CN113435011B - 基于工作空间相似度的外肢体机器人参数优化方法 - Google Patents
基于工作空间相似度的外肢体机器人参数优化方法 Download PDFInfo
- Publication number
- CN113435011B CN113435011B CN202110609611.6A CN202110609611A CN113435011B CN 113435011 B CN113435011 B CN 113435011B CN 202110609611 A CN202110609611 A CN 202110609611A CN 113435011 B CN113435011 B CN 113435011B
- Authority
- CN
- China
- Prior art keywords
- robot
- working space
- task
- alpha
- length
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于工作空间相似度的外肢体机器人参数优化方法,机器人包括多个连杆,执行N种不同的任务,S1,构建目标优化函数:Φ(l,α)=μ1F1(l,α)+…+μnFn(l,α)+μn+1f,μ1、...、μn、μn+1表示权重值且μ1+…+μn+μn+1=1,l表示连杆长度,α表示连杆扭角,Fn(l,α)表示机器人进行任务n时工作空间WRn(l,α)与人体进行任务n时工作空间Wn的相似度,f指机器人质量体积度量指标;S2,迭代法迭代l,α,求解Φ(l,α)为最小值时对应的各连杆的长度和扭角值,不必大量试错,可提高设计效率和质量。该方法将工作空间相似度与质量体积指标一同纳入考虑,通过求解目标优化函数的最小值,可构建出更轻量级、鲁棒性更强的多任务机器人。
Description
技术领域
本发明属于外肢体机器人设计领域,更具体地,涉及基于工作空间相似度的外肢体机器人参数优化方法。
背景技术
许多外肢体机器人在应用时应能实现多个任务目标,比如应用于偏瘫患者的外肢体机器人应同时具有充当使用者上肢与下肢的能力。公开号为CN110292510A的专利中提出了一种人体运动辅助两用式外肢体机器人,目的在于为偏瘫患者提供一种既作为人体的第三条腿辅助行走,又可作为人体的手臂协助完成抓取动作。这种外肢体机器人采用连杆机械机构,而一个机械机构要能同时达到人体上肢与下肢的工作空间难度较大,这要求它具有合适的参数配置如自由度、DH参数等。
现有技术中,有以工作空间、尺寸、灵巧度、结构长度、最大奇异值等为指标来优化单个任务机械机构,而针对上述的这种用于执行多任务的机器人,设计时需要同时考虑到机器人执行多个任务的工作空间,当机器人工作空间与人体实际执行任务的工作空间相似度越低,整个机械机构的质量体积就会越大,鲁棒性越弱。而现有技术中针对工作空间的研究也只集中在如何最大化工作空间,因此,设计出的多任务机器人通常质量体积较大,鲁棒性较弱。为了构建轻量级、鲁棒性强的多任务机器人,需要考虑到多任务情况下两个工作空间之间的相似度,所以,需要提出一种新机械机器人参数优化方法,也就是基于两个工作空间的相似度来设计连杆机器人机械机构中的连杆长度l与连杆扭角α,从而可以构建更轻量级、鲁棒性更强的机器人。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了基于工作空间相似度的外肢体机器人参数优化方法,其目的在于解决现有技术中设计多任务机器人时连杆的参数设计困难、整个机器人的质量体积大、鲁棒性弱的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种量化两个工作空间相似度的方法,其特征在于,其中WA、WB分别表示两个工作空间,F表示两个工作空间的相似度,计算WA∩WB即遍历两个工作空间的点集中的所有点来判断两个点的距离是否小于设定的容许距离e。
通过上述技术方案,量化了两个工作空间的相似度,且F的值越小,相似度越高,便于将工作空间相似度纳入到机器人参数优化过程中。
本发明的另一个方面,提供了一种基于工作空间相似度的外肢体机器人参数优化方法,其特征在于,所述机器人包括多个连杆,用于执行N种不同的任务,N≥2且为整数,所述方法包括:
S1,构建目标优化函数:Φ(l,α)=μ1F1(l,α)+…+μnFn(l,α)+μn+1f,其中,μ1、…、μn、μn+1表示权重值且μ1+…+μn+μn+1=1,n为正整数且nmax=N,l表示连杆的长度,α表示连杆的扭角,Fn(l,α)表示机器人进行任务n时的工作空间WRn(l,α)与人体进行任务n时的工作空间Wn的相似度,f表示机器人质量体积的度量指标;
S2,利用迭代法迭代l,α,求解Φ(l,α)为最小值时对应的各连杆的长度和扭角值,作为机器人参数的最优值。
通过上述技术方案,在构建目标优化函数时,将机器人的工作空间与人体进行任务n的工作空间的相似度纳入考虑,且同时也将机器人的质量体积指标纳入考虑,且为目标优化函数中的每个部分加入了权重值,可以根据不同机器人各任务的重要性来进行构建,通过求解整个目标优化函数的最小值,从而可以构建出更轻量级、鲁棒性更强的多任务机器人。利用迭代法同时获得机器人中各连杆的长度和扭角的最优值,为机器人的设计提供了理论依据,不必大量试错,有利于提高设计效率和设计质量。
附图说明
图1是本申请基于工作空间相似度的外肢体机器人参数优化方法流程示意图;
图2是迭代法求解目标优化函数最小值的流程示意图;
图3是人体上肢的工作空间W1与参数优化后的外肢体机器人进行上肢任务时的工作空间WR1(l,α)示意图;
图4是人体下肢的工作空间W2与参数优化后的外肢体机器人进行下肢任务时的工作空间WR2(l,α)示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出一种量化两个工作空间相似度的方法,其中WA、WB分别表示两个工作空间,工作空间即一个连杆机构的末端可以到达的区域,可以视为一个点集,F表示两个工作空间的相似度,计算WA∩WB即遍历两个工作空间的点集中的所有点来判断两个点的距离是否小于设定的容许距离e,这样定义下F的值越小,两个工作空间的相似度越高。
如图1所示,本发明还提出一种基于工作空间相似度的外肢体机器人参数优化方法,机器人包括多个连杆,用于执行N种不同的任务,N≥2且为整数,方法包括:
S1,构建目标优化函数:Φ(l,α)=μ1F1(l,α)+…+μnFn(l,α)+μn+1f,其中,μ1、…、μn、μn+1表示权重值且μ1+…+μn+μn+1=1,n为正整数且nmax=N,l表示连杆的长度,α表示连杆的扭角,Fn(l,α)表示机器人进行任务n时的工作空间WRn(l,α)与人体进行任务n时的工作空间Wn的相似度,f表示机器人质量体积的度量指标;
S2,利用迭代法迭代l,α,求解Φ(l,α)为最小值时对应的各连杆的长度l和扭角α值,作为机器人参数的最优值。
在一些实施例中,N=2,即该机器人用于执行2种不同的任务,则目标优化函数Φ(l,α)=μ1F1(l,α)+μ2F2(l,α)+μ3f,那么,F1(l,α)表示机器人进行任务1时的工作空间WR1(l,α)与人体进行任务1时的工作空间Wn的相似度,F2(l,α)表示机器人进行任务2时的工作空间WR2(l,α)与人体进行任务2时的工作空间Wn的相似度。
在另一些实施例中,N=3,即该机器人用于执行3种不同的任务,则目标优化函数Φ(l,α)=μ1F1(l,α)+μ2F2(l,α)+μ3F3(l,α)+μ4f,那么,F1(l,α)表示机器人进行任务1时的工作空间WR1(l,α)与人体进行任务1时的工作空间Wn的相似度,F2(l,α)表示机器人进行任务2时的工作空间WR2(l,α)与人体进行任务2时的工作空间Wn的相似度,F3(l,α)表示机器人进行任务3时的工作空间WR3(l,α)与人体进行任务3时的工作空间Wn的相似度。
依次类推,N≥2且为整数,即本申请的参数优化方法可以适用于一种执行多任务的包括有多个连杆的机器人,基于该机器人的工作空间与各任务的工作空间的相似度,来构建目标优化函数,并求解最小值,从而可以获得该机器人最优的连杆长度l和扭角α值。并且,在优化过程中,还将机器人的质量体积的度量指标也纳入到目标优化函数中,由于多任务的工作空间的相似度越低,整个机械结构的质量体积也就会越大,将工作空间相似度与质量体积的度量指标一同进行考虑,可以构建出更轻量级、鲁棒性更强的机器人。当机器人进行任务n时的工作空间WRn(l,α)与人体进行任务n时的工作空间Wn的相似度越高,说明机器人模拟人体进行任务n更加相似,且整个机械结构的质量体积也会越小。由于机器人用于执行多个任务,不同任务的重要性不同,因此通过加入权重值来表示各个相似度的重要性以及质量体积指标的重要性,例如机器人以模拟人体执行任务1为主,而执行其他任务为辅,那么在优化参数设计时,可以将F1(l,α)的权重值设计高于其他的权重值,如机器人以轻质量小体积为重要指标,执行任务为次要指标,那么可以将f的权重值设计高于各个相似度的权重值。通过本申请的方法,可以提供各连杆的参数最优值,作为设计的理论依据,设计者可以根据该结果进行参数设计,而不必大量试错,提高了设计效率和设计质量。
具体地,S1中机器人进行任务n时的工作空间WRn(l,α)以及人体进行任务n时的工作空间Wn可以采用几何解析法、切比雪夫取样法、区间分析法、蒙特卡洛法等等。
优选地,采用蒙特卡洛法求解,本申请的求解效率最高。首先,采用机器人建模中常用的DH参数法来构建工作空间模型,变量则为各连杆的长度l与扭角α,那么,对于一组确定的l,α参数,机器人的工作空间就是确定的。工作空间即一个机构的末端可以到达的区域,可以视为一个点集,对于一个确定的工作空间W,其理想的总点数为η,η趋于无穷大,因此,直接求解较为困难,而蒙特卡洛法的思想是,通过正运动学计算末端的位置点N得到点集V,去逼近目标W,由于因此,当选取的§越大时,§也就越接近η,也就意味着所求的点集V越接近真实的工作空间W。为了保证计算结果的精度,通常§应选取一个较大的数,然而,§越大,计算所需的时间也就越长,为了提高计算的速度可以在得到一个§个点的工作空间后,再使用聚类算法将工作空间降维。例如,§=20000,聚类后§=1000。
Wn表示人体自行进行任务n时的工作空间,对于具体的人来说,他进行任务n的工作空间也是确定的,与机器人的参数无关,因此,只需在迭代前将其一次计算出即可,迭代过程中长度l和扭角α不会影响Wn。所以,Wn可以在构建目标优化函数时计算出来,也可以在构建完毕、开始迭代之前计算出来。而WRn(l,α)则与机器人中各连杆的长度l和扭角α有关,因此,每一次迭代更新了长度l和扭角α值,WRn(l,α)会随之变化。
具体地,S1中,获得机器人进行任务n时的工作空间WRn(l,α)以及人体进行任务n时的工作空间Wn后,就可以定义两个工作空间的相似度,这样定义下Fn(l,α)的值越小,相似度越高,说明机器人模拟人体进行任务n时越相似、自然。由于多任务的工作空间的相似度越低,整个机械结构的质量体积也就会越大,它们是相反的关系,因此,若要一同构建目标优化函数并通过迭代法来求解最优值,需使得相似度定义式的值与相似度的大小成反比,又由于一个工作空间可被视为一个点集,因此,可通过上式来描述两个集合间的距离,也就可以用来描述两个工作空间的相似度。
具体地,在计算WRn(l,α)∩Wn时,即遍历两个工作空间的点集中的所有点来判断两个点的距离是否小于设定的容许距离e,如小于,则为WRn(l,α)∩Wn的结果,两个点之间的距离可以采用曼哈顿距离(Manhattan)计算:e=|x1-x2|+|y1-y2|+|z1-z2|,x1、y1、z1表示其中一个点的三维坐标,x2、y2、z2表示另一个点的三维坐标。容许距离应根据机器人用于执行的任务来进行灵活选择。通常,0<e≤1×10-1米。当然,两个点之间的距离也可以采用欧式距离或其他方法来进行计算。计算WRn(l,α)∪Wn即将两个点集合并。
具体地,S1中的f只要是可以度量质量或体积的指标都可以,例如可以采用机器人的长度、材料用量、体积、质量等等中的一种或几种来作为度量指标。更具体地,当采用机器人的长度作为度量指标时,f=|∑li-l0|,其中li表示机器人中的第i个连杆,i为正整数,∑li表示机器人的连杆总长度,l0表示理论上的结构最优值,理论上的结构最优值指的是在先验知识中得到的一个最优值的近似值,可以通过试验的方法得到。当采用材料用量作为度量指标时,f=|ρ-ρ0|,其中ρ表示加工制造所需消耗的总材料用量,ρ0表示理想情况所需的总材料用量,理想情况所需的总材料用量指的是在先验知识中得到的一个最优值的近似值,可以通过试验的方法得到。由于采用机器人的长度作为度量指标时构建的目标优化函数以及计算都会更加简单,因此为优选。
具体地,S2中的迭代法可以采用启发式算法如遗传算法(GA)或粒子群算法(PSO)或神经网络(NN)等等来进行。更具体地,如图2所示,迭代法的具体步骤为:
S201,设定各连杆的长度和扭角的初始值,作为求解参数;
S202,根据求解参数求解机器人进行任务n时的工作空间WRn(l,α);
S203,计算当前目标优化函数Φ(l,α)的值;
S204,调整各连杆的长度和扭角,作为新的求解参数;
S205,重复S202-S204,直到获取目标优化函数Φ(l,α)的最小值为止,得到对应的各连杆的长度和扭角值,作为最优值。在每次重复S202-S204时,会记录当前的各连杆的长度和扭角值,且记录计算出的目标优化函数Φ(l,α)的值,若其小于上一次重复过程中计算出的目标优化函数值,则更新记录当前计算出的目标优化函数值,迭代直到当前的目标优化函数值大于上一次的目标优化函数值,那么上一次记录的即最小的目标优化函数值,迭代终止。
当采用不同的算法进行迭代,那么迭代过程中调整各连杆的长度和扭角参数的更新律就会不一样,但整体的求解流程、效率、结果差别不大。
更具体地,在S02中求解机器人进行任务n时的工作空间WRn(l,α)后可以采用聚类算法将工作空间降维,以降低计算量,提高求解速度。
更具体地,在迭代开始前,可以设定各连杆的长度和扭角在S204中的调整边界值,从而限定了长度和扭角的范围,在此范围区间内进行迭代,可以提高计算效率,限定的边界值大小可以根据实际情况选取。当然,也可以不限定边界值,这样会使计算量增加,如限定的边界值较大,也会使计算量增加。
实施例一
本实施例以设计一个辅助偏瘫患者的外肢体机器人为例,该机器人用于执行2种不同的任务,包括4个连杆,既能模拟人体的上肢任务又能模拟人体的拄拐任务。
该机器人的参数优化方法包括:
S1,构建目标优化函数:Φ(l,α)=0.4F1(l,α)+0.4F2(l,α)+0.2f,考虑到设计该外肢体机器人既需要用来模拟人体的上肢,又需要用来模拟人体的下肢,对于偏瘫患者来说,外肢体机器人的上肢任务与拄拐任务同样重要,因此,设置μ1=0.4、μ2=0.4、μ3=0.2。
任务1表示上肢任务,任务2表示拄拐任务。
在构建目标优化函数的过程中,首先,需要定义人体进行上肢任务时的工作空间W1,以及人体进行拄拐任务时的工作空间W2,它们表示人体实际自行执行任务时的工作空间,对于具体的人来说,是确定的,与外肢体机器人的参数l,α无关。同时,还要求出机器人进行上肢任务的工作空间WR1(l,α),以及机器人进行拄拐任务的工作空间WR2(l,α)。
根据各工作空间,定义本问题中理论上的结构最优值l0取1,f=|∑li-1|。在设计本实施这类问题时,计算F1(l,α)与F2(l,α)的容许距离e的选取范围可以为5×10-3米~1×10-2米,具体地,本实施例选取1×10-2米。F1(l,α)就表示该外肢体机器人进行上肢任务的工作空间WR1(l,α)与人体进行上肢任务时的工作空间W1的相似度,F2(l,α)表示机器人进行拄拐任务的工作空间WR2(l,α)与人体进行拄拐任务时的工作空间W2的相似度,f表示机器人质量体积的度量指标;F1(l,α)、F2(l,α)的值越小,说明该外肢体机器人模拟人体进行上肢任务时与人体自行执行上肢任务时的相似度越高,设计出的机器人越好,机器人的工作越自然、流畅。
S2,利用粒子群算法迭代l,α,求解Φ(l,α)为最小值时对应的各连杆的长度和扭角值,作为机器人参数的最优值。
在迭代开始前,采用蒙特卡洛法分别求出W1和W2,W1即图3中深灰色的点集,W2即图4中浅灰色的点集,设定l的边界值:最小边界值为0,最大边界值为0.5;设定α的边界值:最小边界值为最大边界值为然后开始迭代:
S201,设定l的初始值为0.5,α的初始值为rand(30,8),作为求解参数;
S202,根据求解参数具体求解出机器人进行上肢任务的工作空间WR1(l,α),以及机器人进行拄拐任务的工作空间WR2(l,α),此处,采用蒙特卡洛法求解,§=20000,然后使用聚类算法降维后§=1000;
S203,计算当前目标优化函数Φ(l,α)的值;
S204,粒子群算法调整各连杆的长度和扭角,作为新的求解参数;
S205,重复S202-S204,直到获取目标优化函数Φ(l,α)的最小值为止,得到四个连杆的长度和扭角值。
如图3和图4所示,展示了人体上肢的工作空间W1、人体拄拐的工作空间W2,以及经过本申请的参数优化后的机器人进行上肢任务工作空间WR1(l,α),以及机器人进行拄拐任务的工作空间WR2(l,α),可以发现,该机器人进行拄拐任务的工作空间WR2(l,α)(即图4中灰色的点集)与人体进行拄拐任务的工作空间W2(即图4中黑色的点集)相似度较高,且该机器人进行上肢任务时的工作空间WR1(l,α)(即图3中黑色的点集)也与人体上肢的工作空间W1(即图3中灰色的点集)相似度较高,偏瘫患者使用起来更加舒适、自然。证明了本申请的方法,可以使设计出的机器人更好的模拟人体上肢任务与拄拐任务,与人体自行执行上肢任务与拄拐任务时的相似度更高,且外肢体机器人更轻量化。
实施例二
与实施例一的不同之处在于,该机器人用于执行3种不同的任务,包括5个连杆,分别用来执行抓取面前物体,辅助行走,跌倒支撑等。
目标优化函数为:Φ(l,α)=0.5F1(l,α)+0.2F2(l,α)+0.1F3(l,α)+0.2f,l0取2,f=|∑li-2|。设定l的边界值:最小边界值为0,最大边界值为0.4;设定α的边界值:最小边界值为最大边界值为π。
设定l的初始值为0.4,α的初始值为0,最终迭代求解的目标优化函数Φ(l,α)的最小值为0.60,此时对应的五组l,α分别为[l,α]=[0.25、0]、[0.35、0][0.20、0]、[0.20、0]。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于工作空间相似度的外肢体机器人参数优化方法,其特征在于,所述机器人包括多个连杆,用于执行N种不同的任务,N≥2且为整数,所述方法包括:
S1,构建目标优化函数:Φ(l,α)=μ1F1(l,α)+…+μnFn(l,α)+μn+1f,其中,μ1、...、μn、μn+1表示权重值且μ1+…+μn+μn+1=1,n为正整数且nmax=N,l表示连杆的长度,α表示连杆的扭角,表示机器人进行任务n时的工作空间WRn(l,α)与人体进行任务n时的工作空间Wn的相似度,计算WRn(l,α)∩Wn即遍历两个工作空间的点集中的所有点来判断两个点的距离是否小于设定的容许距离e,f表示机器人质量体积的度量指标;
S2,利用迭代法迭代l,α,求解Φ(l,α)为最小值时对应的各连杆的长度和扭角值,作为机器人参数的最优值。
2.根据权利要求1所述的机器人参数优化方法,其特征在于,S1中机器人进行任务n时的工作空间WRn(l,α)以及人体进行任务n时的工作空间Wn采用蒙特卡洛法求解。
3.根据权利要求1所述的机器人参数优化方法,其特征在于,S1中的f采用机器人的长度作为度量指标,f=|∑li-l0|,其中li表示机器人中的第i个连杆,i为正整数,∑li表示机器人的连杆总长度,l0表示理论上的结构最优值。
4.根据权利要求1所述的机器人参数优化方法,其特征在于,S2中的迭代法采用遗传算法或粒子群算法或神经网络。
5.根据权利要求4所述的机器人参数优化方法,其特征在于,S2中迭代法的具体步骤为:
S201,设定各连杆的长度和扭角的初始值,作为求解参数;
S202,根据求解参数求解机器人进行任务n时的工作空间WRn(l,α);
S203,计算当前目标优化函数Φ(l,α)的值;
S204,调整各连杆的长度和扭角,作为新的求解参数;
S205,重复S202-S204,直到获取目标优化函数Φ(l,α)的最小值为止,得到对应的各连杆的长度和扭角值。
6.根据权利要求5所述的机器人参数优化方法,其特征在于,S202中求解机器人进行任务n时的工作空间WRn(l,α)后采用聚类算法将工作空间降维。
7.根据权利要求5所述的机器人参数优化方法,其特征在于,在迭代开始前,设定各连杆的长度和扭角在S204中的调整边界值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110609611.6A CN113435011B (zh) | 2021-06-01 | 2021-06-01 | 基于工作空间相似度的外肢体机器人参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110609611.6A CN113435011B (zh) | 2021-06-01 | 2021-06-01 | 基于工作空间相似度的外肢体机器人参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435011A CN113435011A (zh) | 2021-09-24 |
CN113435011B true CN113435011B (zh) | 2022-05-20 |
Family
ID=77803375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110609611.6A Active CN113435011B (zh) | 2021-06-01 | 2021-06-01 | 基于工作空间相似度的外肢体机器人参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435011B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2150175A1 (en) * | 2007-05-01 | 2010-02-10 | Queen's University at Kingston | Robotic exoskeleton for limb movement |
CN101829989A (zh) * | 2010-04-29 | 2010-09-15 | 北京理工大学 | 基于区间分析的低自由度并联机器人多指标优化设计方法 |
WO2016135658A1 (en) * | 2015-02-26 | 2016-09-01 | Khalifa University Of Science, Technology And Research (Kustar) | Parallel mechanism based automated fiber placement system |
WO2019068095A1 (en) * | 2017-09-29 | 2019-04-04 | The Regents Of The University Of California | HAPTIC EXOSQUELET DEVICE FOR A COMPLETE BODY |
CN110421566A (zh) * | 2019-08-08 | 2019-11-08 | 华东交通大学 | 一种基于近似度加权平均插值法的机器人精度补偿方法 |
WO2020160456A1 (en) * | 2019-01-31 | 2020-08-06 | Barrett Technology, Llc | Multi-active-axis, non-exoskeletal robotic rehabilitation device |
-
2021
- 2021-06-01 CN CN202110609611.6A patent/CN113435011B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2150175A1 (en) * | 2007-05-01 | 2010-02-10 | Queen's University at Kingston | Robotic exoskeleton for limb movement |
CN101829989A (zh) * | 2010-04-29 | 2010-09-15 | 北京理工大学 | 基于区间分析的低自由度并联机器人多指标优化设计方法 |
WO2016135658A1 (en) * | 2015-02-26 | 2016-09-01 | Khalifa University Of Science, Technology And Research (Kustar) | Parallel mechanism based automated fiber placement system |
WO2019068095A1 (en) * | 2017-09-29 | 2019-04-04 | The Regents Of The University Of California | HAPTIC EXOSQUELET DEVICE FOR A COMPLETE BODY |
WO2020160456A1 (en) * | 2019-01-31 | 2020-08-06 | Barrett Technology, Llc | Multi-active-axis, non-exoskeletal robotic rehabilitation device |
CN110421566A (zh) * | 2019-08-08 | 2019-11-08 | 华东交通大学 | 一种基于近似度加权平均插值法的机器人精度补偿方法 |
Non-Patent Citations (4)
Title |
---|
Mechatronic Design of a Synergetic Upper Limb Exoskeletal Robot and Wrench-based Assistive Control;He L 等;《Journal of Bionic Engineering》;20180228;第247-259页 * |
The workspace mapping with deficient-DOF space for the PUMA 560 robot and its exoskeleton arm by using orthogonal experiment design method;Chen Y 等;《Robotics and Computer-Integrated Manufacturing》;20070430;第478-487页 * |
基于工作空间测量的居家脑卒中患者;白敬 等;《仪器仪表学报》;20180430;第74-81页 * |
集成功能性电刺激的气动肌肉驱动上肢外骨骼康复机器人迭代学习控制;黄剑 等;《第35届中国控制会议论文集》;20160731;第1197-1201页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113435011A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021103392A1 (zh) | 基于对抗结构化控制的仿生机器鱼运动控制方法、系统 | |
CN106560848B (zh) | 模拟生物双向认知能力的新型神经网络模型及训练方法 | |
Bonaiuto et al. | Extending the mirror neuron system model, I: Audible actions and invisible grasps | |
US10962976B1 (en) | Motion control method and system for biomimetic robotic fish based on adversarial structured control | |
CN113435011B (zh) | 基于工作空间相似度的外肢体机器人参数优化方法 | |
Mehta et al. | A user’s guide to calibrating robotic simulators | |
Pan et al. | Emergent hand morphology and control from optimizing robust grasps of diverse objects | |
CN115796358A (zh) | 一种碳排放预测的方法及终端 | |
Wang et al. | Hybrid multi-objective Harris Hawk optimization algorithm based on elite non-dominated sorting and grid index mechanism | |
Mavrogiannis et al. | Task-specific grasp selection for underactuated hands | |
Starke et al. | Synergy-based, data-driven generation of object-specific grasps for anthropomorphic hands | |
Zhang et al. | Design method of a single degree-of-freedom planar linkage bionic mechanism based on continuous position constraints | |
Tan et al. | Trajectory tracking of soft continuum robots with unknown models based on varying parameter recurrent neural networks | |
CN109800850A (zh) | 一种新型的群智能游牧算法 | |
CN110990769B (zh) | 一种适合多自由度机器人的姿态迁移算法系统 | |
Shi et al. | Design and control of intelligent bionic artificial hand based on image recognition | |
CN113703311A (zh) | 一种燃煤机组自组织协同预测控制方法 | |
CN113524235A (zh) | 一种面向动态交互的对象肢体时变刚度辨识方法及装置 | |
Zhou et al. | Intelligent Control of Manipulator Based on Deep Reinforcement Learning | |
He et al. | MORPH: Design Co-optimization with Reinforcement Learning via a Differentiable Hardware Model Proxy | |
Marin et al. | A genetic algorithm for use in creative design processes | |
Bian et al. | Reshaping Wearable Robots Using Fuzzy Intelligence: Integrating Type-2 Fuzzy Decision, Intelligent Control and Origami Structure | |
Capuozzo et al. | A compact evolutionary algorithm for integer spiking neural network robot controllers | |
Li et al. | Hierarchy and Adaptive Size Particle Swarm Optimization Algorithm for Solving Geometric Constraint Problems. | |
Liu et al. | Hand posture reconstruction through task-dependent hand synergies |
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 |