CN113386144B - 远程实验的控制装置及方法 - Google Patents

Abstract

本发明公开了一种远程实验的控制装置及方法，该方法包括：S1，对实验人员根据实验室器材及机械手的状态信息反应的脑电信号进行翻译，并输出控制命令；S2，接收所述控制命令并输出期望的控制信号至自适应积分滑模控制器和预测控制器；S4,若所述机械手与实验室器材并无碰撞风险，速度传感器和姿态传感器将机械臂的实时姿态信号和实时速度信号反馈至自适应积分滑模控制器中，自适应积分滑模控制器根据控制信号，实时姿态信号以及实时速度信号将控制机械臂调整至期望速度和期望姿态。本发明的主要目的是提供一种远程实验的控制装置及方法，旨在解决现有的技术无法进行远程实验的技术问题。

Description

远程实验的控制装置及方法

技术领域

本发明涉及智慧实验室技术领域，特别涉及一种远程实验的控制装置及方法。

背景技术

得益于现在的通信技术和各种软件及移动APP的快速成长，人们发现在线培训成为了一种便捷而又有效的沟通手段，不再需要耗费巨大成本的差旅与时间消耗、也能够实现镜头中的互动与交流、并且可以快速灵活组织，凡此种种，使得人们确信，以前大家认为的不能像面对面那么有效互动、需要额外的软件复杂的操作和网络连接设备，这些问题都被现今无所不在的4G/5G、云数据、移动应用给解决了，显然，远程方式的工作将成为常态。

然而，目前没有一种学生或者实验室人员进行远程实验的控制系统。

发明内容

本发明的主要目的是提供一种远程实验的控制装置及方法，旨在解决现有的技术无法进行远程实验的技术问题。

本申请提出了一种远程实验的控制装置，包括依次相连的脑机接口、速度接口、机械手、摄像头，所述摄像头对实验室进行实时拍摄以便于实验人员观测、以及安装于所述机械手的速度传感器和角度传感器；

S1，所述脑机接口用于对实验人员根据实验室器材及所述机械手的状态信息反应的脑电信号进行翻译，并输出控制命令；

S2，所述速度接口用于接收所述控制命令并输出期望的控制信号至自适应积分滑模控制器和预测控制器；

S3,速度传感器和姿态传感器将机械臂的实时姿态信号和实时速度信号反馈至预测控制器中，基于所述机械手的实时姿态信号和实时速度信号，确定所述机械手在第一预设时间内的短时运动轨迹，根据所述机械手运动信息和所述实验室器材的位置信息，确定所述机械手在第二预设时间内的长时运动轨迹，对所述短时运动轨迹和所述长时运动轨迹进行轨迹融合，得到所述机械手的预测运动轨迹；

S4,若所述机械手与实验室器材并无碰撞风险，速度传感器和姿态传感器将机械臂的实时姿态信号和实时速度信号反馈至自适应积分滑模控制器中，自适应积分滑模控制器根据控制信号，实时姿态信号以及实时速度信号将控制机械臂调整至期望速度和期望姿态。

优选地，所述S3, 对所述短时运动轨迹和所述长时运动轨迹进行轨迹融合，得到所述机械手的预测运动轨迹，包括：

预测行驶轨迹Trajectoryfinal(t)的计算公式为：Trajectoryfinal(t)＝f(t)·Trajectorymodel(t)+(1-f(t))·Trajectorymaneuver(t)；

其中，f(t)为融合权重系数；Trajectorymodel(t)为短时运动轨迹；Trajectorymaneuver(t)为长时运动轨迹。

优选地，所述S3,根据所述机械手运动信息和所述实验室器材的位置信息，确定所述机械手在第二预设时间内的长时运动轨迹，包括：步骤31：搭建LSTM神经网络，其结构包含遗忘门、输入门、输出门及记忆单元；

步骤32：对NGSIM原始数据集及实车试验数据进行滤波处理，用于模型训练和测试；所述的NGSIM数据集为开源数据集包括机械手的位置、速度、加速度；步骤33：选择预测均方根误差RMSE作为衡量标准，对模型的性能进行分析，用于精准预测第二预设时间内机械手的长时运动轨迹；所述预测均方根误差RMSE具体计算公式为：RMSE=(1/N

；其中,

，xd和yd分别为LSTM预测的机械手的横向位置和纵向位置；xa和ya分别为机械手实际的纵向和横向位置；N为轨迹点数量；步骤34：基于所获取得机械手及实验室器材的位置信息，输入到LSTM神经网络中，输出机械手及实验室器材轨迹预测数据。

优选地，S4,若所述机械手与实验室器材并无碰撞风险，速度传感器和姿态传感器将机械臂的实时姿态信号和实时速度信号反馈至自适应积分滑模控制器中，自适应积分滑模控制器根据控制信号，实时姿态信号以及实时速度信号将控制机械臂调整至期望速度和期望姿态，包括：所述自适应积分滑模控制器中自适应积分滑模面数学形式如下：s(k +1) = −1/(1 − z−1)λ/Ω(k) |s(k)|α sgn (s(k))+ C [d(k) − d(k − 1)] ；

λ> 0, 0 <α< 1, z–1 是转化函数

Ω(k) = β + (1 −β)e−φ|s(k)|γ

λ> 0, φ> 0, γ> 0, 0 <β< 1.

其中：S(k)为自适应积分滑膜控制器的积分滑模面；e(0)为每一个控制环起始时的初始速度误差和姿态误差；d(n)代表积分环节，可减小系统的稳态误差；Ω(k)为等效控制信号，λ, α z， φ，γ,β，k为自适应积分滑膜控制器的设计参数。

优选地，所述S1，所述脑机接口用于对实验人员根据实验室器材及所述机械手的状态信息反应的脑电信号进行翻译，并输出控制命令包括：通过信号分类器将脑电信号进行分类，不同的脑电信号对应机械手到达指定位置、抓取实验器材、运动指定位置与放开实验器材操作的至少一种。

本发明还提供 一种远程实验的控制方法，包括： S1，对实验人员根据实验室器材及机械手的状态信息反应的脑电信号进行翻译，并输出控制命令；

S2，接收所述控制命令并输出期望的控制信号至自适应积分滑模控制器和预测控制器；

S3,将机械臂的实时姿态信号和实时速度信号反馈至预测控制器中，基于所述机械手的实时姿态信号和实时速度信号，确定所述机械手在第一预设时间内的短时运动轨迹，根据所述机械手运动信息和所述实验室器材的位置信息，确定所述机械手在第二预设时间内的长时运动轨迹，对所述短时运动轨迹和所述长时运动轨迹进行轨迹融合，得到所述机械手的预测运动轨迹；

S4,若所述机械手与实验室器材并无碰撞风险，速度传感器和姿态传感器将机械臂的实时姿态信号和实时速度信号反馈至自适应积分滑模控制器中，自适应积分滑模控制器根据控制信号，实时姿态信号以及实时速度信号将控制机械臂调整至期望速度和期望姿态。

优选地，所述S3, 对所述短时运动轨迹和所述长时运动轨迹进行轨迹融合，得到所述机械手的预测运动轨迹，包括：

预测行驶轨迹Trajectoryfinal(t)的计算公式为：Trajectoryfinal(t)＝f(t)·Trajectorymodel(t)+(1-f(t))·Trajectorymaneuver(t)；

其中，f(t)为融合权重系数；Trajectorymodel(t)为短时运动轨迹；Trajectorymaneuver(t)为长时运动轨迹。

优选地，所述S3,根据所述机械手运动信息和所述实验室器材的位置信息，确定所述机械手在第二预设时间内的长时运动轨迹，包括：步骤31：搭建LSTM神经网络，其结构包含遗忘门、输入门、输出门及记忆单元；

步骤32：对NGSIM原始数据集及实车试验数据进行滤波处理，用于模型训练和测试；所述的NGSIM数据集为开源数据集包括机械手的位置、速度、加速度；步骤33：选择预测均方根误差RMSE作为衡量标准，对模型的性能进行分析，用于精准预测第二预设时间内机械手的长时运动轨迹；所述预测均方根误差RMSE具体计算公式为： RMSE=(1/N

；其中，

，xd和yd分别为LSTM预测的机械手的横向位置和纵向位置；xa和ya分别为机械手实际的纵向和横向位置；N为轨迹点数量；步骤34：基于所获取得机械手及实验室器材的位置信息，输入到LSTM神经网络中，输出机械手及实验室器材轨迹预测数据。

优选地，S4,若所述机械手与实验室器材并无碰撞风险，速度传感器和姿态传感器将机械臂的实时姿态信号和实时速度信号反馈至自适应积分滑模控制器中，自适应积分滑模控制器根据控制信号，实时姿态信号以及实时速度信号将控制机械臂调整至期望速度和期望姿态，包括：所述自适应积分滑模控制器中自适应积分滑模面数学形式如下：s(k +1) = −1/(1 − z−1)λ/Ω(k) |s(k)|α sgn (s(k))+ C [d(k) − d(k − 1)] ；

λ> 0, 0 <α< 1, z–1 是转化函数

Ω(k) = β + (1 −β)e−φ|s(k)|γ

λ> 0, φ> 0, γ> 0, 0 <β< 1.

其中：S(k)为自适应积分滑膜控制器的积分滑模面；e(0)为每一个控制环起始时的初始速度误差和姿态误差；d(n)代表积分环节，可减小系统的稳态误差；Ω(k)为等效控制信号，λ, α z， φ，γ,β，k为自适应积分滑膜控制器的设计参数。

优选地，所述S1，对实验人员根据实验室器材及所述机械手的状态信息反应的脑电信号进行翻译，并输出控制命令包括：通过信号分类器将脑电信号进行分类，不同的脑电信号对应机械手到达指定位置、抓取实验器材、运动指定位置与放开实验器材操作的至少一种。

本发明通过所述脑机接口用于对脑控操作者根据实验室器材及所述机械手的状态信息反的脑电信号进行翻译，并输出控制命令；所述机械手臂基于所述控制信号执行相应动作。可以实现实验者或者学生进行远程实验，并且通过可以贴近实际的感受实验的整个过程，可以提高教学效果和实验体验，同时可以避免实验者对实验室进行的污染，从而进一步排除实验者对实验所产生的影响；另外通过对机械手的轨迹进行预测可以进一步对机械手进行预测控制，可以预防机械手弄倒实验器材的情况，从而对实验器材可以进一步进行保护，也进一步降低了实验中所产生意外情况的几率。

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示出的结构获得其他的附图。

图1为本发明远程实验的控制装置的控制流程图；

图2为本发明远程实验的控制装置的另外一实施例的控制流程图；

图3为本发明远程实验的控制方法的控制流程图。

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

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，所描述的实施例仅仅是本发明的一部分实施例，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。

需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

参照图1至图3，本优选实施例中，本申请提出了一种远程实验的控制装置，包括依次相连的脑机接口、速度接口、机械手、摄像头，所述摄像头对实验室进行实时拍摄以便于实验人员观测、以及安装于所述机械手的速度传感器和角度传感器；

S1，所述脑机接口用于对实验人员根据实验室器材及所述机械手的状态信息反应的脑电信号进行翻译，并输出控制命令；

S2，所述速度接口用于接收所述控制命令并输出期望的控制信号至自适应积分滑模控制器和预测控制器；

S3,速度传感器和姿态传感器将机械臂的实时姿态信号和实时速度信号反馈至预测控制器中，基于所述机械手的实时姿态信号和实时速度信号，确定所述机械手在第一预设时间内的短时运动轨迹，根据所述机械手运动信息和所述实验室器材的位置信息，确定所述机械手在第二预设时间内的长时运动轨迹，对所述短时运动轨迹和所述长时运动轨迹进行轨迹融合，得到所述机械手的预测运动轨迹；

S4,若所述机械手与实验室器材并无碰撞风险，速度传感器和姿态传感器将机械臂的实时姿态信号和实时速度信号反馈至自适应积分滑模控制器中，自适应积分滑模控制器根据控制信号，实时姿态信号以及实时速度信号将控制机械臂调整至期望速度和期望姿态。

本发明通过所述脑机接口用于对脑控操作者根据实验室器材及所述机械手的状态信息反的脑电信号进行翻译，并输出控制命令；所述机械手臂基于所述控制信号执行相应动作。可以实现实验者或者学生进行远程实验，并且通过可以贴近实际的感受实验的整个过程，可以提高教学效果和实验体验，同时可以避免实验者对实验室进行的污染，从而进一步排除实验者对实验所产生的影响；另外通过对机械手的轨迹进行预测可以进一步对机械手进行预测控制，可以预防机械手弄倒实验器材的情况，从而对实验器材可以进一步进行保护，也进一步降低了实验中所产生意外情况的几率。

优选地，所述S3, 对所述短时运动轨迹和所述长时运动轨迹进行轨迹融合，得到所述机械手的预测运动轨迹，包括：

预测行驶轨迹Trajectoryfinal(t)的计算公式为：Trajectoryfinal(t)＝f(t)·Trajectorymodel(t)+(1-f(t))·Trajectorymaneuver(t)；

其中，f(t)为融合权重系数；Trajectorymodel(t)为短时运动轨迹；Trajectorymaneuver(t)为长时运动轨迹。

具体地，对得到的短时运动轨迹和长时运动轨迹进行融合，得到最终的预测轨迹Trajectoryfinal。融合准则为，在[0,T1]时间内给予短时运动轨迹更大的权重，且权重逐渐降低；[T1,T2]时间内给予长时运动轨迹更大的权重，且权重逐渐增大，如下式所示：Trajectoryfinal(t)＝f(t)·Trajectory mod el(t)+(1-f(t))·Trajectory maneuver(t) 。其中，f(t)为融合权重系数。更具体地，根据机械手运动信息和机械手的运动模型，确定所述短时运动轨迹Trajectory mod el(t)；

Trajectory mod el(t)＝(xmdl(t)，ymdl(t))

xmdl为预测得到的短时运动轨迹纵向距离；ymdl为预测得到的短时运动轨迹横向距离。机械手运动信息包括：机械手的运动实时速度，加速度，运动方向和运动姿态。

优选地，优选地，所述S3,根据所述机械手运动信息和所述实验室器材的位置信息，确定所述机械手在第二预设时间内的长时运动轨迹，包括：步骤31：搭建LSTM神经网络，其结构包含遗忘门、输入门、输出门及记忆单元；

步骤32：对NGSIM原始数据集及实车试验数据进行滤波处理，用于模型训练和测试；所述的NGSIM数据集为开源数据集包括机械手的位置、速度、加速度；步骤33：选择预测均方根误差RMSE作为衡量标准，对模型的性能进行分析，用于精准预测第二预设时间内机械手的长时运动轨迹；所述预测均方根误差RMSE具体计算公式为：RMSE=(1/N

；其中,

，xd和yd分别为LSTM预测的机械手的横向位置和纵向位置；xa和ya分别为机械手实际的纵向和横向位置；N为轨迹点数量；步骤34：基于所获取得机械手及实验室器材的位置信息，输入到LSTM神经网络中，输出机械手及实验室器材轨迹预测数据。

优选地，S4,若所述机械手与实验室器材并无碰撞风险，速度传感器和姿态传感器将机械臂的实时姿态信号和实时速度信号反馈至自适应积分滑模控制器中，自适应积分滑模控制器根据控制信号，实时姿态信号以及实时速度信号将控制机械臂调整至期望速度和期望姿态，包括：所述自适应积分滑模控制器中自适应积分滑模面数学形式如下：s(k +1) = −1/(1 − z−1)λ/Ω(k) |s(k)|α sgn (s(k))+ C [d(k) − d(k − 1)] ；

λ > 0, 0 < α < 1, z–1 是转化函数

Ω(k) = β + (1 − β)e−φ|s(k)|γ

λ > 0, φ > 0, γ > 0, 0 < β < 1.

其中：S(k)为自适应积分滑膜控制器的积分滑模面；e(0)为每一个控制环起始时的初始速度误差和姿态误差；d(n)代表积分环节，可减小系统的稳态误差；Ω(k)为等效控制信号，λ, α z， φ，γ,β，k为自适应积分滑膜控制器的设计参数。

优选地，所述S1，所述脑机接口用于对实验人员根据实验室器材及所述机械手的状态信息反应的脑电信号进行翻译，并输出控制命令包括：通过信号分类器将脑电信号进行分类，不同的脑电信号对应机械手到达指定位置、抓取实验器材、运动指定位置与放开实验器材操作的至少一种。

具体地，所述信号分类器采用SVM分类器进行分类，并采用人工蜂群算法对 SVM分类器参数进行调整，具体包括：（1）初始化人工蜂群算法的基本参数，设置 SVM 分类器参数初始搜索范围，训练样本数据集送入 SVM 分类器； （2）判断同一蜜源开采次数，判断是否达到设定值，没达到设定值，则执行第三步，否则引领蜂对领域周边进行搜索发现新蜜源，并判断新蜜源的适应度值； （3）计算所有蜜源的适应度值，根据适应度值选择一个蜜量充足的蜜源，并对该处蜜源周围进行搜索，计算周围各蜜源的适应度值； （4）一些蜜源在达到最大更新次数后，判断蜜源的是否有改进，如果没有则 放弃此处蜜源，跟随蜂转变为侦察蜂，继续搜索周边新蜜源； （5）利用人工蜂群算法 算法进行迭代搜索，判断是否满足终止条件，满足则输出最 优解，否则返回到第二步； （6）SVM 分类器根据最优解确定模型参数，计算最优分类精度。

本发明还提供一种远程实验的控制方法，包括：S1，对实验人员根据实验室器材及机械手的状态信息反应的脑电信号进行翻译，并输出控制命令；

S2，接收所述控制命令并输出期望的控制信号至自适应积分滑模控制器和预测控制器；

S3,将机械臂的实时姿态信号和实时速度信号反馈至预测控制器中，基于所述机械手的实时姿态信号和实时速度信号，确定所述机械手在第一预设时间内的短时运动轨迹，根据所述机械手运动信息和所述实验室器材的位置信息，确定所述机械手在第二预设时间内的长时运动轨迹，对所述短时运动轨迹和所述长时运动轨迹进行轨迹融合，得到所述机械手的预测运动轨迹；

S4,若所述机械手与实验室器材并无碰撞风险，速度传感器和姿态传感器将机械臂的实时姿态信号和实时速度信号反馈至自适应积分滑模控制器中，自适应积分滑模控制器根据控制信号，实时姿态信号以及实时速度信号将控制机械臂调整至期望速度和期望姿态。

本发明通过所述脑机接口用于对脑控操作者根据实验室器材及所述机械手的状态信息反的脑电信号进行翻译，并输出控制命令；所述机械手臂基于所述控制信号执行相应动作。可以实现实验者或者学生进行远程实验，并且通过可以贴近实际的感受实验的整个过程，可以提高教学效果和实验体验，同时可以避免实验者对实验室进行的污染，从而进一步排除实验者对实验所产生的影响；另外通过对机械手的轨迹进行预测可以进一步对机械手进行预测控制，可以预防机械手弄倒实验器材的情况，从而对实验器材可以进一步进行保护，也进一步降低了实验中所产生意外情况的几率。

优选地，所述S3, 对所述短时运动轨迹和所述长时运动轨迹进行轨迹融合，得到所述机械手的预测运动轨迹，包括：

预测行驶轨迹Trajectoryfinal(t)的计算公式为：Trajectoryfinal(t)＝f(t)·Trajectorymodel(t)+(1-f(t))·Trajectorymaneuver(t)；

其中，f(t)为融合权重系数；Trajectorymodel(t)为短时运动轨迹；Trajectorymaneuver(t)为长时运动轨迹。

具体地，对得到的短时运动轨迹和长时运动轨迹进行融合，得到最终的预测轨迹Trajectoryfinal。融合准则为，在[0,T1]时间内给予短时运动轨迹更大的权重，且权重逐渐降低；[T1,T2]时间内给予长时运动轨迹更大的权重，且权重逐渐增大，如下式所示：Trajectoryfinal(t)＝f(t)·Trajectory mod el(t)+(1-f(t))·Trajectory maneuver(t) 。其中，f(t)为融合权重系数。更具体地，根据机械手运动信息和机械手的运动模型，确定所述短时运动轨迹Trajectory mod el(t)；

Trajectory mod el(t)＝(xmdl(t)，ymdl(t))

xmdl为预测得到的短时运动轨迹纵向距离；ymdl为预测得到的短时运动轨迹横向距离。机械手运动信息包括：机械手的运动实时速度，加速度，运动方向和运动姿态。

优选地，所述S3,根据所述机械手运动信息和所述实验室器材的位置信息，确定所述机械手在第二预设时间内的长时运动轨迹，包括：步骤31：搭建LSTM神经网络，其结构包含遗忘门、输入门、输出门及记忆单元；

步骤32：对NGSIM原始数据集及实车试验数据进行滤波处理，用于模型训练和测试；所述的NGSIM数据集为开源数据集包括机械手的位置、速度、加速度；步骤33：选择预测均方根误差RMSE作为衡量标准，对模型的性能进行分析，用于精准预测第二预设时间内机械手的长时运动轨迹；所述预测均方根误差RMSE具体计算公式为：RMSE=(1/N

，其中，

，xd和yd分别为LSTM预测的机械手的横向位置和纵向位置；xa和ya分别为机械手实际的纵向和横向位置；N为轨迹点数量；步骤34：基于所获取得机械手及实验室器材的位置信息，输入到LSTM神经网络中，输出机械手及实验室器材轨迹预测数据。

优选地，S4,若所述机械手与实验室器材并无碰撞风险，速度传感器和姿态传感器将机械臂的实时姿态信号和实时速度信号反馈至自适应积分滑模控制器中，自适应积分滑模控制器根据控制信号，实时姿态信号以及实时速度信号将控制机械臂调整至期望速度和期望姿态，包括：所述自适应积分滑模控制器中自适应积分滑模面数学形式如下：s(k +1) = −1/(1 − z−1)λ/Ω(k) |s(k)|α sgn (s(k))+ C [d(k) − d(k − 1)] ；

λ > 0, 0 < α < 1, z–1 是转化函数

Ω(k) = β + (1 − β)e−φ|s(k)|γ

λ > 0, φ > 0, γ > 0, 0 < β < 1.

其中：S(k)为自适应积分滑膜控制器的积分滑模面；e(0)为每一个控制环起始时的初始速度误差和姿态误差；d(n)代表积分环节，可减小系统的稳态误差；Ω(k)为等效控制信号，λ, α z， φ，γ,β，k为自适应积分滑膜控制器的设计参数。

优选地，所述S1，对实验人员根据实验室器材及所述机械手的状态信息反应的脑电信号进行翻译，并输出控制命令包括：通过信号分类器将脑电信号进行分类，不同的脑电信号对应机械手到达指定位置、抓取实验器材、运动指定位置与放开实验器材操作的至少一种。

具体地，所述信号分类器采用SVM分类器进行分类，并采用人工蜂群算法对 SVM分类器参数进行调整，具体包括：（1）初始化人工蜂群算法的基本参数，设置 SVM 分类器参数初始搜索范围，训练样本数据集送入 SVM 分类器； （2）判断同一蜜源开采次数，判断是否达到设定值，没达到设定值，则执行第（3）步，否则引领蜂对领域周边进行搜索发现新蜜源，并判断新蜜源的适应度值； （3）计算所有蜜源的适应度值，根据适应度值选择一个蜜量充足的蜜源，并对该处蜜源周围进行搜索，计算周围各蜜源的适应度值； （4）一些蜜源在达到最大更新次数后，判断蜜源的是否有改进，如果没有则放弃此处蜜源，跟随蜂转变为侦察蜂，继续搜索周边新蜜源； （5）利用人工蜂群算法 算法进行迭代搜索，判断是否满足终止条件，满足则输出最优解，否则返回到第（2）步； （6）SVM 分类器根据最优解确定模型参数，计算最优分类精度。

以上所述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，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种远程实验的控制装置，其特征在于，包括依次相连的脑机接口、速度接口、机械手、摄像头，所述摄像头对实验室进行实时拍摄以便于实验人员观测、以及安装于所述机械手的速度传感器和角度传感器；

S1，所述脑机接口用于对实验人员根据实验室器材及所述机械手的状态信息反应的脑电信号进行翻译，并输出控制命令；

S2，所述速度接口用于接收所述控制命令并输出期望的控制信号至自适应积分滑模控制器和预测控制器；

S3,速度传感器和姿态传感器将机械手的实时姿态信号和实时速度信号反馈至预测控制器中，基于所述机械手的实时姿态信号和实时速度信号，确定所述机械手在第一预设时间内的短时运动轨迹，根据所述机械手运动信息和所述实验室器材的位置信息，确定所述机械手在第二预设时间内的长时运动轨迹，对所述短时运动轨迹和所述长时运动轨迹进行轨迹融合，得到所述机械手的预测运动轨迹；

S4,若所述机械手与实验室器材并无碰撞风险，速度传感器和姿态传感器将机械手的实时姿态信号和实时速度信号反馈至自适应积分滑模控制器中，自适应积分滑模控制器根据控制信号，实时姿态信号以及实时速度信号将机械手调整至期望速度和期望姿态。

2.根据权利要求1所述的远程实验的控制装置，其特征在于，所述S3, 对所述短时运动轨迹和所述长时运动轨迹进行轨迹融合，得到所述机械手的预测运动轨迹，包括：

预测运动轨迹Trajectoryfinal(t)的计算公式为：Trajectoryfinal(t)＝f(t)·Trajectorymodel(t)+(1-f(t))·Trajectorymaneuver(t)；

其中，f(t)为融合权重系数；Trajectorymodel(t)为短时运动轨迹；Trajectorymaneuver(t)为长时运动轨迹。

3.根据权利要求2所述的远程实验的控制装置，其特征在于，所述S3,根据所述机械手运动信息和所述实验室器材的位置信息，确定所述机械手在第二预设时间内的长时运动轨迹，包括：步骤31：搭建LSTM神经网络，其结构包含遗忘门、输入门、输出门及记忆单元；

步骤32：对NGSIM原始数据集及实测试验数据进行滤波处理，用于模型训练和测试；所述的NGSIM原始数据集为开源数据集，包括机械手的位置、速度、加速度；步骤33：选择预测均方根误差RMSE作为衡量标准，对模型的性能进行分析，用于精准预测第二预设时间内机械手的长时运动轨迹；所述预测均方根误差RMSE具体计算公式为：RMSE=

；其中,

=

，x_d和y_d分别为LSTM预测的机械手的横向位置和纵向位置；x_a和y_a分别为机械手实际的纵向和横向位置；N为轨迹点数量；步骤34：将所获取的机械手及实验室器材的位置信息，输入到LSTM神经网络中，输出机械手及实验室器材轨迹预测数据。

4.根据权利要求1所述的远程实验的控制装置，其特征在于，S4,若所述机械手与实验室器材并无碰撞风险，速度传感器和姿态传感器将机械手的实时姿态信号和实时速度信号反馈至自适应积分滑模控制器中，自适应积分滑模控制器根据控制信号，实时姿态信号以及实时速度信号将机械手调整至期望速度和期望姿态，包括：所述自适应积分滑模控制器中自适应积分滑模面数学形式如下：s(k + 1) = −1/(1 − z−1)λ/Ω(k) |s(k)|α sgn (s(k))+ C [d(k) − d(k − 1)] ；

λ> 0, 0 <α< 1, z–1 是转化函数

Ω(k) = β + (1 −β)e−φ|s(k)|γ

λ> 0, φ> 0, γ> 0, 0 <β< 1.

其中：S(k)为自适应积分滑膜控制器的积分滑模面；e为每一个控制环起始时的初始速度误差和姿态误差；d(n)代表积分环节，可减小系统的稳态误差；Ω(k)为等效控制信号，λ,α z，φ，γ,β，k为自适应积分滑膜控制器的设计参数。

5.根据权利要求1所述的远程实验的控制装置，其特征在于，所述S1，所述脑机接口用于对实验人员根据实验室器材及所述机械手的状态信息反应的脑电信号进行翻译，并输出控制命令包括：通过信号分类器将脑电信号进行分类，不同的脑电信号对应机械手到达指定位置、抓取实验器材、运动指定位置与放开实验器材操作的至少一种。

6.一种远程实验的控制方法，其特征在于，包括：

S1，对实验人员根据实验室器材及机械手的状态信息反应的脑电信号进行翻译，并输出控制命令；

S2，接收所述控制命令并输出期望的控制信号至自适应积分滑模控制器和预测控制器；

S3,将机械手的实时姿态信号和实时速度信号反馈至预测控制器中，基于所述机械手的实时姿态信号和实时速度信号，确定所述机械手在第一预设时间内的短时运动轨迹，根据所述机械手运动信息和所述实验室器材的位置信息，确定所述机械手在第二预设时间内的长时运动轨迹，对所述短时运动轨迹和所述长时运动轨迹进行轨迹融合，得到所述机械手的预测运动轨迹；

S4,若所述机械手与实验室器材并无碰撞风险，速度传感器和姿态传感器将机械手的实时姿态信号和实时速度信号反馈至自适应积分滑模控制器中，自适应积分滑模控制器根据控制信号，实时姿态信号以及实时速度信号将机械手调整至期望速度和期望姿态。

7.根据权利要求6所述的远程实验的控制方法，其特征在于，所述S3, 对所述短时运动轨迹和所述长时运动轨迹进行轨迹融合，得到所述机械手的预测运动轨迹，包括：

预测运动轨迹Trajectoryfinal(t)的计算公式为：Trajectoryfinal(t)＝f(t)·Trajectorymodel(t)+(1-f(t))·Trajectorymaneuver(t)；

其中，f(t)为融合权重系数；Trajectorymodel(t)为短时运动轨迹；Trajectorymaneuver(t)为长时运动轨迹。

8.根据权利要求7所述的远程实验的控制方法，其特征在于，所述S3,根据所述机械手运动信息和所述实验室器材的位置信息，确定所述机械手在第二预设时间内的长时运动轨迹，包括：步骤31：搭建LSTM神经网络，其结构包含遗忘门、输入门、输出门及记忆单元；

步骤32：对NGSIM原始数据集及实测试验数据进行滤波处理，用于模型训练和测试；所述的NGSIM原始数据集为开源数据集，包括机械手的位置、速度、加速度；步骤33：选择预测均方根误差RMSE作为衡量标准，对模型的性能进行分析，用于精准预测第二预设时间内机械手的长时运动轨迹；所述预测均方根误差RMSE具体计算公式为：RMSE=

；其中，

=

，x_d和y_d分别为LSTM预测的机械手的横向位置和纵向位置；x_a和y_a分别为机械手实际的纵向和横向位置；N为轨迹点数量；步骤34：将所获取的机械手及实验室器材的位置信息，输入到LSTM神经网络中，输出机械手及实验室器材轨迹预测数据。

9.根据权利要求6所述的远程实验的控制方法，其特征在于，S4,若所述机械手与实验室器材并无碰撞风险，速度传感器和姿态传感器将机械手的实时姿态信号和实时速度信号反馈至自适应积分滑模控制器中，自适应积分滑模控制器根据控制信号，实时姿态信号以及实时速度信号将机械手调整至期望速度和期望姿态，包括：所述自适应积分滑模控制器中自适应积分滑模面数学形式如下：s(k + 1) = −1/(1 − z−1)λ/Ω(k) |s(k)|α sgn (s(k))+ C [d(k) − d(k − 1)] ；

λ> 0, 0 <α< 1, z–1 是转化函数

Ω(k) = β + (1 −β)e−φ|s(k)|γ

λ> 0, φ> 0, γ> 0, 0 <β< 1.

其中：S(k)为自适应积分滑膜控制器的积分滑模面；e为每一个控制环起始时的初始速度误差和姿态误差；d(n)代表积分环节，可减小系统的稳态误差；Ω(k)为等效控制信号，λ,α z，φ，γ,β，k为自适应积分滑膜控制器的设计参数。

10.根据权利要求6所述的远程实验的控制方法，其特征在于，所述S1，对实验人员根据实验室器材及所述机械手的状态信息反应的脑电信号进行翻译，并输出控制命令包括：通过信号分类器将脑电信号进行分类，不同的脑电信号对应机械手到达指定位置、抓取实验器材、运动指定位置与放开实验器材操作的至少一种。

Images