CN113673153B - 机器人电磁转矩的确定方法和装置、存储介质、电子装置 - Google Patents
机器人电磁转矩的确定方法和装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN113673153B CN113673153B CN202110920279.5A CN202110920279A CN113673153B CN 113673153 B CN113673153 B CN 113673153B CN 202110920279 A CN202110920279 A CN 202110920279A CN 113673153 B CN113673153 B CN 113673153B
- Authority
- CN
- China
- Prior art keywords
- target
- neural network
- electromagnetic torque
- training
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 61
- 238000012360 testing method Methods 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 210000000629 knee joint Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012812 general test Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1633—Programme controls characterised by the control loop compliant, force, torque control, e.g. combined with position control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Robotics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Manipulator (AREA)
- Feedback Control In General (AREA)
Abstract
本发明实施例提供了一种机器人电磁转矩的确定方法和装置、存储介质、电子装置,其中,该方法包括:获取机器人的目标关节的目标角速度和目标力矩;利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩,其中,所述目标模型是利用训练数据对初始神经网络进行训练后所得到的模型,所述训练数据中包括多组数据,每组所述数据包括所述目标关节的角速度、力矩以及电磁转矩。通过上述方案,解决了相关技术中存在的在对机器人关节电机进行传统参数模型来建立运动方程时,由于部分参数需要利用经验来进行选用而会出现的非线性问题。
Description
【技术领域】
本发明涉及通信领域,具体而言,涉及一种机器人电磁转矩的确定方法和装置、存储介质、电子装置。
【背景技术】
随着人们生活水平的提高,在人们的日常生活中出现了多种类型的机器人,不同功能的机器人形态也是各不相同的。其中,具备行走能力的机器人的关节中通常都会设置关节电机,例如,目前大多数四足机器人的各关节都采用性能较优的直流无刷电机(Brushless Direct Current Motor,简称为BLDC)作为执行器,但是在对BLDC进行传统参数模型来建立运动方程时,部分参数需要利用经验来进行选用,这样就带来了非线性问题,使得输出的关节电磁转矩存在不确定性,从而导致无法保持机器人良好的动态性能。
针对相关技术中存在的上述问题,目前尚未提出有效的解决方案。
【发明内容】
本发明实施例提供了一种机器人电磁转矩的确定方法和装置、存储介质、电子装置,以至少解决相关技术中存在的由于输出的机器人的关节电磁转矩存在不确定性,从而导致无法保持机器人良好的动态性能的问题。
根据本发明的一个实施例,提供了一种机器人电磁转矩的确定方法,包括:获取机器人的目标关节的目标角速度和目标力矩;利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩,其中,所述目标模型是利用训练数据对初始神经网络进行训练后所得到的模型,所述训练数据中包括多组数据,每组所述数据包括所述目标关节的角速度、力矩以及电磁转矩。
在一个示例性实施例中,在利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩之前,所述方法还包括:利用测试平台对所述机器人进行测试,以对应获取所述目标关节的多组初始数据,其中,一组所述初始数据中包括所述目标关节的所述角速度、所述力矩以及所述电磁转矩;从多组所述初始数据中选取所述训练数据。
在一个示例性实施例中,在利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩之前,所述方法还包括:利用所述训练数据对所述初始神经网络进行训练,以调节所述初始神经网络的目标参数,其中,所述目标参数包括以下至少之一:隐含层的节点数、基函数、中心宽度、所述初始神经网络包括的隐含层到输出层的权值;在检测到所述目标参数调节完成之后,结束训练过程。
在一个示例性实施例中,检测到所述目标参数调节完成包括:将多组测试数据中包括的所述目标关节的测试角速度和测试力矩输入至所述初始神经网络中,以得到多个预测电磁矩阵;确定多个所述预测电磁转矩与多组所述测试数据中包括的实际电磁转矩的均方根误差;在确定所述均方根误差小于预定数值的情况下,确定所述目标参数调节完成。
在一个示例性实施例中,确定多个所述预测电磁转矩与多组所述测试数据中包括的实际电磁转矩的均方根误差包括:通过如下公式确定所述均方根误差mse:
其中,n为多个所述预测电磁转矩的数量,Y为所述预测电磁矩阵,oi为所述实际电磁矩阵。
在一个示例性实施例中,所述初始神经网络的隐含层的激活函数包括高斯函数。
在一个示例性实施例中,在利用所述训练数据对所述初始神经网络进行训练,以调节所述初始神经网络的目标参数之后,所述方法还包括:利用粒子群算法对所述目标参数中包括的所述权值进行优化,以得到优化权值;将所述目标模型中包括的隐含层到输出层的权值调整为所述优化权值。
根据本发明的一个实施例,还提供了一种机器人电磁转矩的确定装置,包括:获取模块,用于获取机器人的目标关节的目标角速度和目标力矩;分析模块,用于利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩,其中,所述目标模型是利用训练数据对初始神经网络进行训练后所得到的模型,所述训练数据中包括多组数据,每组所述数据包括所述目标关节的角速度、力矩以及电磁转矩。
根据本发明的一个实施例,还提供了一种计算机可读的存储介质,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行上述任一项实施例中所述的方法。
根据本发明的一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行上述任一项中所述的方法。
通过本发明,可以基于训练完成的神经网络模型来对机器人关节的电磁转矩进行预测,进而能够得到精准的机器人关节的电磁转矩,相对于相关技术中存在的在对机器人关节电机进行传统参数模型来建立运动方程时,由于部分参数需要利用经验来进行选用而会出现的非线性问题,采用本发明实施例中的确定电磁转矩的方案能够获得更为精准的电磁转矩,从而保证机器人的关节电机在运动方程参数不确定、外部负载扰动的状况下,仍能保持良好的动态性能,进而满足工程的需求。
【附图说明】
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种机器人电磁转矩的确定方法的移动机器人的硬件结构框图;
图2是根据本发明实施例的机器人电磁转矩的确定方法流程图;
图3是根据本发明实施例的神经网络的架构图;
图4是根据本发明实施例的整体流程图;
图5是根据本发明实施例的机器人电磁转矩的确定装置的结构框图。
【具体实施方式】
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在独立的处理设备、控制设备或者配置在机器人中的处理设备、控制器,或者类似的运算装置中执行。以运行在移动机器人上为例,图1是本发明实施例的一种机器人电磁转矩的确定方法的移动机器人的硬件结构框图。如图1所示,移动机器人可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,在一个示例性实施例中,上述移动机器人还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动机器人的结构造成限定。例如,移动机器人还可包括比图1中所示更多或者更少的组件,或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的机器人的电磁转矩的确定方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动机器人。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动机器人的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
首先对本发明的应用场景进行说明:
在相关技术中,机器人的种类非常繁多,但不管何种类型的机器人,其运动原理基本都是机械运动。在实际应用中,机器人的动力来源一般是电动机,通过一套机械传动装置,按照机器人内的程序控制,将动力传到机器人的执行机构,机器人的执行机构就开始运动了。
本发明主要目的是完成对机器人(例如,四足机器人)的直流无刷电机BLDC电磁转矩的预测建模,目前大多数四足机器人的各关节都采用性能较优的BLDC电机作为执行器,通过本发明实施例中的方案能够得到准确的机器人运动方程。而提高机器人控制系统的控制性能,前提条件和基础是提高对电机电磁转矩的控制质量,或者说,对机器人关节电机的各种控制,归根结底是对电磁转矩的控制,对电磁转矩的控制指令将直接影响到整个机器人控制系统的性能。由此可知,为了提高对机器人的控制精准度,是需要获知准确的电磁转矩的,进而才能够使机器人保持良好的动态性能。
下面结合实施例说明本发明是如何确定机器人电磁转矩。
在本发明实施例中,提供了一种机器人电磁转矩的确定方法,如图2所示,该方法包括如下步骤:
步骤S202,获取机器人的目标关节的目标角速度和目标力矩;
步骤S204,利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩,其中,所述目标模型是利用训练数据对初始神经网络进行训练后所得到的模型,所述训练数据中包括多组数据,每组所述数据包括所述目标关节的角速度、力矩以及电磁转矩。
其中,上述操作的执行主体可以是独立的处理设备、控制设备或者配置在机器人(例如,四足机器人)中的处理设备、控制器,或者类似的运算装置。
上述的初始神经网络模型可以有多种类型,例如,可以是RBF神经网络(即,径向基函数神经网络),RNN神经网络(即,循环神经网络),卷积神经网络等,还可以是其他的能够实现电磁转矩预测的神经网络。
需要说明的是,通过上述方式可以实现对机器人某个关节中的特定电机的电磁转矩的预测,另外,由于机器人某个关节中会设置多个电机,且多个电机之间一般是彼此关联的,因此,在得到一个电机的预测模型之后,可以通过关联关系得到其余有关联的电机的预测模型。
通过上述实施例,可以基于训练完成的神经网络模型来对机器人关节的电磁转矩进行预测,进而能够得到精准的机器人关节的电磁转矩,相对于相关技术中存在的在对机器人关节电机进行传统参数模型来建立运动方程时,由于部分参数需要利用经验来进行选用而会出现的非线性问题,采用本发明实施例中的确定电磁转矩的方案能够获得更为精准的电磁转矩,从而保证机器人的关节电机在运动方程参数不确定、外部负载扰动的状况下,仍能保持良好的动态性能,进而满足工程的需求。
在一个示例性实施例中,在利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩之前,所述方法还包括:利用测试平台对所述机器人进行测试,以对应获取所述目标关节的多组初始数据,其中,一组所述初始数据中包括所述目标关节的所述角速度、所述力矩以及所述电磁转矩;从多组所述初始数据中选取所述训练数据。在本实施例中,在利用目标模型预测电磁转矩之前,需要对初始神经网络模型进行训练,以得到该目标模型,其中,在对初始神经网络模型进行训练时,是需要获取大量的训练数据的,而获取数据的方式可以有多种,例如,可以从网络上下载训练数据、或者将实际应用中所测得的角速度、力度和电磁转矩作为训练数据、还可以通过测试平台来获取训练数据。下面以通过测试平台来获取训练数据为例对本发明进行说明:
在本实施例中,可以利用四足机器人测试平台(该平台可以是已有的机器人测试平台,还可以是按照特定方式所搭建的通用测试平台,还可以是针对本发明中所涉及到的机器人,例如,四足机器人所搭建的测试平台)测取一定量数据,以机器人的膝关节(或称为knee关节)电机的输出数据为例,分别选取4000组(4000组仅是一种示例,在实际应用中还可以选取其他数量,例如5000组、6000组、8000组)角速度和输出转矩,并随机从中选取320组(320组仅是一种示例,在实际应用中还可以选取其他数量,例如400组、500组、800组)数据作为训练组,80组(80组仅是一种示例,在实际应用中还可以选取其他数量,例如100组、120组、150组)作为测试组作为初始神经网络的两个输入来构建机器人的电磁转矩预测模型。此外,需要说明的是,训练数据和测试数据中会包括电磁转矩,其中所包括的电磁转矩实际上也是可以由测试平台所测试得到。
在初始神经网络为RBF的情况下,该神经网络的结构可以参见附图3。以随机选取320组数据作为训练组为例,该情况下的初始神经网络的输入为角速度w={xi,i=1,2,…,320},力矩TL={xi,i=2,3,…,320},输出为结果为电磁转矩Y,即Te,RBF神经网络线性回归方程Y(x)可表示为其中wT为权值,为非线性函数,b为随机向量(该随机向量是在训练过程中产生的)。
在一个示例性实施例中,在利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩之前,所述方法还包括:利用所述训练数据对所述初始神经网络进行训练,以调节所述初始神经网络的目标参数,其中,所述目标参数包括以下至少之一:隐含层的节点数、基函数、中心宽度、所述初始神经网络包括的隐含层到输出层的权值;在检测到所述目标参数调节完成之后,结束训练过程。在本实施例中,主要是以RBF神经网络为例来进行说明的,利用RBF神经网络理论算法较强的泛化能力、全局逼近能力及数据拟合能力,建立四足机器人电磁转矩非线性拟合运动方程模型。该RBF神经网络中包含有上述目标参数,各个目标参数可以设置一个初始值(该初始值可以是随机设定的,或者设置成固定值,或者按照以往经验进行设置),并在训练的过程中不断调整各个目标参数的参数值,直到训练完成。
在一个示例性实施例中,检测到所述目标参数调节完成包括:将多组测试数据中包括的所述目标关节的测试角速度和测试力矩输入至所述初始神经网络中,以得到多个预测电磁矩阵;确定多个所述预测电磁转矩与多组所述测试数据中包括的实际电磁转矩的均方根误差;在确定所述均方根误差小于预定数值的情况下,确定所述目标参数调节完成。在本实施例中,上述的预定数值可以是根据实际需要所设置的,当需要得到精度较高的模型的情况下,可以将该预定数值设置的相对小一些。
在一个示例性实施例中,确定多个所述预测电磁转矩与多组所述测试数据中包括的实际电磁转矩的均方根误差包括:通过如下公式确定所述均方根误差mse:
其中,n为多个所述预测电磁转矩的数量,Y为所述预测电磁矩阵,oi为所述实际电磁矩阵。
在一个示例性实施例中,所述初始神经网络的隐含层的激活函数包括高斯函数。在本实施中,高斯函数可以通过如下公式表示:
其中,xi为神经网络的输入,x是随机产生的一个中间变量,σ为函数的宽度参数。
在一个示例性实施例中,在利用所述训练数据对所述初始神经网络进行训练,以调节所述初始神经网络的目标参数之后,所述方法还包括:利用粒子群算法对所述目标参数中包括的所述权值进行优化,以得到优化权值;将所述目标模型中包括的隐含层到输出层的权值调整为所述优化权值。在本实施例中,实际选取的权值可能不是最优的权值,可以利用粒子群算法来优化权值,从而得到更为优选的权值,保证了模型输出结果的准确性。
下面结合实施例对本发明的整体流程进行说明:
如图4所示,该流程包括如下步骤:
S402,运行四足机器人测试平台;
S404,通过测试平台获取四足机器人特定关节的相关数据;
S406,从获取的相关数据中选取训练样本;
S408,将训练样本输入初始RBF神经网络模型中,以对模型中的参数进行调整;
S410,利用测试样本对RBF神经网络进行测试;
S412,基于测试结果判定RBF神经网络的输出是否符合要求;
S414,若判断出RBF神经网络的输出不符合要求,则重复训练,并不断调试RBF神经网络中的参数的取值,转至步骤S408;
S416,在判断出RBF神经网络的输出符合要求的情况下,完成训练。
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根据上述实施例的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ROM/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,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种机器人电磁转矩的确定装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的机器人电磁转矩的确定装置的结构框图,如图5所示,该装置包括:
获取模块52,用于获取机器人的目标关节的目标角速度和目标力矩;
分析模块54,用于利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩,其中,所述目标模型是利用训练数据对初始神经网络进行训练后所得到的模型,所述训练数据中包括多组数据,每组所述数据包括所述目标关节的角速度、力矩以及电磁转矩。
在一个示例性实施例中,上述装置还包括:测试模块,用于在利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩之前,利用测试平台对所述机器人进行测试,以对应获取所述目标关节的多组初始数据,其中,一组所述初始数据中包括所述目标关节的所述角速度、所述力矩以及所述电磁转矩;选取模块,用于从多组所述初始数据中选取所述训练数据。
在一个示例性实施例中,上述装置还包括:训练模块,用于在利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩之前,利用所述训练数据对所述初始神经网络进行训练,以调节所述初始神经网络的目标参数,其中,所述目标参数包括以下至少之一:隐含层的节点数、基函数、中心宽度、所述初始神经网络包括的隐含层到输出层的权值;在检测到所述目标参数调节完成之后,结束训练过程。
在一个示例性实施例中,所述训练模块可以通过如下方式实现检测到所述目标参数调节完成:将多组测试数据中包括的所述目标关节的测试角速度和测试力矩输入至所述初始神经网络中,以得到多个预测电磁矩阵;确定多个所述预测电磁转矩与多组所述测试数据中包括的实际电磁转矩的均方根误差;在确定所述均方根误差小于预定数值的情况下,确定所述目标参数调节完成。
在一个示例性实施例中,所述训练模块可以通过如下方式确定多个所述预测电磁转矩与多组所述测试数据中包括的实际电磁转矩的均方根误差:通过如下公式确定所述均方根误差mse:
其中,n为多个所述预测电磁转矩的数量,Y为所述预测电磁矩阵,oi为所述实际电磁矩阵。
在一个示例性实施例中,所述初始神经网络的隐含层的激活函数包括高斯函数。
在一个示例性实施例中,所述装置还包括:优化模块,用于在利用所述训练数据对所述初始神经网络进行训练,以调节所述初始神经网络的目标参数之后,利用粒子群算法对所述目标参数中包括的所述权值进行优化,以得到优化权值;将所述目标模型中包括的隐含层到输出层的权值调整为所述优化权值。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在本实施例中,上述计算机可读存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取机器人的目标关节的目标角速度和目标力矩;
S2,利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩,其中,所述目标模型是利用训练数据对初始神经网络进行训练后所得到的模型,所述训练数据中包括多组数据,每组所述数据包括所述目标关节的角速度、力矩以及电磁转矩。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
在一个示例性实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取机器人的目标关节的目标角速度和目标力矩;
S2,利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩,其中,所述目标模型是利用训练数据对初始神经网络进行训练后所得到的模型,所述训练数据中包括多组数据,每组所述数据包括所述目标关节的角速度、力矩以及电磁转矩。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种机器人电磁转矩的确定方法,其特征在于,包括:
获取机器人的目标关节的目标角速度和目标力矩;
利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩,其中,所述目标模型是利用训练数据对初始神经网络进行训练后所得到的模型,所述训练数据中包括多组数据,每组所述数据包括所述目标关节的角速度、力矩以及电磁转矩;
其中,在利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩之前,所述方法还包括:利用所述训练数据对所述初始神经网络进行训练,依次调节所述初始神经网络的如下目标参数:隐含层的节点数、基函数、中心宽度、所述初始神经网络包括的隐含层到输出层的权值;在检测到所述目标参数调节完成之后,结束训练过程;
在利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩之前,所述方法还包括:利用测试平台对所述机器人进行测试,以对应获取所述目标关节的多组初始数据,其中,一组所述初始数据中包括所述目标关节的所述角速度、所述力矩以及所述电磁转矩;从多组所述初始数据中选取所述训练数据;
检测到所述目标参数调节完成包括:将多组测试数据中包括的所述目标关节的测试角速度和测试力矩输入至所述初始神经网络中,以得到多个预测电磁转矩;确定多个所述预测电磁转矩与多组所述测试数据中包括的实际电磁转矩的均方根误差;在确定所述均方根误差小于预定数值的情况下,确定所述目标参数调节完成。
2.根据权利要求1所述的方法,其特征在于,确定多个所述预测电磁转矩与多组所述测试数据中包括的实际电磁转矩的均方根误差包括:
通过如下公式确定所述均方根误差:
,其中,为多个所述预测电磁转矩的数量,为所述预测电磁转矩,为所述实际电磁转矩。
3.根据权利要求1所述的方法,其特征在于,所述初始神经网络的隐含层的激活函数包括高斯函数。
4.根据权利要求1所述的方法,其特征在于,在利用所述训练数据对所述初始神经网络进行训练,以调节所述初始神经网络的目标参数之后,所述方法还包括:
利用粒子群算法对所述目标参数中包括的所述权值进行优化,以得到优化权值;
将所述目标模型中包括的隐含层到输出层的权值调整为所述优化权值。
5.一种机器人电磁转矩的确定装置,其特征在于,包括:
获取模块,用于获取机器人的目标关节的目标角速度和目标力矩;
分析模块,用于利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩,其中,所述目标模型是利用训练数据对初始神经网络进行训练后所得到的模型,所述训练数据中包括多组数据,每组所述数据包括所述目标关节的角速度、力矩以及电磁转矩;
其中,所述装置还包括:训练模块,用于在利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩之前,利用所述训练数据对所述初始神经网络进行训练,依次调节所述初始神经网络的如下目标参数:隐含层的节点数、基函数、中心宽度、所述初始神经网络包括的隐含层到输出层的权值;在检测到所述目标参数调节完成之后,结束训练过程;
其中,所述装置还包括:测试模块,用于在利用目标模型对所述目标角速度和所述目标力矩进行分析,以得到所述目标关节的目标电磁转矩之前,利用测试平台对所述机器人进行测试,以对应获取所述目标关节的多组初始数据,其中,一组所述初始数据中包括所述目标关节的所述角速度、所述力矩以及所述电磁转矩;选取模块,用于从多组所述初始数据中选取所述训练数据;
所述训练模块用于通过如下方式检测到所述目标参数调节完成:将多组测试数据中包括的所述目标关节的测试角速度和测试力矩输入至所述初始神经网络中,以得到多个预测电磁转矩;确定多个所述预测电磁转矩与多组所述测试数据中包括的实际电磁转矩的均方根误差;在确定所述均方根误差小于预定数值的情况下,确定所述目标参数调节完成。
6.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至4任一项中所述的方法。
7.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至4任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110920279.5A CN113673153B (zh) | 2021-08-11 | 2021-08-11 | 机器人电磁转矩的确定方法和装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110920279.5A CN113673153B (zh) | 2021-08-11 | 2021-08-11 | 机器人电磁转矩的确定方法和装置、存储介质、电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673153A CN113673153A (zh) | 2021-11-19 |
CN113673153B true CN113673153B (zh) | 2024-08-13 |
Family
ID=78542306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110920279.5A Active CN113673153B (zh) | 2021-08-11 | 2021-08-11 | 机器人电磁转矩的确定方法和装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673153B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
CN110837889A (zh) * | 2018-08-15 | 2020-02-25 | 新智数字科技有限公司 | 神经网络的训练方法及装置、存储介质、电子装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0589394A1 (en) * | 1992-09-21 | 1994-03-30 | Toyoda Koki Kabushiki Kaisha | Method and apparatus for controlling a robot using a neural network |
JP3324298B2 (ja) * | 1994-10-19 | 2002-09-17 | 株式会社豊田中央研究所 | マニピュレータの制御装置 |
JP2012516717A (ja) * | 2009-01-30 | 2012-07-26 | マサチューセッツ インスティテュート オブ テクノロジー | 作動筋−拮抗筋作用を有する動力付き人工膝 |
CN108247654A (zh) * | 2018-02-05 | 2018-07-06 | 遨博(北京)智能科技有限公司 | 一种机器人的控制方法、装置和系统 |
CN108694467B (zh) * | 2018-05-22 | 2021-02-05 | 中国电力科学研究院有限公司 | 一种对配电网线损率进行预测的方法及系统 |
KR102131097B1 (ko) * | 2018-10-15 | 2020-07-07 | 호남대학교 산학협력단 | 로봇 제어 시스템 및 이를 이용한 로봇 제어 방법 |
CN109656229B (zh) * | 2018-12-10 | 2022-03-15 | 南通大学 | 基于ga-rbf网络的机器人末端性能预测模型的构建方法 |
CN112166441A (zh) * | 2019-07-31 | 2021-01-01 | 深圳市大疆创新科技有限公司 | 数据处理方法、装置及计算机可读存储介质 |
CN111009134A (zh) * | 2019-11-25 | 2020-04-14 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
CN111753917A (zh) * | 2020-06-29 | 2020-10-09 | 北京小米松果电子有限公司 | 数据处理方法、装置及存储介质 |
CN111985725A (zh) * | 2020-08-30 | 2020-11-24 | 浙江工业大学 | 一种基于改进bp神经网络的离心泵性能参数预测方法 |
CN112947293B (zh) * | 2021-02-22 | 2022-07-01 | 中国矿业大学 | 基于滑模的机械臂安全轨迹跟踪控制方法 |
-
2021
- 2021-08-11 CN CN202110920279.5A patent/CN113673153B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837889A (zh) * | 2018-08-15 | 2020-02-25 | 新智数字科技有限公司 | 神经网络的训练方法及装置、存储介质、电子装置 |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113673153A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111522669A (zh) | 横向联邦学习系统优化方法、装置、设备及可读存储介质 | |
DE112019004943T5 (de) | Automatisierte Erzeugung neuronaler Netze | |
CN110770761A (zh) | 深度学习系统和方法以及使用深度学习的无线网络优化 | |
CN107783840A (zh) | 一种分布式多层深度学习资源分配方法和装置 | |
CN113469345A (zh) | 量化模型的优化方法和装置、存储介质及电子装置 | |
CN108198268B (zh) | 一种生产设备数据标定方法 | |
CN113673153B (zh) | 机器人电磁转矩的确定方法和装置、存储介质、电子装置 | |
CN112446462B (zh) | 目标神经网络模型的生成方法和装置 | |
CN113673532B (zh) | 基于量化模型的目标检测方法及装置 | |
CN114800500A (zh) | 一种用于打磨机器人的柔性恒力控制方法及系统 | |
You et al. | Federated and asynchronized learning for autonomous and intelligent things | |
CN110493072A (zh) | 基于深度学习的带宽滤波方法、装置、服务器及存储介质 | |
Svoboda et al. | Resource efficient deep reinforcement learning for acutely constrained tinyML devices | |
CN113033027B (zh) | 智能机器人的步态控制方法及装置、存储介质、电子装置 | |
CN112329995A (zh) | 分布式储能集群的优化调度方法、装置和计算机设备 | |
CN113635310B (zh) | 模型迁移方法、装置 | |
CN113031450B (zh) | 智能机器人的前馈控制方法及装置、存储介质、电子装置 | |
CN114418159B (zh) | 肢体运动轨迹及其预测误差的预测方法、系统和电子装置 | |
CN112991527B (zh) | 目标对象的躲避方法及装置、存储介质、电子装置 | |
CN116385626A (zh) | 图像重建模型的训练方法、装置、存储介质及电子装置 | |
Alessio et al. | Robust adversarial reinforcement learning for optimal assembly sequence definition in a cobot workcell | |
CN114532898A (zh) | 机器人的建图方法、机器人、存储介质、电子装置 | |
Dey et al. | Domain adaptation of reinforcement learning agents based on network service proximity | |
EP3216167B1 (en) | Orchestrator and method for virtual network embedding using offline feedback | |
CN112510716B (zh) | 供电系统的潮流计算方法、装置、存储介质及电子装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221024 Address after: No.018, 8th floor, building 6, No.33 yard, middle Xierqi Road, Haidian District, Beijing 100085 Applicant after: BEIJING XIAOMI MOBILE SOFTWARE Co.,Ltd. Applicant after: Dreame technology (Suzhou) Co.,Ltd. Address before: 215100 E3, building 16, No. 2288, Yuexi Wuzhong Avenue, Wuzhong District, Suzhou City, Jiangsu Province Applicant before: Dreame technology (Suzhou) Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |