CN111805537A - 多机械手协同控制方法、系统、设备及存储介质 - Google Patents

多机械手协同控制方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN111805537A
CN111805537A CN202010545146.XA CN202010545146A CN111805537A CN 111805537 A CN111805537 A CN 111805537A CN 202010545146 A CN202010545146 A CN 202010545146A CN 111805537 A CN111805537 A CN 111805537A
Authority
CN
China
Prior art keywords
parameters
manipulator
preset
parameter
output control
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
Application number
CN202010545146.XA
Other languages
English (en)
Inventor
殷兴国
吴兵
冯永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ji Hua Laboratory
Original Assignee
Ji Hua Laboratory
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ji Hua Laboratory filed Critical Ji Hua Laboratory
Priority to CN202010545146.XA priority Critical patent/CN111805537A/zh
Publication of CN111805537A publication Critical patent/CN111805537A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • 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
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B25J9/1682—Dual arm manipulator; Coordination of several manipulators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种多机械手协同控制方法、系统、设备及存储介质，该方法包括：获取多机械手系统的当前运行轨迹参数和预定运行轨迹参数，并根据所述当前运行轨迹参数和所述预定运行轨迹参数获得第一误差值；再通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数；然后根据所述第一误差值和所述逼近参数确定输出控制参数；最后获取所述多机械手系统的当前输出控制参数，并在所述当前输出控制参数与所述输出控制参数之间的差值小于预设阈值时，根据所述输出控制参数驱动所述多机械手系统运行，通过神经网络模型提高了多臂协同控制系统的稳定性。

Description

多机械手协同控制方法、系统、设备及存储介质
技术领域
本发明涉及机械自动化技术领域，尤其涉及一种多机械手协同控制方法、系统、设备及存储介质。
背景技术
当工业机器人在需要协同控制时，普遍的控制方法是一个控制器及配套硬件控制一条机械手，然后通过编程控制其他机械手的协同工作，造成产品成本和空间的浪费，同时也会延迟两机械手的信息交互及协同工作效率，并且传统的控制器系统在设计上缺少对非线性的处理能力和容错性。因此，如何提高多机械手控制的稳定性，是亟待解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种多机械手协同控制方法、设备、存储介质及装置，旨在解决现有技术中多机械手控制不稳定的技术问题。
为实现上述目的，本发明提供一种多机械手协同控制方法，所述多机械手协同控制方法包括以下步骤：
获取多机械手系统的当前运行轨迹参数和预定运行轨迹参数，并根据所述当前运行轨迹参数和所述预定运行轨迹参数获得第一误差值；
通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数；
根据所述第一误差值和所述逼近参数确定输出控制参数；
获取所述多机械手系统的当前输出控制参数，并在所述当前输出控制参数与所述输出控制参数之间的差值小于预设阈值时，根据所述输出控制参数驱动所述多机械手系统运行。
优选的，所述通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数，具体包括：
根据预设权重和预设节点数建立径向基函数神经网络模型；
通过所述径向基函数神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数。
优选的，所述根据预设权重和预设节点数建立径向基函数神经网络模型，具体包括：
根据预设宽度的高斯函数生成基函数；
根据所述基函数、预设权重和预设节点数建立径向基函数神经网络模型。
优选的，所述通过所述径向基函数神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数，具体包括：
根据预设参数矩阵建立自适应率函数；
通过所述径向基函数神经网络模型对所述预定运行轨迹参数进行拟合，以获得初始逼近参数；
根据所述自适应率函数对所述初始逼近参数进行修正，以获得逼近参数。
优选的，所述根据所述第一误差值和所述逼近参数确定输出控制参数，具体包括：
根据预设增益矩阵建立所述多机械手系统对应的虚拟控制器；
根据所述虚拟控制器和所述第一误差值获得第二误差值；
根据所述第一误差值、所述第二误差值和所述逼近参数确定输出控制参数。
优选的，所述根据所述第一误差值、所述第二误差值和所述逼近参数确定输出控制参数，具体包括：
根据所述第一误差值、所述第二误差值生成约束区间；
根据所述约束区间生成障碍李雅普诺夫函数；
根据所述障碍李雅普诺夫函数和所述逼近参数确定输出控制参数。
优选的，所述根据所述约束区间生成障碍李雅普诺夫函数，具体包括：
根据所述约束区间生成第一李雅普诺夫函数；
根据所述第一李雅普诺夫函数生成第二李雅普诺夫函数，并对所述第二李雅普诺夫函数求导，获得第三李雅普诺夫函数；
根据摩尔彭罗斯矩阵对所述第三李雅普诺夫函数转换，获得障碍李雅普诺夫函数。
此外，为实现上述目的，本发明还提一种多机械手协同控制系统，所述多机械手协同控制系统包括控制器和多个伺服器，所述伺服器分别与一机械手连接，其中：
所述控制器，用于获取多机械手系统的当前运行轨迹参数和预定运行轨迹参数，并根据所述当前运行轨迹参数和所述预定运行轨迹参数获得第一误差值；
所述控制器，还用于通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数；
所述控制器，还用于根据所述第一误差值和所述逼近参数确定输出控制参数；
所述控制器，还用于获取所述多机械手系统的当前输出控制参数，并在所述当前输出控制参数与所述输出控制参数之间的差值小于预设阈值时，根据所述输出控制参数驱动所述伺服器，以驱动所述多机械手系统运行。
此外，为实现上述目的，本发明还提一种多机械手协同控制设备，所述多机械手协同控制设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的多机械手协同控制程序，所述多机械手协同控制程序被所述处理器执行时实现如上述的多机械手协同控制方法的步骤。
此外，为实现上述目的，本发明还提一种存储介质，所述存储介质上存储有多机械手协同控制程序，所述多机械手协同控制程序被处理器执行时实现如上述的多机械手协同控制方法的步骤。
本发明通过获取多机械手系统的当前运行轨迹参数和预定运行轨迹参数，并根据所述当前运行轨迹参数和所述预定运行轨迹参数获得第一误差值；再通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数；然后根据所述第一误差值和所述逼近参数确定输出控制参数；最后获取所述多机械手系统的当前输出控制参数，并在所述当前输出控制参数与所述输出控制参数之间的差值小于预设阈值时，根据所述输出控制参数驱动所述多机械手系统运行。本发明在多机械手系统协同控制中加入神经网络对来自运动过程中轨迹和系统参数产生的的不确定性进行线性拟合，通过线性拟合将非线性转换为线性可分问题，简化未知部分的系统运算，提高鲁棒性及自适应性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的多机械手协同控制设备的结构示意图；
图2为本发明多机械手协同控制方法第一实施例的流程示意图；
图3为本发明多机械手协同控制方法第二实施例的流程示意图；
图4为本发明多机械手协同控制系统第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的多机械手协同控制设备结构示意图。
如图1所示，该多机械手协同控制设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对多机械手协同控制设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及多机械手协同控制程序。
在图1所示的多机械手协同控制设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述多机械手协同控制设备通过处理器1001调用存储器1005中存储的多机械手协同控制程序，并执行本发明实施例提供的多机械手协同控制方法。
所述多机械手协同控制设备通过处理器1001调用存储器1005中存储的多机械手协同控制程序，并执行以下操作：
获取多机械手系统的当前运行轨迹参数和预定运行轨迹参数，并根据所述当前运行轨迹参数和所述预定运行轨迹参数获得第一误差值；
通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数；
根据所述第一误差值和所述逼近参数确定输出控制参数；
获取所述多机械手系统的当前输出控制参数，并在所述当前输出控制参数与所述输出控制参数之间的差值小于预设阈值时，根据所述输出控制参数驱动所述多机械手系统运行。
进一步地，所述多机械手协同控制设备通过处理器1001调用存储器1005中存储的多机械手协同控制程序，还执行以下操作：
根据预设权重和预设节点数建立径向基函数神经网络模型；
通过所述径向基函数神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数。
进一步地，所述多机械手协同控制设备通过处理器1001调用存储器1005中存储的多机械手协同控制程序，还执行以下操作：
根据预设宽度的高斯函数生成基函数；
根据所述基函数、预设权重和预设节点数建立径向基函数神经网络模型。
进一步地，所述多机械手协同控制设备通过处理器1001调用存储器1005中存储的多机械手协同控制程序，还执行以下操作：
根据预设参数矩阵建立自适应率函数；
通过所述径向基函数神经网络模型对所述预定运行轨迹参数进行拟合，以获得初始逼近参数；
根据所述自适应率函数对所述初始逼近参数进行修正，以获得逼近参数。
进一步地，所述多机械手协同控制设备通过处理器1001调用存储器1005中存储的多机械手协同控制程序，还执行以下操作：
根据预设增益矩阵建立所述多机械手系统对应的虚拟控制器；
根据所述虚拟控制器和所述第一误差值获得第二误差值；
根据所述第一误差值、所述第二误差值和所述逼近参数确定输出控制参数。
进一步地，所述多机械手协同控制设备通过处理器1001调用存储器1005中存储的多机械手协同控制程序，还执行以下操作：
根据所述第一误差值、所述第二误差值生成约束区间；
根据所述约束区间生成障碍李雅普诺夫函数；
根据所述障碍李雅普诺夫函数和所述逼近参数确定输出控制参数。
进一步地，所述多机械手协同控制设备通过处理器1001调用存储器1005中存储的多机械手协同控制程序，还执行以下操作：
根据所述约束区间生成第一李雅普诺夫函数；
根据所述第一李雅普诺夫函数生成第二李雅普诺夫函数，并对所述第二李雅普诺夫函数求导，获得第三李雅普诺夫函数；
根据摩尔彭罗斯矩阵对所述第三李雅普诺夫函数转换，获得障碍李雅普诺夫函数。
在本实施例中，通过获取多机械手系统的当前运行轨迹参数和预定运行轨迹参数，并根据所述当前运行轨迹参数和所述预定运行轨迹参数获得第一误差值；再通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数；然后根据所述第一误差值和所述逼近参数确定输出控制参数；最后获取所述多机械手系统的当前输出控制参数，并在所述当前输出控制参数与所述输出控制参数之间的差值小于预设阈值时，根据所述输出控制参数驱动所述多机械手系统运行，通过神经网络模型提高了多臂协同控制系统的稳定性。本实施例在多机械手系统协同控制中加入神经网络对来自运动过程中轨迹和系统参数产生的的不确定性进行线性拟合，通过线性拟合将非线性转换为线性可分问题，简化未知部分的系统运算，提高鲁棒性及自适应性。
基于上述硬件结构，提出本发明多机械手协同控制方法的实施例。
参照图2，图2为本发明多机械手协同控制方法第一实施例的流程示意图，提出本发明多机械手协同控制方法第一实施例。
在第一实施例中，所述多机械手协同控制方法包括以下步骤：
步骤S10：获取多机械手系统的当前运行轨迹参数和预定运行轨迹参数，并根据所述当前运行轨迹参数和所述预定运行轨迹参数获得第一误差值。
应理解的是，本实施例的执行主体是所述多机械手协同控制设备。所述多机械手协同控制设备与所述多机械手系统连接，用于驱动所述多机械手系统中各机械手工作。
需要说明的是，轨迹参数为多机械手系统操作的目标对象在系统坐标系内的坐标参数，所述当前运行轨迹参数是指当前时刻目标对象在系统坐标系内的坐标参数，所述预定运行轨迹参数是用户输入的目标对象在系统坐标系内的预定坐标参数。在某些情形下，所述轨迹参数还可以指机械手在系统坐标系内的坐标参数，本实施例对此不作限制。
需要说明的是，本实施例采用状态反馈对多机械手系统进行控制，通过建立闭环控制系统，以提高控制的稳定性的准确性。令目标对象当前运行轨迹参数为x0，令目标对象预定运行轨迹参数为xd，进而定义第一误差值e1，
e1＝x0-xd
通过第一误差值e1表示当前运行轨迹与预设轨迹之间的偏差。
步骤S20：通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数。
需要说明的是，机械臂系统模型的动力学方程主要是机械臂关节控制角度q和输出力矩τ之间的转换关系，根据拉格朗日-欧拉公式，可以得到单机械臂动力学方程：
Figure BDA0002539164320000081
其中，qi表示第i个关节臂的控制角度，
Figure BDA0002539164320000082
分别是qi的一阶求导和二阶求导，D(qi)为对称正定的惯性矩阵，
Figure BDA0002539164320000083
为是向心力与科里利奥矩阵，G(qi)为是引力向量，JT ei(qi)为机械臂的雅可比矩阵，fei∈Rn为机械臂末端施加于物体的力。
进而，可推导出多臂协同控制系统的动态方程：
Figure BDA0002539164320000084
其中，x0∈Rn为目标对象当前运行轨迹参数；M(x0，qi)为D(qi)对应转换矩阵。
需要说明的是，由于多机械臂系统存在未知参数变量，因此无法直接根据多臂协同控制系统的动态方程制定控制方程，故，采用神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数。
在第一实施例中，所述通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数，具体包括：根据预设权重和预设节点数建立径向基函数神经网络模型；通过所述径向基函数神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数。
需要说明的是，径向基函数神经网络是一种性能良好的分布式前向网络，具有有效逼近、学习能力强、收敛速度快等优点，可以用来逼近多臂协同控制系统的动态方程，定义如下：
fi(Z)＝Wi TSi(Z)
其中，Wi为预设的权重向量，Wi∈Rl，l为神经网络预设节点数，Si(Z)为径向基函数，Z为神经网络的输入变量。
广泛逼近的结果显示，如果L足够大，即隐藏层有足够的节点时，fi(Z)＝Wi TSi(Z)能够逼近任意非线性函数，可以得到如下公式：
Figure BDA0002539164320000091
其中，εi(Z)是有界逼近误差，满足|εi(Z)|≤εi，εi为任意常量且εi>0，由此可得到关于逼近参数Wi *：
Figure BDA0002539164320000092
在本实施例中，所述根据预设权重和预设节点数建立径向基函数神经网络模型，具体包括：根据预设宽度的高斯函数生成基函数；根据所述基函数、预设权重和预设节点数建立径向基函数神经网络模型。
需要说明的是，在逼近非线性函数的过程中，要尽量的经过每一个节点，但是当数据量庞大且散乱的时候可能造成过度拟合，也就是根本无法寻找里面的隐含规律，因此将高斯函数设为基函数，其中径向基函数如下：
Figure BDA0002539164320000093
其中，ηk＝[ηk1，ηk2，…，ηkn]是接收区中心，μk是高斯函数的宽度，Z-μk表示了从隐藏层中心点到输出向量的距离。当输入距离中心点越近，隐藏层节点的输出就会越大，越能进行局部逼近。
在第一实施例中，所述通过所述径向基函数神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数，具体包括：根据预设参数矩阵建立自适应率函数；通过所述径向基函数神经网络模型对所述预定运行轨迹参数进行拟合，以获得初始逼近参数；根据所述自适应率函数对所述初始逼近参数进行修正，以获得逼近参数。
需要说明的是，为进一步提高系统稳定性，通过自适应率函数对所述初始逼近参数进行修正，定义自适应率函数如下：
Wi *＝-Γi[Si(Z)+δiWi *]i＝1，2，…，n
其中，Γi为预设的带正常数的l阶对角矩阵，δi>0是一个很小的正数，当系统受到有界干扰时，能够提高系统稳定性。
步骤S30：根据所述第一误差值和所述逼近参数确定输出控制参数。
需要说明的是，由于多机械臂系统存在未知参数变量，因此无法直接根据多臂协同控制系统的动态方程制定控制方程，根据所述第一误差值e1和所述逼近参数Wi *确定输出控制参数τ为：
τ＝-e1+Wi *
步骤S40：获取所述多机械手系统的当前输出控制参数，并在所述当前输出控制参数与所述输出控制参数之间的差值小于预设阈值时，根据所述输出控制参数驱动所述多机械手系统运行。
可以理解的是，输出控制参数τ表示了各机械手的输出力矩，由此，可以实现对多机械手系统的控制。
需要说明的是，为保证多机械手系统的输出平稳性，避免输出力矩发生突变，在执行输出控制参数之前，还需要判断多机械手系统的当前输出控制参数与所述输出控制参数之间的差值是否小于预设阈值。若小于则说明多机械手系统执行输出时，输出力矩不会发生突变；若大于，则说明输出力矩会发生突变，不执行该输出控制参数，需要重新计算。
在具体实现时，控制器根据输出控制参数确定各伺服器所需要执行的输出；同时，获取伺服器的当前输出，并将当前输出与所需要执行的输出进行差值计算，判断差值是否小于预设值。伺服器是输出可以是输出力矩的大小，也可以是机械臂关节控制角度，本实施例对此不作限制。
需要说明的是，在具体判断多机械手系统的输出是否发生突变时，可根据伺服器的数量进行判定。例如，在超出一半的伺服器存在输出突变时，则判定多机械手系统的输出发生突变。判定阈值还可以为三分一或四分之一的伺服器，具体数值可根据实际需要进行设置，本实施例对此不作限制。
在第一实施例中，通过获取多机械手系统的当前运行轨迹参数和预定运行轨迹参数，并根据所述当前运行轨迹参数和所述预定运行轨迹参数获得第一误差值；再通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数；然后根据所述第一误差值和所述逼近参数确定输出控制参数；最后获取所述多机械手系统的当前输出控制参数，并在所述当前输出控制参数与所述输出控制参数之间的差值小于预设阈值时，根据所述输出控制参数驱动所述多机械手系统运行。本实施例在多机械手系统协同控制中加入神经网络对来自运动过程中轨迹和系统参数产生的的不确定性进行线性拟合，通过线性拟合将非线性转换为线性可分问题，简化未知部分的系统运算，提高鲁棒性及自适应性。
参照图3，图3为本发明多机械手协同控制方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明多机械手协同控制方法的第二实施例。
在第二实施例中，所述步骤S30，具体包括：
步骤S301：根据预设增益矩阵建立所述多机械手系统对应的虚拟控制器。
需要说明的是，所述虚拟控制器可作为一参照，用于调整实际误差，根据预设增益矩阵K建立虚拟控制器α：
α＝-Ke1+xd
其中，e1为第一误差值，xd为目标对象预定运行轨迹参数。
步骤S302：根据所述虚拟控制器和所述第一误差值获得第二误差值。
需要说明的是，虚拟控制器用于产生第二误差值，调整实际误差，定义第二误差值e2为
e2＝x0-α
根据上述公式，即可得到：
e2＝e1+Ke1
步骤S303：根据所述第一误差值、所述第二误差值和所述逼近参数确定输出控制参数。
需要说明的是，为了进一步提高系统稳定性，实现输出受限，采用李雅普诺夫函数对变量进行约束。
在第二实施例中，所述根据所述第一误差值、所述第二误差值和所述逼近参数确定输出控制参数，具体包括；根据所述第一误差值、所述第二误差值生成约束区间；根据所述约束区间生成障碍李雅普诺夫函数；根据所述障碍李雅普诺夫函数和所述逼近参数确定输出控制参数。
需要说明的是，第一误差值e1具体可表示为e1＝[e11 e12…e1n]T，第二误差值e2具体可表示为e2＝[e21 e22…e2n]T，增益矩阵K＝diag(kii)>0，i＝0，1，…，n。
根据第一误差值e1和第二误差值e2考虑如下李雅普诺夫函数：
Figure BDA0002539164320000121
其中，ki>e1i，e1i＝e2i-kiie1i，由此，为输出量设置约束区间，实现输出受限。
在第二实施例中，所述根据所述约束区间生成障碍李雅普诺夫函数，具体包括：根据所述约束区间生成第一李雅普诺夫函数；根据所述第一李雅普诺夫函数生成第二李雅普诺夫函数，并对所述第二李雅普诺夫函数求导，获得第三李雅普诺夫函数；根据摩尔彭罗斯矩阵对所述第三李雅普诺夫函数转换，获得障碍李雅普诺夫函数。
需要说明的是，以第一李雅普诺夫函数V1为基础，考虑第二李雅普诺夫函数V2
Figure BDA0002539164320000122
进一步，求导可得第三李雅普诺夫函数V3：
Figure BDA0002539164320000123
根据摩尔彭罗斯矩阵，有如下表达式：
Figure BDA0002539164320000124
当e2＝[0，0，…，0]T时，可以得到障碍李雅普诺夫函数V：
Figure BDA0002539164320000125
进而，根据所述障碍李雅普诺夫函数和所述逼近参数确定输出控制参数τ为：
Figure BDA0002539164320000126
在第二实施例中，根据预设增益矩阵建立所述多机械手系统对应的虚拟控制器；根据所述虚拟控制器和所述第一误差值获得第二误差值；根据所述第一误差值、所述第二误差值和所述逼近参数确定输出控制参数；在系统设计加入李雅普诺夫函数，来解决输出受限对系统造成的影响，通过设置约束区间，实现输出受限，提高轨迹运动的精度及稳定性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有多机械手协同控制程序，所述多机械手协同控制程序被处理器执行时实现如下步骤：
获取多机械手系统的当前运行轨迹参数和预定运行轨迹参数，并根据所述当前运行轨迹参数和所述预定运行轨迹参数获得第一误差值；
通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数；
根据所述第一误差值和所述逼近参数确定输出控制参数；
获取所述多机械手系统的当前输出控制参数，并在所述当前输出控制参数与所述输出控制参数之间的差值小于预设阈值时，根据所述输出控制参数驱动所述多机械手系统运行。
此外，参照图4，本发明实施例还提出一种多机械手协同控制系统，所述多机械手协同控制系统包括控制器100和多个伺服器200，所述伺服器分别与一机械手300连接，其中：
所述控制器100，用于获取多机械手系统的当前运行轨迹参数和预定运行轨迹参数，并根据所述当前运行轨迹参数和所述预定运行轨迹参数获得第一误差值；
所述控制器100，还用于通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数；
所述控制器100，还用于根据所述第一误差值和所述逼近参数确定输出控制参数；
所述控制器100，还用于获取所述多机械手系统的当前输出控制参数，并在所述当前输出控制参数与所述输出控制参数之间的差值小于预设阈值时，根据所述输出控制参数驱动所述伺服器200，以驱动所述多机械手系统运行。
在本实施例中，通过获取多机械手系统的当前运行轨迹参数和预定运行轨迹参数，并根据所述当前运行轨迹参数和所述预定运行轨迹参数获得第一误差值；再通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数；然后根据所述第一误差值和所述逼近参数确定输出控制参数；最后获取所述多机械手系统的当前输出控制参数，并在所述当前输出控制参数与所述输出控制参数之间的差值小于预设阈值时，根据所述输出控制参数驱动所述多机械手系统运行，通过神经网络模型提高了多臂协同控制系统的稳定性。本实施例在多机械手系统协同控制中加入神经网络对来自运动过程中轨迹和系统参数产生的的不确定性进行线性拟合，通过线性拟合将非线性转换为线性可分问题，简化未知部分的系统运算，提高鲁棒性及自适应性。
本发明所述多机械手协同控制系统其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种多机械手协同控制方法，其特征在于，所述多机械手协同控制方法包括：
获取多机械手系统的当前运行轨迹参数和预定运行轨迹参数，并根据所述当前运行轨迹参数和所述预定运行轨迹参数获得第一误差值；
通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数；
根据所述第一误差值和所述逼近参数确定输出控制参数；
获取所述多机械手系统的当前输出控制参数，并在所述当前输出控制参数与所述输出控制参数之间的差值小于预设阈值时，根据所述输出控制参数驱动所述多机械手系统运行。
2.如权利要求1所述的多机械手协同控制方法，其特征在于，所述通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数，具体包括：
根据预设权重和预设节点数建立径向基函数神经网络模型；
通过所述径向基函数神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数。
3.如权利要求2所述的多机械手协同控制方法，其特征在于，所述根据预设权重和预设节点数建立径向基函数神经网络模型，具体包括：
根据预设宽度的高斯函数生成基函数；
根据所述基函数、预设权重和预设节点数建立径向基函数神经网络模型。
4.如权利要求2所述的多机械手协同控制方法，其特征在于，所述通过所述径向基函数神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数，具体包括：
根据预设参数矩阵建立自适应率函数；
通过所述径向基函数神经网络模型对所述预定运行轨迹参数进行拟合，以获得初始逼近参数；
根据所述自适应率函数对所述初始逼近参数进行修正，以获得逼近参数。
5.如权利要求1所述的多机械手协同控制方法，其特征在于，所述根据所述第一误差值和所述逼近参数确定输出控制参数，具体包括：
根据预设增益矩阵建立所述多机械手系统对应的虚拟控制器；
根据所述虚拟控制器和所述第一误差值获得第二误差值；
根据所述第一误差值、所述第二误差值和所述逼近参数确定输出控制参数。
6.如权利要求5所述的多机械手协同控制方法，其特征在于，所述根据所述第一误差值、所述第二误差值和所述逼近参数确定输出控制参数，具体包括：
根据所述第一误差值、所述第二误差值生成约束区间；
根据所述约束区间生成障碍李雅普诺夫函数；
根据所述障碍李雅普诺夫函数和所述逼近参数确定输出控制参数。
7.如权利要求6所述的多机械手协同控制方法，其特征在于，所述根据所述约束区间生成障碍李雅普诺夫函数，具体包括：
根据所述约束区间生成第一李雅普诺夫函数；
根据所述第一李雅普诺夫函数生成第二李雅普诺夫函数，并对所述第二李雅普诺夫函数求导，获得第三李雅普诺夫函数；
根据摩尔彭罗斯矩阵对所述第三李雅普诺夫函数转换，获得障碍李雅普诺夫函数。
8.一种多机械手协同控制系统，其特征在于，所述多机械手协同控制系统包括控制器和多个伺服器，所述伺服器分别与一机械手连接，其中：
所述控制器，用于获取多机械手系统的当前运行轨迹参数和预定运行轨迹参数，并根据所述当前运行轨迹参数和所述预定运行轨迹参数获得第一误差值；
所述控制器，还用于通过神经网络模型对所述预定运行轨迹参数进行拟合，以获得逼近参数；
所述控制器，还用于根据所述第一误差值和所述逼近参数确定输出控制参数；
所述控制器，还用于获取所述多机械手系统的当前输出控制参数，并在所述当前输出控制参数与所述输出控制参数之间的差值小于预设阈值时，根据所述输出控制参数驱动所述伺服器，以驱动所述多机械手系统运行。
9.一种多机械手协同控制设备，其特征在于，所述多机械手协同控制设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的多机械手协同控制程序，所述多机械手协同控制程序被所述处理器执行时实现如权利要求1至7中任一项所述的多机械手协同控制方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有多机械手协同控制程序，所述多机械手协同控制程序被处理器执行时实现如权利要求1至7中任一项所述的多机械手协同控制方法的步骤。
CN202010545146.XA 2020-06-12 2020-06-12 多机械手协同控制方法、系统、设备及存储介质 Pending CN111805537A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010545146.XA CN111805537A (zh) 2020-06-12 2020-06-12 多机械手协同控制方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010545146.XA CN111805537A (zh) 2020-06-12 2020-06-12 多机械手协同控制方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111805537A true CN111805537A (zh) 2020-10-23

Family

ID=72845028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010545146.XA Pending CN111805537A (zh) 2020-06-12 2020-06-12 多机械手协同控制方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111805537A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114800532A (zh) * 2022-06-27 2022-07-29 西南交通大学 机械臂控制参数确定方法、装置、设备、介质和机器人
CN115570568A (zh) * 2022-10-11 2023-01-06 江苏高倍智能装备有限公司 一种多机械手协同控制方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1672146A (zh) * 2002-07-30 2005-09-21 雅马哈发动机株式会社 适用于软计算中的非线性动态系统的模拟系统和方法
JP2009184095A (ja) * 2008-02-08 2009-08-20 Fanuc Ltd 部品保護機能を備えたロボット制御装置及びロボット制御方法
US20160121484A1 (en) * 2014-10-29 2016-05-05 Fanuc Corporation Control device with function to check load information settings
US10011017B2 (en) * 2015-07-30 2018-07-03 Fanuc Corporation Industrial robot system and control method thereof
CN108415425A (zh) * 2018-02-08 2018-08-17 东华大学 一种基于改进基因调控网络的分布式群机器人协同集群算法
CN109176525A (zh) * 2018-09-30 2019-01-11 上海神添实业有限公司 一种基于rbf的移动机械手自适应控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1672146A (zh) * 2002-07-30 2005-09-21 雅马哈发动机株式会社 适用于软计算中的非线性动态系统的模拟系统和方法
JP2009184095A (ja) * 2008-02-08 2009-08-20 Fanuc Ltd 部品保護機能を備えたロボット制御装置及びロボット制御方法
US20160121484A1 (en) * 2014-10-29 2016-05-05 Fanuc Corporation Control device with function to check load information settings
US10011017B2 (en) * 2015-07-30 2018-07-03 Fanuc Corporation Industrial robot system and control method thereof
CN108415425A (zh) * 2018-02-08 2018-08-17 东华大学 一种基于改进基因调控网络的分布式群机器人协同集群算法
CN109176525A (zh) * 2018-09-30 2019-01-11 上海神添实业有限公司 一种基于rbf的移动机械手自适应控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
雷敏杰: "基于神经网络的多机械臂协同控制方法研究", 《中国优秀硕士论文全文数据库 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114800532A (zh) * 2022-06-27 2022-07-29 西南交通大学 机械臂控制参数确定方法、装置、设备、介质和机器人
CN115570568A (zh) * 2022-10-11 2023-01-06 江苏高倍智能装备有限公司 一种多机械手协同控制方法及系统
CN115570568B (zh) * 2022-10-11 2024-01-30 江苏高倍智能装备有限公司 一种多机械手协同控制方法及系统

Similar Documents

Publication Publication Date Title
US20230373089A1 (en) Method for controlling robot, robot and computer-readable storage medium
Piltan et al. Review of sliding mode control of robotic manipulator
CN110673472B (zh) 基于神经网络补偿死区反演误差的自适应鲁棒控制方法
US20120253514A1 (en) Reinforcement learning apparatus, control apparatus, and reinforcement learning method
Izadbakhsh et al. Robust adaptive control of robot manipulators using Bernstein polynomials as universal approximator
Qi et al. Stable indirect adaptive control based on discrete-time T–S fuzzy model
CN111805537A (zh) 多机械手协同控制方法、系统、设备及存储介质
CN112338912A (zh) 一种柔性单链机械臂的有限时间稳定控制方法及系统
CN111965976B (zh) 基于神经网络观测器的机器人关节滑模控制方法及系统
Habibnejad Korayem et al. Designing an optimal control strategy for a mobile manipulator and its application by considering the effect of uncertainties and wheel slipping
Adhikary et al. Inverse dynamics based robust control method for position commanded servo actuators in robot manipulators
Yu et al. Autonomous driving using linear model predictive control with a Koopman operator based bilinear vehicle model
Wang et al. Adaptive neural network control of a wheeled mobile robot violating the pure nonholonomic constraint
Naghibi et al. Fuzzy MTEJ controller with integrator for control of underactuated manipulators
CN112199833A (zh) 关节动力学模型优化方法、系统、终端设备及存储介质
US20190243318A1 (en) Machine learning device, servo motor controller, servo motor control system, and machine learning method
Fateh et al. Discrete optimal control for robot manipulators
Huang et al. Adaptive control of mechanical systems using neural networks
McIlvanna et al. Reinforcement learning-enhanced control barrier functions for robot manipulators
Arbo et al. CASCLIK: CasADi-Based Closed-Loop Inverse Kinematics
Macnab Neural-adaptive backstepping for flexible-joint robots with neither extra parameters, extra networks, nor robust terms
Koubaa et al. Intelligent control for nonholonomic mobile robot including actuator dynamics
Tarantos et al. Real-Time Motion Generation for Mobile Manipulators via NMPC with Balance Constraints
Richert et al. Neural-adaptive control of robotic manipulators using a supervisory inertia matrix
Hassanzadeh et al. GA based input-output feedback linearization controller for rotary inverted pendulum 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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201023

RJ01 Rejection of invention patent application after publication