,y_q,z_q]表示为：

以此类推，按上述方法即可得到机械手各个关节点的坐标。

进一步的，训练集的获取过程包括：

依据第二函数关系得到预设的机械手末端关节在笛卡尔空间的运动轨迹的关节变量序列，对得到的关节变量序列进行多项式插值处理，得到机械手关节变量随时间变化的曲线，随机从得到的曲线上选取多组数据，并依据第一函数关系得到机械手末端关节的位姿空间，并以得到的机械手末端关节的位姿空间为训练集。

具体的，如图4所示，获取预设的机械手末端关节在笛卡尔空间的一段运动轨迹，依据几何代数法求逆解的过程得到与机械手末端关节位姿空间对应的关节空间，从而得到该段运动轨迹上的关节变量值序列，如图5所示，通过MATLAB中Robotics Toolbox工具箱对得到的关节变量值序列进行7次多项式插值，得到机械手的各关节变量随时间变化的变化曲线，在得到的变化曲线上随机选取3000组数据，通过机械手运动学正解过程得到3000组关节变量值对应的机械手末端关节的位姿空间，作为BP神经网络的原始数据样本，将其中2900组数据样本作为训练集对BP神经网络进行训练，100组数据样本作为测试集，对训练好的预测模型进行验证。

如图6所示，本实施方式的BP神经网络输入为机械手的4个关节变量(θ₁,θ₂,θ₃,θ₄)，故本实施方式的BP神经网络的输入层为4个输入节点，隐含层节点数设定为40个，输出层为4个节点，对应机械手的末端关节位姿空间的4个自由度，输入层到隐含层选取tansig函数，隐含层到输出层选取purelin函数，学习率与动量项因子分别设定为0.4和0.85。

如图7所示，本实施方式通过自适应粒子群算法(APSO算法)及LM算法对BP神经网络的阈值和权值进行优化，自适应粒子群算法包括：

S1、设定粒子群规模，初始化粒子群，粒子群中的每个粒子均包括神经网络的所有权值和阈值。

S2、随机生成每个粒子的初始位置和速度。

S3、计算每个粒子的适应度值，通过适应度值对每个粒子的位置优劣进行评估，从而依据粒子的适应度值得到每个粒子的当前最优解，通过搜寻所有粒子的当前最优解，得到全局最优解，并将得到的全局最优解与历史全局最优解比较，以最优的全局最优解作为本次迭代中的全局最优解。

S4、判断是否满足终止条件，若是，转到S6，若否，转到S5，本实施方式以获得理想解或达到迭代结束条件为终止条件，当适应度值收敛于一固定值时视为获得理想解。

S5、按照APSO算法更新各粒子的位置和速度，转到S3。

S6、停止搜索，输出全局最优解作为神经网络的权值和阈值的最佳初始值，APSO算法结束。

进一步的，LM算法包括：

S1、初始化LM算法参数，以神经网络的权值和阈值的最佳初始值作为LM算法的初始值，在整个搜索空间初始化LM算法的各项参数，设置误差目标设置误差目标ε，比例系数μ以及调节因子β，迭代次数k＝0及最大迭代次数T_BP等，将APSO算法最终寻得的最优解作为LM算法的初值u₀。

S2、判断是否满足收敛条件，若是，转到S3，否则，通过LM算法更新BP神经网络的权值和阈值，转到S2。

具体的，步骤S2包括：

S2.1、通过BP神经网络正向传播求得到输出误差e_k，若e_k<ε或k>T_BP，表示算法已经收敛，转至步骤S3，否则，转至S2.2；

S2.2、通过公式对BP神经网络的权值和阈值进行更新，计算e_k+1，若e_k+1>e_k，则，μ＝μβ，μ_k+1＝μ_k，转至S2.1，否则，μ＝μ/β,k＝k+1，转至S2.1；

其中，μ为比例系数，I是单位矩阵；u_k是第k次迭代的输入信号；e_k是产生的误差，A_k是Jacobi矩阵，其表达式为：

误差e_k的表达式为其中，l为样本数；d_k为样本实际输出；o_k为理想输出。

S3、停止迭代，以当前权值和阈值作为神经网络的最佳权值和阈值。

对于LM算法来说，比例因子μ的大小决定了算法的优劣程度，当μ的值为0时，LM算法等同于高斯-牛顿算法，具有该算法的迭代特性；当μ的值无限增大时，LM算法则无限接近梯度下降算法，因此，可以通过合理地控制μ值的大小，使得LM算法同时具有梯度法和牛顿法的优点，达到优化标准BP神经网络的目的。

本实施方式通过APSO算法对BP神经网络的权值和阈值进行优化，从而获得一个最佳的权值和阈值的初始值，再通过LM算法替代传统的梯度下降算法对BP神经网络的权值和阈值进行更新，从而有效解决了传统的神经网络易陷入局部最优解，导致输出误差大的问题。

如图8所示，本实施方式提出的机械手轨迹逆运动学求解方法具有较快的收敛速度和很高的收敛精度，且训练后逆解误差接近0，完全满足矿山清理机械手运动学逆解要求，同时，本实施方式所提出方法，不受上述实施例的限制，也适应于各种高自由度串联机器人，为串联机器人逆运动学问题提供了一种有效的求解方法。

在本发明第二方面，还提供一种机械手轨迹逆运动学求解装置，包括存储器和处理器，存储器存储指令，指令被处理器执行时实现上述的机械手轨迹逆运动学求解方法。

在本发明第三方面，还提供一种计算机可读存储介质，可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上述的机械手轨迹逆运动学求解方法。

本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。

本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种机械手轨迹逆运动学求解方法，其特征在于，包括：

依据DH坐标法建立机械手的运动学模型，确定基坐标；

基于所述运动学模型获取机械手末端关节的位姿空间，所述位姿空间包括基于基坐标的位置信息和姿态信息；

建立以机械手末端关节的位姿空间为输入，以机械手的关节空间为输出的机械手关节空间预测模型，依据机械手末端关节的位姿空间及所述机械手关节空间预测模型，预测机械手的关节空间；所述关节空间包括表征机械手除末端关节外的各关节角度信息的关节变量；所述机械手关节空间预测模型通过自适应粒子群算法及LM算法对神经网络训练后得到。

2.根据权利要求1所述的机械手轨迹逆运动学求解方法，其特征在于，所述依据DH坐标法建立机械手的运动学模型，确定基坐标，包括：

以机械手第一个关节点建立的坐标系为基坐标系，以所述基坐标系为基础对机械手的每个关节点建立坐标系，其中，机械手第一个关节点的坐标为基坐标。

3.根据权利要求1所述的机械手轨迹逆运动学求解方法，其特征在于，所述获取机械手末端关节的位姿空间包括：

获取机械手末端关节在笛卡尔空间的运动轨迹；

依据机械手末端关节在笛卡尔空间的运动轨迹获取机械手末端关节的位姿空间。

4.根据权利要求1所述的机械手轨迹逆运动学求解方法，其特征在于，所述机械手关节空间预测模型的训练过程包括：

依据预设的机械手末端关节在笛卡尔空间的运动轨迹获取机械手末端关节的位姿空间，以获取到的机械手末端关节的位姿空间为训练集对所述神经网络进行训练；

通过所述自适应粒子群算法获取所述神经网络的权值和阈值的最佳初始值；

通过所述LM算法对所述最佳初始值进行优化，直至满足收敛条件，得到所述神经网络的最佳权值和阈值，从而得到所述机械手关节空间预测模型。

5.根据权利要求4所述的机械手轨迹逆运动学求解方法，其特征在于，所述自适应粒子群算法包括：

S1、设定粒子群规模，初始化所述粒子群，所述粒子群中的每个粒子均包括所述神经网络的所有权值和阈值；

S2、随机生成每个粒子的初始位置和速度；

S3、计算每个粒子的适应度值，依据粒子的适应度值得到每个粒子的当前最优解，通过搜寻所有粒子的当前最优解，得到全局最优解；

S4、判断是否满足终止条件，若是，转到S6，若否，转到S5；

S5、更新各粒子的位置和速度，转到S3；

S6、停止搜索，输出全局最优解作为所述神经网络的权值和阈值的最佳初始值。

6.根据权利要求4所述的机械手轨迹逆运动学求解方法，其特征在于，所述LM算法包括：

S1、初始化LM算法参数，以所述神经网络的权值和阈值的最佳初始值作为LM算法的初始值；

S2、判断是否满足收敛条件，若是，转到S3，否则，通过LM算法更新所述神经网络的权值和阈值，转到S2；

S3、停止迭代，以当前权值和阈值作为所述神经网络的最佳权值和阈值。

7.根据权利要求4所述的机械手轨迹逆运动学求解方法，其特征在于，所述以获取到的机械手末端关节的位姿空间为训练集对所述神经网络进行训练，包括：

基于所述运动学模型对机械手进行运动学求正解，建立通过机械手的关节空间得到机械手末端关节的位姿空间的第一函数关系；

对机械手进行运动学求逆解，依据所述第一函数关系建立通过机械手末端关节的位姿空间得到机械手的关节空间的第二函数关系；

依据预设的机械手末端关节在笛卡尔空间的运动轨迹获取机械手末端关节的位姿空间，并依据所述第二函数关系得到与机械手末端关节的位姿空间对应的机械手的关节空间实际值；

以依据预设的机械手末端关节在笛卡尔空间的运动轨迹获取到的机械手末端关节的位姿空间为训练集，并依据所述训练集及所述机械手的关节空间实际值对所述神经网络进行训练。

8.根据权利要求7所述的机械手轨迹逆运动学求解方法，其特征在于，所述训练集的获取过程包括：

依据所述第二函数关系得到预设的机械手末端关节在笛卡尔空间的运动轨迹的关节变量序列，对得到的关节变量序列进行多项式插值处理，得到机械手关节变量随时间变化的曲线，随机从得到的曲线上选取多组数据，并依据所述第一函数关系得到机械手末端关节的位姿空间，并以得到的机械手末端关节的位姿空间为训练集。

9.一种机械手轨迹逆运动学求解装置，包括存储器和处理器，其特征在于，所述存储器存储指令，所述指令被所述处理器执行时实现权利要求1～8中任意一项权利要求所述的机械手轨迹逆运动学求解方法。

10.一种计算机可读存储介质，其特征在于，所述可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行如权利要求1～8中任意一项权利要求所述的机械手轨迹逆运动学求解方法。