CN114800500A - 一种用于打磨机器人的柔性恒力控制方法及系统 - Google Patents
一种用于打磨机器人的柔性恒力控制方法及系统 Download PDFInfo
- Publication number
- CN114800500A CN114800500A CN202210422569.1A CN202210422569A CN114800500A CN 114800500 A CN114800500 A CN 114800500A CN 202210422569 A CN202210422569 A CN 202210422569A CN 114800500 A CN114800500 A CN 114800500A
- Authority
- CN
- China
- Prior art keywords
- information
- compensation
- attitude
- constant force
- grinding
- 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.)
- Granted
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
- B25J11/00—Manipulators not otherwise provided for
- B25J11/005—Manipulators for mechanical processing tasks
- B25J11/0065—Polishing or grinding
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
本发明提供了一种用于打磨机器人的柔性恒力控制方法及系统,所述方法应用于人工智能领域,其中,所述方法包括:获取第一打磨机器人的第一打磨信息;根据第一打磨信息获得恒力补偿信息;对第一打磨机器人进行打磨恒力补偿调整,并进行姿态检测,获得第一姿态信息;构建姿态平衡补偿状态空间;获取多种姿态补偿行为信息;构建姿态补偿优化适应度,在多种姿态补偿行为信息内进行优化;采用最优姿态补偿行为信息进行姿态平衡补偿进行打磨,且将补偿后的姿态信息作为下次进行姿态平衡补偿的初始姿态信息。达到了提高打磨机器人的控制精度与生产工件质量,降低打磨工序中的安全问题发生概率,实现精准控制的技术效果。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种用于打磨机器人的柔性恒力控制方法及系统。
背景技术
传统机器人在打磨抛光作业中只有位移的概念,但对于抛光、打磨、装配等这类接触作业,仅采用位置控制已经无法满足加工精度和加工质量的要求。为了保证打磨抛光时工件的加工质量,防止末端执行器与工件接触时机器人或者工件受到损害,需要对机器人进行有效的力控制。
现有技术存在机器人打磨作业过程中采用位置控制方法的精度较低,工件打磨质量差,打磨机器人和工件的安全存在一定隐患的技术问题。
发明内容
本申请通过提供了一种用于打磨机器人的柔性恒力控制方法及系统,解决了现有技术存在机器人打磨作业过程中采用位置控制方法的精度较低,工件打磨质量差,打磨机器人和工件的安全存在一定隐患的技术问题。达到了通过采集机器人打磨作业参数信息,构建恒力补偿分析模型,针对性的生成恒力补偿信息,并根据补偿后的姿态进行姿态优化的方法,提高了打磨机器人的控制精度与生产工件质量,降低打磨工序中的安全问题发生概率,实现精准控制的技术效果。
鉴于上述问题,本申请提供了一种用于打磨机器人的柔性恒力控制方法及系统。
第一方面,本申请提供了一种用于打磨机器人的柔性恒力控制方法,其中,所述方法包括:通过所述恒力补偿模块,检测获取第一打磨机器人所要进行打磨的第一打磨信息;将所述第一打磨信息输入恒力补偿分析模型,获得恒力补偿信息;采用所述恒力补偿信息对所述第一打磨机器人进行打磨恒力补偿调整,并检测所述第一打磨机器人的姿态,获得第一姿态信息;根据所述第一姿态信息,构建姿态平衡补偿状态空间;在所述姿态平衡补偿状态空间内,获取多种姿态补偿行为信息;构建姿态补偿优化适应度,在多种所述姿态补偿行为信息内进行优化,获得最优姿态补偿行为信息;采用所述最优姿态补偿行为信息进行姿态平衡补偿,并进行打磨,且将补偿后的姿态信息作为下次进行姿态平衡补偿的初始姿态信息。
另一方面,本申请提供了一种用于打磨机器人的柔性恒力控制系统,其中,所述系统包括:第一检测单元,所述第一检测单元用于通过恒力补偿模块,检测获取第一打磨机器人所要进行打磨的第一打磨信息;第一获得单元,所述第一获得单元用于将所述第一打磨信息输入恒力补偿分析模型,获得恒力补偿信息;第二获得单元,所述第二获得单元用于采用所述恒力补偿信息对所述第一打磨机器人进行打磨恒力补偿调整,并检测所述第一打磨机器人的姿态,获得第一姿态信息;第一构建单元,所述第一构建单元用于根据所述第一姿态信息,构建姿态平衡补偿状态空间;第三获得单元,所述第三获得单元用于在所述姿态平衡补偿状态空间内,获取多种姿态补偿行为信息;第二构建单元,所述第二构建单元用于构建姿态补偿优化适应度,在多种所述姿态补偿行为信息内进行优化,获得最优姿态补偿行为信息;第一执行单元,所述第一执行单元用于采用所述最优姿态补偿行为信息进行姿态平衡补偿,并进行打磨,且将补偿后的姿态信息作为下次进行姿态平衡补偿的初始姿态信息。
第三方面,本申请提供了一种用于打磨机器人的柔性恒力控制系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了获取第一打磨机器人所要进行打磨的第一打磨信息;根据第一打磨信息获得恒力补偿信息;对所述第一打磨机器人进行打磨恒力补偿调整,并检测第一打磨机器人的姿态,获得第一姿态信息;构建姿态平衡补偿状态空间;获取多种姿态补偿行为信息;构建姿态补偿优化适应度,在多种姿态补偿行为信息内进行优化;采用最优姿态补偿行为信息进行姿态平衡补偿进行打磨,且将补偿后的姿态信息作为下次进行姿态平衡补偿的初始姿态信息的技术方案,本申请通过提供了一种用于打磨机器人的柔性恒力控制方法及系统,达到了通过采集机器人打磨作业参数信息,构建恒力补偿分析模型,针对性的生成恒力补偿信息,并根据补偿后的姿态进行姿态优化的方法,提高了打磨机器人的控制精度与生产工件质量,降低打磨工序中的安全问题发生概率,实现精准控制的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种用于打磨机器人的柔性恒力控制方法的流程示意图;
图2为本申请实施例一种用于打磨机器人的柔性恒力控制方法的获得恒力补偿信息的流程示意图;
图3为本申请实施例一种用于打磨机器人的柔性恒力控制方法的构建姿态补偿优化适应度的流程示意图;
图4为本申请实施例一种用于打磨机器人的柔性恒力控制系统的结构示意图;
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一检测单元11,第一获得单元12,第二获得单元13,第一构建单元14,第三获得单元15,第二构建单元16,第一执行单元17,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供了一种用于打磨机器人的柔性恒力控制方法及系统,解决了现有技术存在机器人打磨作业过程中采用位置控制方法的精度较低,工件打磨质量差,打磨机器人和工件的安全存在一定隐患的技术问题。达到了通过采集机器人打磨作业参数信息,构建恒力补偿分析模型,针对性的生成恒力补偿信息,并根据补偿后的姿态进行姿态优化的方法,提高了打磨机器人的控制精度与生产工件质量,降低打磨工序中的安全问题发生概率,实现精准控制的技术效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
传统机器人在打磨抛光作业中只有位移的概念,但对于抛光、打磨、装配等这类接触作业,仅采用位置控制已经无法满足加工精度和加工质量的要求。为了保证打磨抛光时工件的加工质量,防止末端执行器与工件接触时机器人或者工件受到损害,需要对机器人进行有效的力控制。存在机器人打磨作业过程中采用位置控制方法的精度较低,工件打磨质量差,打磨机器人和工件的安全存在一定隐患的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种用于打磨机器人的柔性恒力控制方法,其中,所述方法包括:获取第一打磨机器人所要进行打磨的第一打磨信息;根据第一打磨信息获得恒力补偿信息;对所述第一打磨机器人进行打磨恒力补偿调整,并检测第一打磨机器人的姿态,获得第一姿态信息;构建姿态平衡补偿状态空间;获取多种姿态补偿行为信息;构建姿态补偿优化适应度,在多种姿态补偿行为信息内进行优化;采用最优姿态补偿行为信息进行姿态平衡补偿进行打磨,且将补偿后的姿态信息作为下次进行姿态平衡补偿的初始姿态信息。达到了通过采集机器人打磨作业参数信息,构建恒力补偿分析模型,针对性的生成恒力补偿信息,并根据补偿后的姿态进行姿态优化的方法,提高了打磨机器人的控制精度与生产工件质量,降低打磨工序中的安全问题发生概率,实现精准控制的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种用于打磨机器人的柔性恒力控制方法,其中,所述方法应用于一用于打磨机器人的柔性恒力控制系统,所述系统包括恒力补偿模块和九轴姿态补偿模块,所述方法包括:
步骤S100:通过所述恒力补偿模块,检测获取第一打磨机器人所要进行打磨的第一打磨信息;
具体而言,传统机器人在打磨作业中只有位移的概念,为了保证打磨时工件的加工质量,防止末端执行器与工件接触时机器人或者工件受到损害,需要对机器人进行有效的力控制。因此本申请实施例提出一种恒力控制方法,所述方法应用于一种用于打磨机器人的柔性恒力控制系统。所述系统包括恒力补偿模块和九轴姿态补偿模块。所述恒力补偿模块能够提供不同的补偿恒力,保持机器人进行恒力打磨,所述九轴姿态补偿模块能够实时进行姿态采集,维持机器人打磨姿态稳定。
所述第一打磨机器人为用于高精度工件打磨任务的任一机器人。所述恒力补偿模块通过对所述第一打磨机器人进行实时检测,获得所述第一打磨机器人准备进行打磨的所述第一打磨信息,所述第一打磨信息包括打磨的具体工件、打磨路线、力的需求、打磨精度等打磨工作中具体的参数信息。所述第一打磨信息也可以理解为工厂打磨包括多个型号的同一类型工件时,根据具体型号、具体场景设置的自适应的参数信息。通过检测获取第一打磨机器人所要进行打磨的第一打磨信息,能够为机器人打磨力学控制奠定基础。
步骤S200:将所述第一打磨信息输入恒力补偿分析模型,获得恒力补偿信息;
步骤S300:采用所述恒力补偿信息对所述第一打磨机器人进行打磨恒力补偿调整,并检测所述第一打磨机器人的姿态,获得第一姿态信息;
具体而言,所述恒力补偿分析模型为针对第一打磨机器人的具体打磨环境进行训练、构建的模型,示例性的:以神经网络模型为基础通过采集历史打磨信息以及相应的历史恒力补偿信息进行训练而获得。将所述第一打磨信息输入所述恒力补偿分析模型后,所述恒力补偿分析模型通过内部神经元的运算处理,输出所述恒力补偿信息。
所述恒力补偿信息用于对所述第一打磨机器人进行打磨恒力补偿调整,即在打磨过程中实时通过恒力补偿信息进行调整,用以支持恒力打磨,从而为保证打磨工序的产品均匀一致奠定基础。
在完成恒力补偿后,补偿过程中可能会对第一打磨机器人的姿态产生影响,为保证机器人打磨过程中的平衡,需要进行姿态稳定补偿。
进一步对第一打磨机器人的姿态进行检测,通过所述九轴姿态补偿模块采集获取所述第一打磨机器人的多维度姿态信息集合,即所述第一姿态信息。所述九轴姿态补偿模块包括九轴姿态传感器(三轴加速度、三轴角速度和三轴陀螺仪传感器),所述第一姿态信息为通过九轴姿态传感器块采集到的姿态信息,包括三轴加速度姿态信息集合、三轴角速度姿态信息集合和三轴角运动姿态信息集合。通过姿态信息的采集为后续进行姿态补偿奠定基础。
步骤S400:根据所述第一姿态信息,构建姿态平衡补偿状态空间;
步骤S500:在所述姿态平衡补偿状态空间内,获取多种姿态补偿行为信息;
具体而言,所述姿态平衡补偿空间为在第一姿态信息对应的姿态下,包含所有可能的对该姿态进行补偿的姿态平衡补偿行为的集合,根据所述第一姿态信息,构建所述姿态平衡补偿空间,即根据所述第一姿态信息搭建用于平衡补偿姿态的空间,示例性的:可以为链式结构,如:将姿态作为节点状态,将姿态补偿作为行动,不同的姿态补偿行动,会对姿态节点产生不同的状态,即产生不同的补偿后状态,达到一个新的状态,从而形成了一个序列,从而得到多种不同的姿态补偿行为信息。因此通过在姿态平衡补偿状态空间内进行补偿行为的实施,能够得到多种姿态补偿行为信息。
步骤S600:构建姿态补偿优化适应度,在多种所述姿态补偿行为信息内进行优化,获得最优姿态补偿行为信息;
进一步的,如图3所示,所述构建姿态补偿优化适应度,本申请实施例步骤S600还包括:
步骤S610:采集获取不同所述姿态补偿行为信息进行姿态平衡补偿后的第二姿态信息;
步骤S620:采集获取不同所述姿态补偿行为信息进行姿态平衡补偿后对所述第一打磨机器人的恒力控制影响信息;
步骤S630:根据对打磨影响的严重程度,对所述第二姿态信息和所述恒力控制影响信息进行权重分配,获得权重分配结果;
步骤S640:将所述第二姿态信息、所述恒力控制影响信息和所述权重分配结果作为所述优化适应度。
具体而言,基于所述多种姿态补偿行为信息对所述第一姿态信息进行平衡补偿后,获得不同的多种所述第二姿态信息。通过恒力补偿模块对采取不同姿态补偿行为信息姿态平衡补偿后的对所述第一打磨机器人的恒力控制影响信息。所述恒力控制影响信息为补偿行为对恒力控制打磨的影响信息,影响可为正向影响,也可为负向影响。
所述第二姿态信息中的每一姿态均对应一个恒力控制影响信息,在打磨时,不同的打磨工作下,姿态稳定的重要性和恒力控制的程度不同。根据对打磨影响的严重情况对所述第二姿态信息及所述恒力控制影响信息进行权重分配,影响情况越严重即正向影响和负向影响绝对值越大,则分配的权重越大,从而得到所述权重分配结果。进一步的将所述第二姿态信息、所述恒力控制影响信息和所述权重分配结果作为所述优化适应度,对多种所述姿态补偿行为信息进行优化,得到所述最优姿态补偿行为,优化可采用模拟退火优化算法进行优化。
模拟退火算法在寻优过程中,在局部最优解能概率性地跳出并最终趋于全局最优,从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。构建姿态补偿优化适应度,通过优化算法在多种所述姿态补偿行为信息内进行优化,从而获得最优姿态补偿行为信息,不断寻找最优姿态平衡补偿实时调整提供支撑。
步骤S700:采用所述最优姿态补偿行为信息进行姿态平衡补偿,并进行打磨,且将补偿后的姿态信息作为下次进行姿态平衡补偿的初始姿态信息。
具体而言,由于第一打磨机器人在作业的过程中,会不断变换打磨姿态,因此采用所述最优姿态补偿行为信息进行姿态平衡补偿后,完成一阶段打磨任务后,需要继续进行姿态平衡补偿,那么将所述补偿后的姿态信息作为下一次姿态平衡补偿的初始姿态信息,继续进行姿态的优化。从而达到了通过姿态平衡补偿、实时优化,对打磨机器人进行姿态精准控制,提高打磨机器人打磨质量的技术效果。
进一步的,如图2所示,本申请实施例步骤S200还包括:
步骤S210:采集获取第一打磨场景信息,其中,所述第一打磨场景信息内包括多种打磨信息,所述第一打磨信息包括于多种所述打磨信息内;
步骤S220:基于神经网络模型,根据所述第一打磨场景信息构建所述恒力补偿分析模型;
步骤S230:将所述第一打磨信息输入所述恒力补偿分析模型,获得第一输出结果;
步骤S240:根据所述第一输出结果,获得前馈恒力补偿信息和反馈恒力补偿信息;
步骤S250:将所述前馈恒力补偿信息和所述反馈恒力补偿信息作为所述恒力补偿信息。
进一步的,所述基于神经网络模型,根据所述第一打磨场景信息构建所述恒力补偿分析模型,本申请实施例步骤S220还包括:
步骤S221:基于神经网络模型,构建所述恒力补偿分析模型的输入层、隐藏层和输出层,其中所述隐藏层包括前馈恒力补偿分析网络和反馈恒力补偿分析网络;
步骤S222:采集获取多组前馈恒力补偿数据,其中,每组所述前馈恒力补偿数据均包括打磨信息、初始打磨恒力信息、前馈恒力补偿信息和调整打磨恒力信息;
步骤S223:对多组所述前馈恒力补偿数据进行划分和标识,对所述前馈恒力补偿分析网络进行监督训练、验证和测试,直到所述前馈恒力补偿分析网络的准确率达到预设要求;
步骤S224:采集获取多组反馈恒力补偿数据,其中,每组所述反馈恒力补偿数据均包括打磨信息、调整打磨恒力信息和反馈恒力补偿信息;
步骤S225:对多组所述反馈恒力补偿数据进行划分和标识,对所述反馈恒力补偿分析网络进行监督训练、验证和测试,直到所述反馈恒力补偿分析网络的准确率达到预设要求;
步骤S226:全连接所述前馈恒力补偿分析网络和所述反馈恒力补偿分析网络,并进行联合训练;
步骤S227:获得所述恒力补偿分析模型。
具体而言,为了对第一打磨机器人进行精准恒力补偿,针对第一打磨场景信息进行恒力补偿分析模型的训练。可通过大数据或图像采集等手段对所述第一打磨信息场景中的多种打磨信息进行采集,所述多种打磨信息中包括所述第一打磨信息,即所述第一打磨信息为所述多种打磨信息中的一种。
基于所述第一打磨场景进行所述恒力补偿分析模型的构建,即通过所述第一打磨场景信息训练所述神经网络模型,优选的方法为:首先构建模型网络层,包括输入层、隐藏层和输出层,其中,隐藏层包括前馈恒力补偿分析网络和反馈恒力补偿分析网络。前馈恒力补偿分析网络用于进行前馈干预,即进行前馈恒力补偿,反馈恒力补偿分析网络用于进行反馈干预,即进行反馈恒力补偿。进一步分别训练前馈恒力补偿分析网络层和反馈恒力补偿分析网络层。
具体的,采集打磨信息、初始打磨恒力信息、前馈恒力补偿信息和调整打磨恒力信息作为多组前馈恒力补偿数据,其中所述打磨信息、初始打磨恒力信息为输入参数,所述前馈恒力补偿信息和所述调整打磨恒力信息为输出参数,调整打磨恒力信息为基于前馈恒力补偿信息进行补偿后的恒力信息。对所述多组前馈恒力补偿数据进行划分,划分为训练集、测试集、验证集,进一步对所述多组前馈恒力补偿信息进行标识,对所述前馈恒力补偿分析网络进行监督训练、验证和测试,直到所述前馈恒力补偿分析网络的准确率达到预设要求,停止训练,得到前馈恒力补偿分析网络。
采集打磨信息、调整打磨恒力信息和反馈恒力补偿信息构成所述多组反馈恒力补偿数据。其中所述打磨信息、调整打磨恒力信息作为网络输入参数,所述反馈恒力补偿信息作为网络输出参数。对多组所述反馈恒力补偿数据进行划分,划分为训练集、测试集和验证集,进一步对多组所述反馈恒力补偿数据进行标识,对所述反馈恒力补偿分析网络进行监督训练、验证和测试,直到所述反馈恒力补偿分析网络的准确率达到预设要求,停止训练,得到反馈恒力补偿分析网络。
将所述前馈恒力补偿分析网络和所述反馈恒力补偿分析网络进行全连接,并且前馈恒力补偿分析网络的输出信息调整打磨恒力信息作为反馈恒力补偿分析网络的输入信息之一。将两层网络结构全连接后,通过联合训练的方式对二者构成的隐藏层进行训练,举不受限制的一例:可通过训练数据集训练训练前馈恒力补偿分析网络,用前馈恒力补偿分析网络的输出信息中的调整打磨恒力信息结合采集到的其他训练数据集(打磨信息、反馈恒力补偿信息)训练反馈恒力补偿分析网络,直至达到全连接的网络层的输出结果达到一定的准确率或收敛停止训练。进行联合训练,可以补偿前馈恒力补偿分析网络和反馈恒力补偿分析网络分别单独训练中的损失。
获得所述恒力补偿分析模型后,将所述第一打磨信息输入所述恒力补偿分析模型,获得第一输出结果,所述第一输出结果包括所述前馈恒力补偿信息和反馈恒力补偿信息,将得到的所述前馈恒力补偿信息和所述反馈恒力补偿信息作为所述恒力补偿信息,用于对所述第一打磨机器人进行打磨恒力补偿调整。其中,前馈恒力补偿信息为根据第一打磨信息预测得到的预先调整的较大幅度的力,用以支持恒力打磨。反馈恒力补偿信息为模拟前馈恒力补偿后,小幅度适应性调整的力。因此,通过打磨环境信息针对性的构造恒力补偿分析模型,能够达到针对性生成恒力补偿信息,提高恒力补偿精准性的技术效果。
进一步的,所述检测所述第一打磨机器人的姿态,本申请实施例步骤S300还包括:
步骤S310:通过所述九轴姿态补偿模块采集获取所述第一打磨机器人的多维度姿态信息集合,其中,所述多维度姿态信息集合包括三轴加速度姿态信息集合、三轴角速度姿态信息集合和三轴角运动姿态信息集合;
步骤S320:对所述多维度姿态信息集合进行融合降维,获得所述第一姿态信息。
进一步的,所述对所述多维度姿态信息集合进行融合降维,本申请实施例步骤S320还包括:
步骤S321:对所述多维度姿态信息集合进行去中心化处理,获得特征数据集;
步骤S322:计算获得所述特征数据集的协方差矩阵;
步骤S323:对所述协方差矩阵进行运算,获得所述协方差矩阵的特征值和特征向量;
步骤S324:将所述多维度姿态信息集合投影至所述特征向量上,获得降维数据集;
步骤S325:将所述降维数据集作为所述第一姿态信息。
具体而言,通过所述九轴姿态补偿模块的传感器采集获取所述第一打磨机器人的多维度姿态信息集合,多维度姿态信息集合包括三轴加速度姿态信息集合、三轴角速度姿态信息集合和三轴角运动姿态信息集合。
由于上述采集到的信息集合为多维度数据,对于姿态信息的描述具有较高的空间复杂度,因此,为了降低信息维度,采用融合降维方法,获得所述第一姿态信息。融合降维方法可以对所述多维度姿态信息进行多次降维,如分别先对三轴加速度姿态信息集合、三轴角速度姿态信息集合和三轴角运动姿态信息集合进行降维,然后获得三个降维的数据集合,再进行二次的降维,降维方法可使用主成分分析法。
具体的,对所述多维度姿态信息集合中的进行平均值求取,将所述多为度姿态信息集合中的每一样本数据进行平均值去除,即所述去中心化处理,获得特征数据集。所述特征数据集为去除平均值后的新数据集,构成一数据矩阵,通过协方差公式对所述特征数据集进行运算,得到第一协方差矩阵。根据所述第一协方差矩阵求得特征值和特征向量,且特征值和特征向量为一一对应的,选取前K个特征值及特征向量,将所述多维度姿态信息集合投影至所述特征向量上,得到降维后的所述降维数据集,将所述降维数据集作为降维后的所述第一姿态信息。
通过主成分分析法对所述多维度姿态信息集合进行降维处理,达到了在保证足够信息量的前提下进行数据降维,能够保证最小数据损失,提高数据运算的速度。
进一步的,所述在多种所述姿态补偿行为信息内进行优化,本申请实施例步骤S600还包括:
步骤S641:从多种所述姿态补偿行为信息内随机选择一姿态补偿行为信息,作为第一姿态补偿行为信息,并作为最优解;
步骤S642:根据所述优化适应度,计算所述第一姿态补偿行为信息的适应度,获得第一适应度;
步骤S643:从多种所述姿态补偿行为信息内随机选择一姿态补偿行为信息,作为第二姿态补偿行为信息;
步骤S644:根据所述优化适应度,计算所述第二姿态补偿行为信息的适应度,获得第二适应度;
步骤S645:若所述第二适应度大于所述第一适应度,则将所述第二姿态补偿行为信息替代所述第一姿态补偿行为信息,作为所述最优解;
步骤S646:以及,若所述第二适应度小于所述第一适应度,则按照概率将所述第二姿态补偿行为信息替代所述第一姿态补偿行为信息,作为所述最优解,所述概率由下式计算:
其中,r2为第二适应度,r1为第一适应度,k为优化速度因子;
步骤S647:若所述最优解在阈值次数的迭代优化中未变化,则将所述最优解输出,或者,或迭代优化达到预设次数,则将所述最优解输出,获得所述最优姿态补偿行为信息。
具体而言,所述在多种所述姿态补偿行为信息内进行优化具体优化过程如下,先随机选择设定任意一个姿态补偿行为信息为第一姿态补偿行为信息,并将其作为空间最优解。根据优化适应度计算所述第一姿态补偿行为的适应度,作为所述第一适应度,所述优化适应度可以理解为进行姿态平衡补偿后,补偿行为的适宜程度,适应度越佳说明补偿行为越准确。具体计算的过程中,可根据第一姿态补偿行为获得对应的补偿后的第二姿态信息和补偿后对恒力控制的恒力控制影响信息,进一步根据权重分配结果进行加权计算,获得对应的第一适应度。在从多种所述姿态补偿行为信息内随机选取一姿态补偿行为信息作为第二姿态补偿行为信息,根据适应度分析,得到第二姿态补偿行为信息的适应度,即所述第二适应度。
进行第二适应度和第一适应度的比较,若所述第二适应度大于所述第一适应度,则将所述第二姿态补偿行为信息作为最优解替换所述第一姿态补偿行为信息。另外,若所述第二适应度小于所述第一适应度,则需要进行接受概率的判断,通过公式进行接受概率的计算。其中r2为第二适应度,r1为第一适应度,k为优化速度因子,由此可知接受概率与第一适应度、第二适应度的差值有关。k为随着寻优迭代次数逐渐减小的常数,在寻优优化的初期,k较大,第一姿态补偿行为信息大概率并非为全局最优的姿态补偿行为信息,可能为局部最优,为避免优化进程停滞在局部最优处,k较大,以使P较大,以较大概率接受较劣的第二姿态补偿行为信息为最优解,而在寻优的后期,当前的最优补偿行为信息大概率可能为全局最优的姿态补偿行为信息,为提升寻优的准确性,k较小,以使P较小,以较小概率接受较劣的补偿行为信息为全局最优的补偿行为信息,提升寻优的准确度。可选的,k的减小方式可为指数减小或对数减小等任意现有技术中的减小方式,且k值以及减小方式可根据补偿行为信息的数量进行确定。
进一步的,设定阈值次数,所述阈值次数为迭代次数限制,若在反复多次迭代,直至满足所述阈值次数时,所述最优解不在发生变化,那么将其作为最优解进行输出。或是,当迭代优化次数达到预设次数,将最优解进行输出,即得到所述最优姿态补偿行为信息。达到了通过设置优化适应度,在寻优空间中的多次迭代,进行适应度比较,分析接受概率的方法,确定多种姿态补偿行为信息中的最优解,提高姿态补偿的可靠性和提高优化效率的技术效果。
综上所述,本申请实施例所提供的一种用于打磨机器人的柔性恒力控制方法及系统具有如下技术效果:
1、由于采用了获取第一打磨机器人所要进行打磨的第一打磨信息;根据第一打磨信息获得恒力补偿信息;对所述第一打磨机器人进行打磨恒力补偿调整,并检测第一打磨机器人的姿态,获得第一姿态信息;构建姿态平衡补偿状态空间;获取多种姿态补偿行为信息;构建姿态补偿优化适应度,在多种姿态补偿行为信息内进行优化;采用最优姿态补偿行为信息进行姿态平衡补偿进行打磨,且将补偿后的姿态信息作为下次进行姿态平衡补偿的初始姿态信息的技术方案,本申请实施例通过提供了一种用于打磨机器人的柔性恒力控制方法及系统,达到了通过采集机器人打磨作业参数信息,构建恒力补偿分析模型,针对性的生成恒力补偿信息,并根据补偿后的姿态进行姿态优化的方法,提高了打磨机器人的控制精度与生产工件质量,降低打磨工序中的安全问题发生概率,实现精准控制的技术效果。
2、通过设置优化适应度,在寻优空间中的多次迭代,进行适应度比较,分析接受概率的方法,达到了确定多种姿态补偿行为信息中的最优解,提高姿态补偿的可靠性和提高优化效率的技术效果。
3、通过主成分分析法对所述多维度姿态信息集合进行降维处理,达到了在保证足够信息量的前提下进行数据降维,能够保证最小的数据损失,提高数据运算的速度技术效果。
实施例二
基于与前述实施例中一种用于打磨机器人的柔性恒力控制方法相同的发明构思,如图4所示,本申请实施例提供了一种用于打磨机器人的柔性恒力控制系统,其中,所述系统包括:
第一检测单元11,所述第一检测单元11用于通过恒力补偿模块,检测获取第一打磨机器人所要进行打磨的第一打磨信息;
第一获得单元12,所述第一获得单元12用于将所述第一打磨信息输入恒力补偿分析模型,获得恒力补偿信息;
第二获得单元13,所述第二获得单元13用于采用所述恒力补偿信息对所述第一打磨机器人进行打磨恒力补偿调整,并检测所述第一打磨机器人的姿态,获得第一姿态信息;
第一构建单元14,所述第一构建单元14用于根据所述第一姿态信息,构建姿态平衡补偿状态空间;
第三获得单元15,所述第三获得单元15用于在所述姿态平衡补偿状态空间内,获取多种姿态补偿行为信息;
第二构建单元16,所述第二构建单元16用于构建姿态补偿优化适应度,在多种所述姿态补偿行为信息内进行优化,获得最优姿态补偿行为信息;
第一执行单元17,所述第一执行单元17用于采用所述最优姿态补偿行为信息进行姿态平衡补偿,并进行打磨,且将补偿后的姿态信息作为下次进行姿态平衡补偿的初始姿态信息。
进一步的,所述系统包括:
第一采集单元,所述第一采集单元用于采集获取第一打磨场景信息,其中,所述第一打磨场景信息内包括多种打磨信息,所述第一打磨信息包括于多种所述打磨信息内;
第三构建单元,所述第三构建单元用于基于神经网络模型,根据所述第一打磨场景信息构建所述恒力补偿分析模型;
第四获得单元,所述第四获得单元用于将所述第一打磨信息输入所述恒力补偿分析模型,获得第一输出结果;
第五获得单元,所述第五获得单元用于根据所述第一输出结果,获得前馈恒力补偿信息和反馈恒力补偿信息;
第二执行单元,所述第二执行单元用于将所述前馈恒力补偿信息和所述反馈恒力补偿信息作为所述恒力补偿信息。
进一步的,所述系统包括:
第四构建单元,所述第四构建单元用于基于神经网络模型,构建所述恒力补偿分析模型的输入层、隐藏层和输出层,其中所述隐藏层包括前馈恒力补偿分析网络和反馈恒力补偿分析网络;
第二采集单元,所述第二采集单元用于采集获取多组前馈恒力补偿数据,其中,每组所述前馈恒力补偿数据均包括打磨信息、初始打磨恒力信息、前馈恒力补偿信息和调整打磨恒力信息;
第三执行单元,所述第三执行单元用于对多组所述前馈恒力补偿数据进行划分和标识,对所述前馈恒力补偿分析网络进行监督训练、验证和测试,直到所述前馈恒力补偿分析网络的准确率达到预设要求;
第三采集单元,所述第三采集单元用于采集获取多组反馈恒力补偿数据,其中,每组所述反馈恒力补偿数据均包括打磨信息、调整打磨恒力信息和反馈恒力补偿信息;
第四执行单元,所述第四执行单元用于对多组所述反馈恒力补偿数据进行划分和标识,对所述反馈恒力补偿分析网络进行监督训练、验证和测试,直到所述反馈恒力补偿分析网络的准确率达到预设要求;
第五执行单元,所述第五执行单元用于全连接所述前馈恒力补偿分析网络和所述反馈恒力补偿分析网络,并进行联合训练;
第六获得单元,所述第六获得单元用于获得所述恒力补偿分析模型。
进一步的,所述系统包括:
第四采集单元,所述第四采集单元用于通过所述九轴姿态补偿模块采集获取所述第一打磨机器人的多维度姿态信息集合,其中,所述多维度姿态信息集合包括三轴加速度姿态信息集合、三轴角速度姿态信息集合和三轴角运动姿态信息集合;
第七获得单元,所述第七获得单元用于对所述多维度姿态信息集合进行融合降维,获得所述第一姿态信息。
进一步的,所述系统包括:
第八获得单元,所述第八获得单元用于对所述多维度姿态信息集合进行去中心化处理,获得特征数据集;
第六执行单元,所述第六执行单元用于计算获得所述特征数据集的协方差矩阵;
第九获得单元,所述第九获得单元用于对所述协方差矩阵进行运算,获得所述协方差矩阵的特征值和特征向量;
第十获得单元,所述第十获得单元用于将所述多维度姿态信息集合投影至所述特征向量上,获得降维数据集;
第七执行单元,所述第七执行单元用于将所述降维数据集作为所述第一姿态信息。
进一步的,所述系统包括:
第五采集单元,所述第五采集单元用于采集获取不同所述姿态补偿行为信息进行姿态平衡补偿后的第二姿态信息;
第六采集单元,所述第六采集单元用于采集获取不同所述姿态补偿行为信息进行姿态平衡补偿后对所述第一打磨机器人的恒力控制影响信息;
第十一获得单元,所述第十一获得单元用于根据对打磨影响的严重程度,对所述第二姿态信息和所述恒力控制影响信息进行权重分配,获得权重分配结果;
第八执行单元,所述第八执行单元用于将所述第二姿态信息、所述恒力控制影响信息和所述权重分配结果作为所述优化适应度。
进一步的,所述系统包括:
第九执行单元,所述第九执行单元用于从多种所述姿态补偿行为信息内随机选择一姿态补偿行为信息,作为第一姿态补偿行为信息,并作为最优解;
第十二获得单元,所述第十二获得单元用于根据所述优化适应度,计算所述第一姿态补偿行为信息的适应度,获得第一适应度;
第十执行单元,所述第十执行单元用于从多种所述姿态补偿行为信息内随机选择一姿态补偿行为信息,作为第二姿态补偿行为信息;
第十三获得单元,所述第十三获得单元用于根据所述优化适应度,计算所述第二姿态补偿行为信息的适应度,获得第二适应度;
第十一执行单元,所述第十一执行单元用于若所述第二适应度大于所述第一适应度,则将所述第二姿态补偿行为信息替代所述第一姿态补偿行为信息,作为所述最优解;
第一计算单元,所述第一计算单元用于以及,若所述第二适应度小于所述第一适应度,则按照概率将所述第二姿态补偿行为信息替代所述第一姿态补偿行为信息,作为所述最优解,所述概率由下式计算:
其中,r2为第二适应度,r1为第一适应度,k为优化速度因子;
第十四获得单元,所述第十四获得单元用于若所述最优解在阈值次数的迭代优化中未变化,则将所述最优解输出,或者,或迭代优化达到预设次数,则将所述最优解输出,获得所述最优姿态补偿行为信息。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备。
基于与前述实施例中一种用于打磨机器人的柔性恒力控制方法相同的发明构思,本申请实施例还提供了一种用于打磨机器人的柔性恒力控制系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行实施例一所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的系统,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种用于打磨机器人的柔性恒力控制方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种用于打磨机器人的柔性恒力控制方法,其中,所述方法包括:获取第一打磨机器人所要进行打磨的第一打磨信息;根据第一打磨信息获得恒力补偿信息;对所述第一打磨机器人进行打磨恒力补偿调整,并检测第一打磨机器人的姿态,获得第一姿态信息;构建姿态平衡补偿状态空间;获取多种姿态补偿行为信息;构建姿态补偿优化适应度,在多种姿态补偿行为信息内进行优化;采用最优姿态补偿行为信息进行姿态平衡补偿进行打磨,且将补偿后的姿态信息作为下次进行姿态平衡补偿的初始姿态信息。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑系统,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算系统的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是本申请所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种用于打磨机器人的柔性恒力控制方法,其特征在于,所述方法应用于一用于打磨机器人的柔性恒力控制系统,所述系统包括恒力补偿模块和九轴姿态补偿模块,所述方法包括:
通过所述恒力补偿模块,检测获取第一打磨机器人所要进行打磨的第一打磨信息;
将所述第一打磨信息输入恒力补偿分析模型,获得恒力补偿信息;
采用所述恒力补偿信息对所述第一打磨机器人进行打磨恒力补偿调整,并检测所述第一打磨机器人的姿态,获得第一姿态信息;
根据所述第一姿态信息,构建姿态平衡补偿状态空间;
在所述姿态平衡补偿状态空间内,获取多种姿态补偿行为信息;
构建姿态补偿优化适应度,在多种所述姿态补偿行为信息内进行优化,获得最优姿态补偿行为信息;
采用所述最优姿态补偿行为信息进行姿态平衡补偿,并进行打磨,且将补偿后的姿态信息作为下次进行姿态平衡补偿的初始姿态信息。
2.根据权利要求1所述的方法,其特征在于,所述将所述第一打磨信息输入恒力补偿分析模型,包括:
采集获取第一打磨场景信息,其中,所述第一打磨场景信息内包括多种打磨信息,所述第一打磨信息包括于多种所述打磨信息内;
基于神经网络模型,根据所述第一打磨场景信息构建所述恒力补偿分析模型;
将所述第一打磨信息输入所述恒力补偿分析模型,获得第一输出结果;
根据所述第一输出结果,获得前馈恒力补偿信息和反馈恒力补偿信息;
将所述前馈恒力补偿信息和所述反馈恒力补偿信息作为所述恒力补偿信息。
3.根据权利要求2所述的方法,其特征在于,所述基于神经网络模型,根据所述第一打磨场景信息构建所述恒力补偿分析模型,包括:
基于神经网络模型,构建所述恒力补偿分析模型的输入层、隐藏层和输出层,其中所述隐藏层包括前馈恒力补偿分析网络和反馈恒力补偿分析网络;
采集获取多组前馈恒力补偿数据,其中,每组所述前馈恒力补偿数据均包括打磨信息、初始打磨恒力信息、前馈恒力补偿信息和调整打磨恒力信息;
对多组所述前馈恒力补偿数据进行划分和标识,对所述前馈恒力补偿分析网络进行监督训练、验证和测试,直到所述前馈恒力补偿分析网络的准确率达到预设要求;
采集获取多组反馈恒力补偿数据,其中,每组所述反馈恒力补偿数据均包括打磨信息、调整打磨恒力信息和反馈恒力补偿信息;
对多组所述反馈恒力补偿数据进行划分和标识,对所述反馈恒力补偿分析网络进行监督训练、验证和测试,直到所述反馈恒力补偿分析网络的准确率达到预设要求;
全连接所述前馈恒力补偿分析网络和所述反馈恒力补偿分析网络,并进行联合训练;
获得所述恒力补偿分析模型。
4.根据权利要求1或2所述的方法,其特征在于,所述检测所述第一打磨机器人的姿态,包括:
通过所述九轴姿态补偿模块采集获取所述第一打磨机器人的多维度姿态信息集合,其中,所述多维度姿态信息集合包括三轴加速度姿态信息集合、三轴角速度姿态信息集合和三轴角运动姿态信息集合;
对所述多维度姿态信息集合进行融合降维,获得所述第一姿态信息。
5.根据权利要求4所述的方法,其特征在于,所述对所述多维度姿态信息集合进行融合降维,包括:
对所述多维度姿态信息集合进行去中心化处理,获得特征数据集;
计算获得所述特征数据集的协方差矩阵;
对所述协方差矩阵进行运算,获得所述协方差矩阵的特征值和特征向量;
将所述多维度姿态信息集合投影至所述特征向量上,获得降维数据集;
将所述降维数据集作为所述第一姿态信息。
6.根据权利要求1或2所述的方法,其特征在于,所述构建姿态补偿优化适应度,包括:
采集获取不同所述姿态补偿行为信息进行姿态平衡补偿后的第二姿态信息;
采集获取不同所述姿态补偿行为信息进行姿态平衡补偿后对所述第一打磨机器人的恒力控制影响信息;
根据对打磨影响的严重程度,对所述第二姿态信息和所述恒力控制影响信息进行权重分配,获得权重分配结果;
将所述第二姿态信息、所述恒力控制影响信息和所述权重分配结果作为所述优化适应度。
7.根据权利要求6所述的方法,其特征在于,所述在多种所述姿态补偿行为信息内进行优化,包括:
从多种所述姿态补偿行为信息内随机选择一姿态补偿行为信息,作为第一姿态补偿行为信息,并作为最优解;
根据所述优化适应度,计算所述第一姿态补偿行为信息的适应度,获得第一适应度;
从多种所述姿态补偿行为信息内随机选择一姿态补偿行为信息,作为第二姿态补偿行为信息;
根据所述优化适应度,计算所述第二姿态补偿行为信息的适应度,获得第二适应度;
若所述第二适应度大于所述第一适应度,则将所述第二姿态补偿行为信息替代所述第一姿态补偿行为信息,作为所述最优解;
以及,若所述第二适应度小于所述第一适应度,则按照概率将所述第二姿态补偿行为信息替代所述第一姿态补偿行为信息,作为所述最优解,所述概率由下式计算:
其中,r2为第二适应度,r1为第一适应度,k为优化速度因子;
若所述最优解在阈值次数的迭代优化中未变化,则将所述最优解输出,或者,或迭代优化达到预设次数,则将所述最优解输出,获得所述最优姿态补偿行为信息。
8.一种用于打磨机器人的柔性恒力控制系统,其特征在于,所述系统包括:
第一检测单元,所述第一检测单元用于通过恒力补偿模块,检测获取第一打磨机器人所要进行打磨的第一打磨信息;
第一获得单元,所述第一获得单元用于将所述第一打磨信息输入恒力补偿分析模型,获得恒力补偿信息;
第二获得单元,所述第二获得单元用于采用所述恒力补偿信息对所述第一打磨机器人进行打磨恒力补偿调整,并检测所述第一打磨机器人的姿态,获得第一姿态信息;
第一构建单元,所述第一构建单元用于根据所述第一姿态信息,构建姿态平衡补偿状态空间;
第三获得单元,所述第三获得单元用于在所述姿态平衡补偿状态空间内,获取多种姿态补偿行为信息;
第二构建单元,所述第二构建单元用于构建姿态补偿优化适应度,在多种所述姿态补偿行为信息内进行优化,获得最优姿态补偿行为信息;
第一执行单元,所述第一执行单元用于采用所述最优姿态补偿行为信息进行姿态平衡补偿,并进行打磨,且将补偿后的姿态信息作为下次进行姿态平衡补偿的初始姿态信息。
9.一种用于打磨机器人的柔性恒力控制系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,其特征在于,使系统以执行如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210422569.1A CN114800500B (zh) | 2022-04-21 | 2022-04-21 | 一种用于打磨机器人的柔性恒力控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210422569.1A CN114800500B (zh) | 2022-04-21 | 2022-04-21 | 一种用于打磨机器人的柔性恒力控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114800500A true CN114800500A (zh) | 2022-07-29 |
CN114800500B CN114800500B (zh) | 2023-03-24 |
Family
ID=82505420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210422569.1A Active CN114800500B (zh) | 2022-04-21 | 2022-04-21 | 一种用于打磨机器人的柔性恒力控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114800500B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115179193A (zh) * | 2022-09-13 | 2022-10-14 | 季华实验室 | 一种自适应恒力输出方法、装置、介质和电子设备 |
CN115331224A (zh) * | 2022-10-17 | 2022-11-11 | 日照福瑞德科技有限公司 | 一种玻璃镜片打磨质量分析优化方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69116901D1 (de) * | 1990-02-27 | 1996-03-21 | Toshiba Kawasaki Kk | Robotersteuerung |
CN105643399A (zh) * | 2015-12-29 | 2016-06-08 | 沈阳理工大学 | 基于柔顺控制的机器人复杂曲面自动研抛系统及加工方法 |
CN107838920A (zh) * | 2017-12-20 | 2018-03-27 | 芜湖哈特机器人产业技术研究院有限公司 | 一种机器人打磨力控制系统和方法 |
CN108972545A (zh) * | 2018-06-22 | 2018-12-11 | 华南理工大学 | 一种基于模糊迭代算法的机器人恒力曲面跟踪方法 |
CN110814930A (zh) * | 2019-10-30 | 2020-02-21 | 北京空间机电研究所 | 一种用于SiC材料光学元件加工的装置及方法 |
CN111273606A (zh) * | 2020-03-09 | 2020-06-12 | 西南交通大学 | 一种五轴机床几何误差补偿的刀具姿态优化方法 |
CN113211460A (zh) * | 2021-05-01 | 2021-08-06 | 吉林大学 | 两台单臂工业机器人非接触式协同提升加工刚度的装置 |
-
2022
- 2022-04-21 CN CN202210422569.1A patent/CN114800500B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69116901D1 (de) * | 1990-02-27 | 1996-03-21 | Toshiba Kawasaki Kk | Robotersteuerung |
CN105643399A (zh) * | 2015-12-29 | 2016-06-08 | 沈阳理工大学 | 基于柔顺控制的机器人复杂曲面自动研抛系统及加工方法 |
CN107838920A (zh) * | 2017-12-20 | 2018-03-27 | 芜湖哈特机器人产业技术研究院有限公司 | 一种机器人打磨力控制系统和方法 |
CN108972545A (zh) * | 2018-06-22 | 2018-12-11 | 华南理工大学 | 一种基于模糊迭代算法的机器人恒力曲面跟踪方法 |
CN110814930A (zh) * | 2019-10-30 | 2020-02-21 | 北京空间机电研究所 | 一种用于SiC材料光学元件加工的装置及方法 |
CN111273606A (zh) * | 2020-03-09 | 2020-06-12 | 西南交通大学 | 一种五轴机床几何误差补偿的刀具姿态优化方法 |
CN113211460A (zh) * | 2021-05-01 | 2021-08-06 | 吉林大学 | 两台单臂工业机器人非接触式协同提升加工刚度的装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115179193A (zh) * | 2022-09-13 | 2022-10-14 | 季华实验室 | 一种自适应恒力输出方法、装置、介质和电子设备 |
CN115331224A (zh) * | 2022-10-17 | 2022-11-11 | 日照福瑞德科技有限公司 | 一种玻璃镜片打磨质量分析优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114800500B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114800500B (zh) | 一种用于打磨机器人的柔性恒力控制方法及系统 | |
US10692018B2 (en) | Machine learning device and machine learning method for learning optimal object grasp route | |
Daney et al. | Choosing measurement poses for robot calibration with the local convergence method and Tabu search | |
Romeres et al. | Online semi-parametric learning for inverse dynamics modeling | |
CN109690576A (zh) | 在多个机器学习任务上训练机器学习模型 | |
CN109472057B (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
Wu et al. | Parametric identification and structure searching for underwater vehicle model using symbolic regression | |
CN111383272B (zh) | 一种双目视觉水果分拣并联机器人视觉盲区末端位姿检测方法 | |
CN113168566A (zh) | 通过使用熵约束来控制机器人 | |
CN113591240B (zh) | 基于双向lstm网络的磨齿机热误差模型建模方法 | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN112959326B (zh) | 机器人正运动学求解方法、装置、可读存储介质及机器人 | |
CN116416277A (zh) | 一种基于运动方程轨迹预测的多目标跟踪方法及装置 | |
CN113156473B (zh) | 信息融合定位系统卫星信号环境的自适应判别方法 | |
CN109190757B (zh) | 任务处理方法、装置、设备及计算机可读存储介质 | |
CN116587062A (zh) | 一种数控锯床的监管方法、装置、电子设备及存储介质 | |
US20230140696A1 (en) | Method and system for optimizing parameter intervals of manufacturing processes based on prediction intervals | |
Messay et al. | Gpgpu acceleration of a novel calibration method for industrial robots | |
CN114741659B (zh) | 一种自适应模型在线重构建鲁棒滤波方法、设备及系统 | |
CN115972216A (zh) | 并联机器人正运动求解方法、控制方法、设备及存储介质 | |
Kawashima et al. | The aleatoric uncertainty estimation using a separate formulation with virtual residuals | |
CN115635509A (zh) | 一种基于高斯过程回归的工业机器人位置误差及其置信区间预测方法 | |
US11710301B2 (en) | Apparatus for Q-learning for continuous actions with cross-entropy guided policies and method thereof | |
US11645502B2 (en) | Model calculation unit and control unit for calculating an RBF model | |
CN117406759B (zh) | 一种管道机器人爬行校准方法和系统 |
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 |