CN111890363B - 一种基于快速自适应梯度神经网络算法的机械臂运动规划方法 - Google Patents
一种基于快速自适应梯度神经网络算法的机械臂运动规划方法 Download PDFInfo
- Publication number
- CN111890363B CN111890363B CN202010734281.9A CN202010734281A CN111890363B CN 111890363 B CN111890363 B CN 111890363B CN 202010734281 A CN202010734281 A CN 202010734281A CN 111890363 B CN111890363 B CN 111890363B
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- neural network
- motion planning
- adaptive
- jacobian matrix
- 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
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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- 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
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- 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
- B25J9/1607—Calculation of inertia, jacobian matrixes and inverses
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
- Numerical Control (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于快速自适应梯度神经网络算法的机械臂运动规划方法,考虑到机械臂运动规划中涉及到的雅可比矩阵求伪逆的问题,以及长期不间断工作情况下,机械臂模型由于损害导致控制模型参数发生变化,并构建了避免求伪逆的快速自适应梯度神经网络算法模型,避免由求雅可比矩阵伪逆所花费的大量计算时间,并引入自适应系数,能根据机械臂模型自动调整运动规划控制参数,保证机械臂运动规划能满足长期运行的工作情况。
Description
技术领域
本发明涉及机械臂运动规划及控制领域,具体涉及一种基于快速自适应梯度神经网络算法的机械臂运动规划方法。
背景技术
机器臂运动规划领域一直备受当今工业社会的关注。随着机器人技术、计算机技术和伺服控制技术的飞速发展,机器臂运动规划引起了各个领域学者的广泛关注,并在工业生产、医学手术、运输装配等重要领域有着广泛的应用。
虽然先前的研究人员在机器臂运动规划方面已经积累了大量的经验模型,但是实际空间与机器臂关节空间之间的数学联系与控制理论仍然值得进一步深入研究。值得一提的是,现在机器臂控制领域中,都不可避免涉及到实际空间与机器臂关节空间关系矩阵(雅可比)矩阵求伪逆的问题。如此一来,雅可比矩阵求伪逆会带来控制过程中计算复杂度大大的增加,并会直接影响控制效果。一旦机械臂运动规划的难道较大,用于求解雅可比矩阵伪逆的耗时将超出任务时间,导致任务失败。不仅如此,求解伪逆过程中往往会受工业环境噪声干扰,导致伪逆结果不精确,会使得机器臂关节在执行运动规划过程中受损,缩短机器臂的使用年限。另外,由于工业生产是一个不间断的长期过程,机械臂模型会随着时间的推移,出现不同程度的改变,而使用先前单一的控制算法,此时已经无法以一种精确的结果完成所给定的规划运动任务,甚至损坏机器臂设备,通过自适应技术可以有效地自动调整机械臂控制模型。本发明提出一种可应于机器臂运动规划的自适应梯度神经网络算法,能够避免由雅可比矩阵求伪逆增多计算耗时的问题,大大提高计算效率,并引入自适应系数能使得机械臂运动规划求解模型随时间变化而自动匹配,能有效且精确地完成运动规划任务。这些优势对于实时工业生产有极其重大的实践意义。综上所述,本发明专利具有新颖性与实效性。
发明内容
针对上述存在的技术问题,本发明提供了一种基于快速自适应梯度神经网络算法的机械臂运动规划方法,旨在避免雅可比矩阵求伪逆从而能快速完成运动规划任务和自适应调整机械臂运动模型来适应长时期不间断的机械臂运动规划任务。
本发明采用的技术方案是:
一种基于快速自适应梯度神经网络算法的机械臂运动规划方法,该方法包括以下步骤:
步骤S3:根据雅可比矩阵J(σ(t))构建机械臂运动规划模型;
步骤S5:根据所述的神经网络损失能量函数、机械臂末端执行器期望位置信息、机械臂雅可比矩阵、机械臂关节角度和关节速度信息确定梯度神经网络;
步骤S6:将自适应系数引入所述的梯度神经网络,获得避免求伪逆的快速自适应梯度神经网络算法模型,并对快速自适应梯度神经网络算法模型进行求解,获得求解结果;
步骤S7:根据求解结果转化为机械臂运动规划的控制信号且传递至下位机控制器,控制机械臂完成运动规划。
所述自适应系数具体表达式为其中,vec(·)表示向量化算子,|·|表示绝对值算子,||·||2表示向量l2范数,上标T为向量或者矩阵的转置,表示雅可比矩阵的导数,σ(t)机械臂末端执行器各个关节角度信息,ω为控制收敛速度参数。
优选的,在上述步骤S3中,所述机械臂运动规划模型具体为:
优选的,在上述步骤S6中,所述快速自适应梯度神经网络算法模型建模过程:
本发明的有益效果:本发明考虑到机械臂运动规划中涉及到的雅可比矩阵求伪逆的问题,以及长期不间断工作情况下,机械臂模型由于损害导致控制模型参数发生变化,因此,构建了避免求伪逆的快速自适应梯度神经网络算法模型,避免由求雅可比矩阵伪逆所花费的大量计算时间,并引入自适应系数,能根据机械臂模型自动调整运动规划控制参数,保证机械臂运动规划能满足长期运行的工作情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的步骤流程图;
图2为本发明应用下的机械臂末端执行器运动生成轨迹,与各关节运动的运动状态;
图3为本发明应用下的机械臂末端执行器运动生成轨迹(蓝色)和期望轨迹(红色色)。
图4为本发明应用下的机械臂能量损失函数在三维空间上的各损失分量状态。
图5为本发明应用下的机械臂末端执行器运动生成轨迹对应的各关节角速度状态。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
如图1所示,本发明具体提供了一种基于快速自适应梯度神经网络算法的机械臂运动规划方法,该方法包括以下步骤:
所述自适应系数具体表达式为其中,vec(·)表示向量化算子,|·|表示绝对值算子,||·||2表示向量l2范数,上标T为向量或者矩阵的转置,表示雅可比矩阵的导数,σ(t)机械臂末端执行器各个关节角度信息,ω为控制收敛速度参数。
步骤S3:根据雅可比矩阵构建机械臂运动规划模型,具体为
步骤S7:根据求解结果转化为机械臂运动规划的控制信号且传递至下位机控制器,控制机械臂完成运动规划。
下面结合一个具体的仿真操作以及结合附图1步骤流程,对本发明的操作流程进行如下说明。
利用MATLAB软件以六自由度的PUMA 560机械臂指定同一路径重复进行运动生成为例对本发明方法进行实验仿真。
步骤S2:根据PUMA 560机械臂动力学结构以及各关节初始角度,雅可比矩阵具体数值为
以及计算得到自适应系数具体数值为
其中,vec(·)表示向量化算子,|·|表示绝对值算子,||·||2表示向量l2范数,上标T为向量或者矩阵的转置,ω为控制收敛速度参数;
步骤S3:根据雅可比矩阵构建机械臂运动规划模型,具体为
步骤S4:完成步骤S1-S3后,可确定关于机械臂运动规划的神经网络损失能量函数整个机械臂运动规划过程中,该神经网络损失函数数值随执行时间在三维空间上的能量状态如图4所示,其中ex,ey,ez分别表示为在x轴上,y轴上,和z轴上的能量损失分量。
步骤S6:将步骤S2中已构建的自适应系数引入步骤S5所述的梯度神经网络,获得避免求伪逆的快速自适应梯度神经网络算法模型,并对快速自适应梯度神经网络算法模型进行求解,具体表达式为在机械臂运动规划过程中,通过快速自适应梯度神经网络算法模型对机械臂运动各关节角速度求解结果如图5所示,其中dq1,dq2,dq3,dq4,dq5,dq6,分别表示PUMA 560机械臂的第一关节,第二关节,第三关节,第四关节,第五关节,第六关节的角速度随执行时间产生运动状态轨迹;
步骤S7:根据求解结果转化为机械臂运动规划的控制信号且传递至下位机控制器,控制机械臂完成运动规划。
图2为实现本发明应用下的机械臂末端执行器运动生成轨迹,与各关节运动的运动状态。图2中,机械臂末端执行器成功执行了四叶草轨迹的运动生成,并且各关节角度运动合理,体现了本发明的可行性,高效性。
图3为实现本发明应用下的机械臂末端执行器运动生成轨迹(蓝色)和期望轨迹(红色色)。图3中,机器臂末端执行器成功按照期望规矩进行重复运动,其运动轨迹为四叶草,并且真实轨迹与期望轨迹误差为0.01米左右,体现了本发明的可行性,优越性。
本发明考虑到机械臂运动规划中涉及到的雅可比矩阵求伪逆的问题,以及长期不间断工作情况下,机械臂模型由于损害导致控制模型参数发生变化,因此,构建了避免求伪逆的快速自适应梯度神经网络算法模型,避免由求雅可比矩阵伪逆所花费的大量计算时间,并引入自适应系数,能根据机械臂模型自动调整运动规划控制参数,保证机械臂运动规划能满足长期运行的工作情况。
以上所述,仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种基于快速自适应梯度神经网络算法的机械臂运动规划方法,其特征在于,该方法包括以下步骤:
步骤S3:根据雅可比矩阵J(σ(t))构建机械臂运动规划模型;
步骤S5:根据所述的神经网络损失能量函数、机械臂末端执行器期望位置信息、机械臂雅可比矩阵、机械臂关节角度和关节速度信息确定梯度神经网络;
步骤S6:将自适应系数引入所述的梯度神经网络,获得避免求伪逆的快速自适应梯度神经网络算法模型,并对快速自适应梯度神经网络算法模型进行求解,获得求解结果;
步骤S7:根据求解结果转化为机械臂运动规划的控制信号且传递至下位机控制器,控制机械臂完成运动规划;
所述自适应系数具体表达式为其中,vec(·)表示向量化算子,|·|表示绝对值算子,||·||2表示向量l2范数,上标T为向量或者矩阵的转置,表示雅可比矩阵的导数,σ(t)机械臂末端执行器各个关节角度信息,ω为控制收敛速度参数;
在上述步骤S6中,所述快速自适应梯度神经网络算法模型建模过程:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010734281.9A CN111890363B (zh) | 2020-07-27 | 2020-07-27 | 一种基于快速自适应梯度神经网络算法的机械臂运动规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010734281.9A CN111890363B (zh) | 2020-07-27 | 2020-07-27 | 一种基于快速自适应梯度神经网络算法的机械臂运动规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111890363A CN111890363A (zh) | 2020-11-06 |
CN111890363B true CN111890363B (zh) | 2022-12-30 |
Family
ID=73190230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010734281.9A Active CN111890363B (zh) | 2020-07-27 | 2020-07-27 | 一种基于快速自适应梯度神经网络算法的机械臂运动规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111890363B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765879B (zh) * | 2021-01-12 | 2022-05-17 | 中国人民解放军国防科技大学 | 基于神经网络和构型编码的机械臂逆运动学求解方法 |
CN113442137A (zh) * | 2021-06-24 | 2021-09-28 | 达闼机器人有限公司 | 机械臂关节角度的确定方法、装置、存储介质及电子设备 |
CN113805696A (zh) * | 2021-09-01 | 2021-12-17 | 肩并肩智能技术(北京)有限公司 | 一种基于表面肌电信号和动捕技术的机器学习方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108621157A (zh) * | 2018-04-27 | 2018-10-09 | 上海师范大学 | 基于模型约束的机械臂能量最优轨迹规划控制方法及装置 |
CN108789417A (zh) * | 2018-07-30 | 2018-11-13 | 长春工业大学 | 基于自适应动态规划的可重构机械臂保代价分散控制方法 |
CN111240344A (zh) * | 2020-02-11 | 2020-06-05 | 哈尔滨工程大学 | 一种基于双神经网络强化学习技术的自主水下机器人无模型控制方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110022362A1 (en) * | 2009-07-24 | 2011-01-27 | Rockwell Automation Technologies, Inc. | Energy usage analysis in servo drive systems |
CN103869704B (zh) * | 2014-04-08 | 2016-05-25 | 哈尔滨工业大学 | 基于扩展雅克比矩阵的空间机器人星臂协调控制方法 |
CN104483967A (zh) * | 2014-11-11 | 2015-04-01 | 浙江师范大学 | 一种基于节能考虑的轮式移动机器人轨迹跟踪控制方法 |
CN104880945B (zh) * | 2015-03-31 | 2018-05-29 | 成都市优艾维机器人科技有限公司 | 基于神经网络的旋翼无人机的自适应逆控制方法 |
CN107685330B (zh) * | 2017-10-18 | 2018-12-18 | 佛山华数机器人有限公司 | 一种六自由度手腕偏置串联机器人的运动学逆解求解方法 |
CN107891424B (zh) * | 2017-11-10 | 2020-08-25 | 浙江科技学院 | 求解冗余机械臂逆运动学的有限时间神经网络优化方法 |
CN108908341B (zh) * | 2018-08-03 | 2021-01-01 | 浙江工业大学 | 二次根式终态吸引的冗余机器人重复运动规划方法 |
CN108908340B (zh) * | 2018-08-03 | 2020-08-04 | 浙江工业大学 | 采用有限区间神经网络的冗余机器人重复运动规划方法 |
CN109623826B (zh) * | 2019-01-04 | 2021-07-16 | 广西科技大学 | 一种无速度跳变的容错型冗余度机械臂运动规划方法 |
CN109514563B (zh) * | 2019-01-08 | 2021-08-31 | 华侨大学 | 一种自适应抗噪的冗余度机械臂运动规划方法 |
CN109591020B (zh) * | 2019-01-21 | 2023-02-28 | 兰州大学 | 一种多冗余度机械臂自适应可操纵性最优化的分布式协同控制方法与装置 |
CN109623827B (zh) * | 2019-01-21 | 2023-04-07 | 兰州大学 | 一种高性能冗余度机械臂重复运动规划方法与装置 |
CN109946974B (zh) * | 2019-04-12 | 2022-07-01 | 山东大学 | 一种电驱动四足机器人的控制系统 |
-
2020
- 2020-07-27 CN CN202010734281.9A patent/CN111890363B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108621157A (zh) * | 2018-04-27 | 2018-10-09 | 上海师范大学 | 基于模型约束的机械臂能量最优轨迹规划控制方法及装置 |
CN108789417A (zh) * | 2018-07-30 | 2018-11-13 | 长春工业大学 | 基于自适应动态规划的可重构机械臂保代价分散控制方法 |
CN111240344A (zh) * | 2020-02-11 | 2020-06-05 | 哈尔滨工程大学 | 一种基于双神经网络强化学习技术的自主水下机器人无模型控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111890363A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111890363B (zh) | 一种基于快速自适应梯度神经网络算法的机械臂运动规划方法 | |
US11409263B2 (en) | Method for programming repeating motion of redundant robotic arm | |
CN109848983B (zh) | 一种高顺应性人引导机器人协同作业的方法 | |
CN108015763B (zh) | 一种抗噪声干扰的冗余度机械臂路径规划方法 | |
CN111360827B (zh) | 一种视觉伺服切换控制方法及系统 | |
Qi et al. | Kinematic control of continuum manipulators using a fuzzy-model-based approach | |
US8924021B2 (en) | Control of robots from human motion descriptors | |
CN110561438B (zh) | 基于动力学参数辨识的工业机器人力/位柔顺控制方法 | |
CN108068113B (zh) | 7-dof仿人臂飞行物体作业最小加速度轨迹优化 | |
CN110103225B (zh) | 一种数据驱动的机械臂重复运动控制方法与装置 | |
CN114952868B (zh) | 7自由度srs型机械臂控制方法及装置、弹琴机器人 | |
CN108247631B (zh) | 一种提高路径跟踪性能的机械臂自主鲁棒避奇异方法 | |
CN111975771A (zh) | 一种基于偏差重定义神经网络的机械臂运动规划方法 | |
Yang et al. | Dynamics and noncollocated model‐free position control for a space robot with multi‐link flexible manipulators | |
Yoerger et al. | Supervisory control architecture for underwater teleoperation | |
CN106959666A (zh) | 一种基于nurbs的空间自由曲线拟合方法 | |
CN116619357A (zh) | 一种铣削机器人变姿态稳定性叶瓣图获取方法 | |
CN117182929B (zh) | 一种双臂机器人在轨装配的柔顺控制方法及装置 | |
CN114397899A (zh) | 一种仿生机器鱼三维路径跟踪控制方法及装置 | |
CN114851193A (zh) | 一种空间机械臂与未知环境接触过程的智能柔顺操控方法 | |
CN114943182A (zh) | 基于图神经网络的机器人线缆形状控制方法及设备 | |
Song et al. | Efficient formulation approach for the forward kinematics of the 3-6 Stewart-Gough platform | |
Wang et al. | An online self-organizing neuro-fuzzy control for autonomous underwater vehicles | |
CN113093771A (zh) | 基于神经网络的水下机器人-机械手系统的建模方法及系统 | |
Hirzinger et al. | Towards a new generation of multisensory light-weight robots with learning capabilities |
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 |