CN114835022A

CN114835022A - 伸缩臂的控制方法、装置、伸缩臂和起重机

Info

Publication number: CN114835022A
Application number: CN202210776899.0A
Authority: CN
Inventors: 陈晓辉; 杨成勇; 戴瑶姬
Original assignee: Changsha Fusheng Technology Co ltd
Current assignee: Changsha Fusheng Technology Co ltd
Priority date: 2022-07-04
Filing date: 2022-07-04
Publication date: 2022-08-02
Anticipated expiration: 2042-07-04
Also published as: CN114835022B

Abstract

本发明涉及伸缩臂的控制方法、装置、伸缩臂和起重机，一方面步骤S1‑S6基于神经网络模型，得到针对伸缩臂当前状态和目标状态的过渡状态，不管臂节数多少，其计算时间区别不大，相较于传统排列组合法，大大提高了计算速度、节省了操控时间；另一方面，相对于传统神经网络方法，其增设S7‑S9，打破对神经网络模型输出的限制，能够毫无限制的输出神经网络模型的输出结果，是最靠近缩臂极限组合最优解的，在此基础上通过验证和校正步骤，即可获得相对于伸缩臂来说，可实现的过渡状态，达到路径最优，能够更进一步地降低能耗、机械等损耗，同时降低操作时间，全力响应国家节能降耗的政策。

Description

伸缩臂的控制方法、装置、伸缩臂和起重机

技术领域

本发明涉及控制领域，特别是涉及一种伸缩臂的控制方法。

背景技术

现有技术中，伸缩臂的控制方法着重关注其如何从当前状态转换至目标状态的行程最短、动作最少、效率最快、能耗最低，即如何优化路径（TPO）。以单缸插销式伸缩臂（SPMB）为例，其多级伸缩臂更换臂长时（从当前状态伸缩到目标状态），需要考虑单油缸的行程限制，必须保证任意一节伸缩臂伸缩过程中，都在执行机构（油缸）的行程范围内，否则无法控制；同时需保障路径最优，即求解最大的缩臂极限组合（伸缩臂缩臂到何种过渡状态，既能满足在执行机构的行程范围内，又没有多余的缩回和伸展），使得臂架从当前状态回缩到缩臂极限组合经历的行程，加上从缩臂极限组合伸出到目标状态经历的行程之和为最小值（最优路径）。

现有的路径优化方法，一是排列组合法，以例举、查找表统计、循环计算居多，基本原理是首先计算所有的缩臂极限组合集合，然后将得到的集合内所有缩臂极限组合按顺序伸缩的原则进行步序列举，统计出的步序最少的即为缩臂极限组合的最优解（过渡状态）。该方法简单明了，但是仅在臂架的臂节数较少的情况下占据优势，可以在较快的时间内得到缩臂极限组合最优解（过渡状态），但是随着臂节数增加，计算时间显著增加，效率低下。二是近来流行的神经网络方法，其通过神经网络模型推导缩臂极限组合的最优解（过渡状态），很好的解决了臂节数多而导致的计算时间长的问题，能够快速得到过渡状态，尤其适用于臂节数多的情况，但是其明显缺陷在于不管是数学模型、还是约束边界偏差控制的PID自适应增量法等，都对神经网络模型的输出有限制（结果为整数，在范围区间内），使得一定概率上输出结果不能得到缩臂极限组合的最优解（过渡状态），即没有达到最优路径规划，无法实现行程最短、动作最少、效率最快、能耗最低的动作转换。

因此，如何优化神经网络模型方法，以得到缩臂极限组合的最优解（过渡状态），是伸缩臂的控制方法中亟待解决的技术问题。

发明内容

为解决上述技术问题，本发明提供一种伸缩臂的控制方法，包括：

S1：以伸缩臂的当前状态和目标状态为输入，过渡状态为输出，构建神经网络模型；所述过渡状态，满足两个条件：（1）过渡状态在伸缩臂的可操作范围内；（2）从当前状态转换至过渡状态，再由过渡状态转换至目标状态的行程最小；

S2：构建训练样本集；所述训练样本集，对应伸缩臂的每个当前状态和目标状态样本，映射标注过渡状态；

S3：将训练样本集中的样本，依次输入神经网络模型，以训练神经网络模型，得到训练后的神经网络模型；

S4：获取伸缩臂的当前状态；

S5：确定伸缩臂的目标状态；

S6：将伸缩臂的当前状态和目标状态，输入神经网络模型，得到过渡状态；

S7：判断过渡状态是否为伸缩臂的可行状态；

S8：若是，则控制伸缩臂由当前状态转换至过渡状态，再由过渡状态转换至目标状态；

S9：若否，则校正过渡状态，得到校正状态，控制伸缩臂由当前状态转换至校正状态，再由校正状态转换至目标状态。

进一步地，步骤S1中，神经网络模型包括p层，每层包括q个神经元，并对应每个神经元配置权重系数和偏置项系数；步骤S3中，迭代优化权重系数和偏置项系数，以训练神经网络模型。

进一步地，步骤S9中，校正过渡状态，得到校正状态的步骤，包括：取整过渡状态的每个状态，得到校正状态，或/和计算与过渡状态欧式距离最近的伸缩臂的可行状态，得到校正状态。

进一步地，步骤S6之前，还包括：

S61：根据伸缩臂的当前状态和目标状态，判断伸缩臂从当前状态转换至目标状态，是否在伸缩臂的可操作范围内；

S62：若是，则控制伸缩臂从当前状态转换至目标状态；

S63，若否，则进入步骤S6。

另一方面，本发明还提供一种伸缩臂的控制装置，包括：

获取模块，用于获取伸缩臂的当前状态；

确定模块，用于确定伸缩臂的目标状态；

神经网络模块，用于输入伸缩臂的当前状态和目标状态输入，以输出过渡状态；

控制模块，用于判断过渡状态是否为伸缩臂的可行状态，若是，则控制伸缩臂由当前状态转换至过渡状态，再由过渡状态转换至目标状态；若否，则校正过渡状态，得到校正状态，控制伸缩臂由当前状态转换至校正状态，再由校正状态转换至目标状态。

进一步地，还包括：

样本采集单元，用于采集现场样本集；所述现场样本集，对应伸缩臂的每个当前状态和目标状态样本，映射标注过渡状态；

模块修正单元，用于通过现场样本集，优化训练神经网络模块。

进一步地，控制模块中，校正过渡状态，得到校正状态具体为：取整过渡状态的每个状态，得到校正状态，或/和计算与过渡状态欧式距离最近的伸缩臂的可行状态，得到校正状态。

进一步地，还包括判断模块，用于根据伸缩臂的当前状态和目标状态，判断伸缩臂从当前状态转换至目标状态，是否在伸缩臂的可操作范围内；若是，则控制伸缩臂从当前状态转换至目标状态；若否，则触发神经网络模块。

另一方面，本发明还提供一种伸缩臂，包括：基本臂以及套装于基本臂中的至少一节伸缩臂；所述伸缩臂采用上述任意的控制方法；或包括上述任意的控制装置。

另一方面，本发明还提供一种起重机，包括上述任意的伸缩臂。

本发明提供的伸缩臂的控制方法、装置、伸缩臂和起重机，一方面步骤S1-S6基于神经网络模型，得到针对伸缩臂当前状态和目标状态的过渡状态，不管臂节数多少，其计算时间区别不大，相较于传统排列组合法，大大提高了计算速度、节省了操控时间，尤其是应用于臂节数较大的情况中；另一方面，相对于传统神经网络方法，其增设S7-S9，打破对神经网络模型输出的限制，能够毫无限制的输出神经网络模型的输出结果，该结果无需根据臂销孔的情况而设定，是最靠近缩臂极限组合最优解的（过渡状态），在此基础上通过验证和校正步骤，即可获得相对于伸缩臂来说，可实现的缩臂极限组合最优解（过渡状态），达到路径最优，即伸缩臂从当前状态转换至目标状态的行程最短、动作最少、效率最快、能耗最低，这是发明人反复试验验证的结果，能够更进一步地降低能耗、机械等损耗，同时降低操作时间，全力响应国家节能降耗的政策。

附图说明

图1为示例的现有技术伸缩臂的一个具体实施例的结构框图；

图2为本发明伸缩臂的控制方法的一个实施例的流程图；

图3为本发明伸缩臂的控制方法的神经网络模型的一个实施例的结构框图。

附图中，A、B、C、D、E分别代表第一节臂架、第二节臂架、第三节臂架、第四节臂架、第五节臂架。

具体实施方式

为详细阐述本发明的技术构思，本发明可选但不仅限于以单缸插销式伸缩臂为例做详细说明，其包括n节臂架（n为≥1的整数），任意一节或多节臂架可为伸缩臂，并在其上任意位置设定m个臂销孔（m为≥1的整数），以调节该节臂架的状态来控制其伸展长度。具体的，可选但不仅限于以S={S₁……S_n}代表每节臂架的状态（S₁……S_n取1-m中的任意整数，表示位于m个臂销孔中的任意一个臂销孔所处的卡槽点位），即每节臂架位于哪个臂销孔（卡槽点位）。当S中的每个元素（S₁-S_n）确定，则确定每节臂架位于哪个臂销孔，使得整个伸缩臂的状态得以确定。当需要改变伸缩臂的总长度时，即可调节各节臂架至相应臂销孔（以S={S₁……S_n}表示相应点位，组合为目标状态），使得伸缩臂的总长度达到目标长度。值得注意的，该伸缩臂的结构、类型等可由本领域技术人员任意设定，并不以此为限，凡是可应用本发明技术构思的都应当列入本发明的保护范围之内。更为具体的，示例图1所示的伸缩臂，该伸缩臂包括5节臂架（ABCDE），每节或多节臂架可选但不仅限于为伸缩臂，如第一节臂架所示，其上设有4个臂销孔（每节臂架的臂销孔数量、位置可任意设定，可相同也可不同），每节臂架可位于任意臂销孔（S₁-S₅可选1，2，3，4中的任意卡槽点位，以五位数字表示状态S，如11111）以确定一种组合状态。

具体的，如图2所示，本发明提供一种伸缩臂的控制方法，包括：

S1：以伸缩臂的当前状态、目标状态为输入，过渡状态为输出，构建神经网络模型；所述过渡状态，满足两个条件：（1）过渡状态在伸缩臂的可操作范围内；（2）从当前状态转换至过渡状态，再由过渡状态转换至目标状态的行程最小。具体的，当前状态，可选但不仅限于以A={A₁……A_n}表示，即n节臂架中每节臂架所处的臂销孔位置，其可为臂架的任意组合状态；目标状态，可选但不仅限于以B={B₁……B_n}表示臂架位于哪个臂销孔的目标组合状态；过渡状态，可选但不仅限于以P={P₁……P_n}表示。更为具体的，关于条件（1），可选但不仅限于以执行机构的行程作为伸缩臂可操作条件的评判依据，即在过渡状态P={P₁……P_n}下，各节臂架的伸展长度之和（臂架的总长度）在执行机构的行程范围内；示例的，以执行机构的行程为10米（如油缸、气缸的最大伸长距离为10米），伸缩臂的伸出总长度为40米为例，若状态所示的当前总长度为20米，则不在执行机构的行程范围内，超过伸缩臂的可操作范围；关于条件（2），其使得从当前状态转换至过渡状态，再有过渡状态转换至目标状态的行程最小，伸缩臂的控制速度最快、效率最优、能耗最低。具体的，示例伸缩臂单油缸的行程为10m，当前状态为43344（此状态超过10m）；目标状态为44444（此状态也超过10m），此时则需要找到一个过渡状态（满足上述两个条件），该状态下伸缩臂的长度要小于单油缸的行程为10m，使得伸缩臂在可操作范围内；且伸缩臂从当前状态缩回至过渡状态，再由过渡状态伸展至目标状态的行程最小，达到最优路径。示例的，假设过渡状态为11111（当然实际应用中过渡状态应为11111-44444中的任意组合），那么当前状态43344到过渡状态11111的行程为每个数字依次相减的和 (4-1)+(3-1)+(3-1)+(4-1)+(4-1)=13，这个数越小，那么伸缩臂的速度越快、效率越高、能耗越低。更为具体的，如图3所示，神经网络模型，可选但不仅限于包括p层(水平方向)，每层包括q个神经元(竖直方向)，并对应每个神经元配置权重系数和偏置项系数。具体的，可选但不仅限于以L_ij表示第i个隐藏层的第j个神经元的输出，以W_ijk对应L_ij的权重系数，以b_ijk对应L_ij的偏置项系数。其中，i、j、k均为正整数，1≤i≤p，1≤j≤q，1≤k≤r_i，其中，k为当前第i个隐藏层前一层第k个元素输出对应的系数，r_i为第i个隐藏层前一层的元素总个数。更为具体的，神经网络模型中的激活函数，可选但不仅限于为sigmod函数，通过公式（1）计算第i个隐藏层的第j个神经元的输出L_ij。

（1）

S2：构建训练样本集；所述训练样本集，对应伸缩臂的每个当前状态和目标状态样本，映射标注过渡状态；具体的，首先确定当前状态和目标状态样本集，其可以是伸缩臂随机存在的任何一种状态，比如状态12344（5节臂架、每个臂架有4个臂销孔为例）。然后，针对每个当前状态和目标状态样本，根据条件（1）、（2）确定一一对应的过渡状态，并映射标注，以形成有输入和输出的训练样本集。更为具体的，该训练样本集中的样本个数越多越好，以提高神经网络模型的精度。

S3：将训练样本集中的样本，依次输入神经网络模型，以训练神经网络模型，得到训练后的神经网络模型；具体的，将上述训练样本集中的每个当前状态和目标状态样本依次输入神经网络模型，以预测得到针对每个当前状态和目标状态样本的过渡状态，再将预测的过渡状态与先前标注的过渡状态对照反传训练神经网络模型，得到训练后的神经网络模型。具体的，可选但不仅限于通过迭代减小损失函数，即预测的过渡状态与先前标注的过渡状态的差值，优化神经网络模型中的参数，以得到精确度更高的神经网络模型。更为具体的，在上述神经网络模型的具体形式下，可选但不仅限于将每个当前状态和目标状态样本依次输入神经网络模型，以预测得到针对每个当前状态和目标状态样本的过渡状态，再将预测的过渡状态与先前标注的过渡状态对照反传训练神经网络模型，不断迭代优化权重系数W_ijk和偏置项系数b_ijk，以优化神经网络模型。

S4：获取伸缩臂的当前状态，可选但不仅限于以A={A₁……A_n}表示臂架位于哪个臂销孔的当前组合状态。具体的，可选但不仅限于在伸缩臂的每节臂架上设置位移传感器等检测模块，以实时检测每节臂架当前所处的卡槽点位（以每节臂架上有4个臂销孔（例如1、2、3、4），每个臂销孔所在位置即为一个卡槽点位为例，可通过位移传感器，检测任意臂架在第一卡槽点位，还是第二、第三或第四卡槽点位）；或由操作人员目测观察，通过键盘、触摸屏等输入模块，实时输入每节臂架当前所处的卡槽点位。值得注意的，通过检测模块实时检测当前状态或通过输入模块实时输入当前状态，仅为步骤S4的可选实施例，并不以此为限，在该两种实施例中，通过检测模块实时检测当前状态的方式，能够更及时精确的获取伸缩臂的当前状态，但是在每节臂架上设置位移传感器等检测模块，势必会增加成本；通过输入模块实时输入当前状态的方式，需要操作人员肉眼观察，该方式相对缓慢且容易导致误差，但是成本相对交底。更为具体的，以图1所示的伸缩臂为例，其包括5节伸缩臂，则可选但不仅限于以5位数字依次代表每节可伸缩臂架的当前点位，以表征伸缩臂的当前状态。

S5：确定伸缩臂的目标状态，可选但不仅限于以B={B₁……B_n}表示臂架位于哪个臂销孔的目标组合状态。具体的，可选但不仅限于包括：

S51：获取伸缩臂所需伸长的目标长度；

S52：根据伸缩臂所需伸长的目标长度，确定伸缩臂的目标状态。更为具体的，步骤S51-S52，可选但不仅限于由操作人员根据伸缩臂所需伸长的目标长度，结合各节臂架的长度、卡槽点位表征的长度等，人工推算出伸缩臂的目标状态，再通过输入模块直接输入伸缩臂的目标状态。或者，操作人员仅需输入伸缩臂所需伸长的目标长度，再由计算模块计算出伸缩臂的目标状态。更为具体的，与步骤S4相同的，可选但不仅限于以5位数字依次代表每节可伸缩臂架的目标点位，以表征伸缩臂的目标状态。

S6：将伸缩臂的当前状态和目标状态，输入神经网络模型，得到过渡状态；具体的，采用神经网络方法，将伸缩臂的当前状态和目标状态输入神经网络模型，即可返回与之前标注的过渡状态结构一致的输出结果。理论上讲，其为过渡状态。但是，本发明没有对神经网络模型的输出结果做限制，其输出结果可能出现非整数（如，第3.2个臂销孔）、不存在的臂销孔（如，伸缩臂只有4个臂销孔但结果显示的状态为位于第5个臂销孔）等伸缩臂无法操作的情况，则需要对该神经网络模型的输出结果做进一步验证和校正，即步骤S7-S9。

S7：判断过渡状态是否为伸缩臂的可行状态；

S9：若否，则校正过渡状态，得到校正状态，控制伸缩臂由当前状态转换至校正状态，再由校正状态转换至目标状态。具体的，可选但不仅限于通过控制油缸、气缸等执行机构动作（伸缩），进而带动伸缩臂根据最优路径动作，将伸缩臂从当前状态转换至目标状态。更为具体的，考虑到油缸行程等可操作条件，在缩回伸缩臂时，可选但不仅限于从伸缩臂的近端臂架开始，由近及远的动作；在伸出伸缩臂时，可选但不仅限于从伸缩臂的远端臂架开始，由远及近的动作。更为具体的，校正过渡状态，得到校正状态，可选但不仅限于具体为：取整过渡状态的每个状态，得到校正状态，或/和计算与过渡状态欧式距离最近的伸缩臂的可行状态，得到校正状态。具体的，在输出结果有小数时，即可取整运算，得到与最优解最靠近且伸缩臂可行的状态。或，计算与过渡状态欧式距离最近的伸缩臂的可行状态，即与最优解最靠近的状态，使得依照该控制方法的路径最优。具体的，示例神经网络模型输出的过渡状态为P={P₁……P_n}，校正状态为P’={P’₁……P’_n}。则假设P中哪个元素为小数，可取整得到该校正状态P’；假设P中哪个元素为小数或超出伸缩臂的可行范围，可计算欧式距离，以n=5示例D=(P₁- P’₁)²+(P₂- P’₂)²+(P₃- P’₃)²+(P₄- P’₄)²+(P₅- P’₅)²取最小值，得到该校正状态P’。

在该实施例中，给出了本发明一种伸缩臂的控制方法，一方面步骤S1-S6基于神经网络模型，得到针对伸缩臂当前状态和目标状态的过渡状态，不管臂节数多少，其计算时间区别不大，相较于传统排列组合法，大大提高了计算速度、节省了操控时间，尤其是应用于臂节数较大的情况中；另一方面，相对于传统神经网络方法，其增设S7-S9，打破对神经网络模型输出的限制，能够毫无限制的输出神经网络模型的输出结果，该结果无需根据臂销孔的情况而设定（如每节臂架有4个臂销孔，则结果P={P₁……P_n}中的每个P，只能取1、2、3、4），是最靠近缩臂极限组合最优解的（过渡状态），在此基础上通过验证和校正步骤，即可获得相对于伸缩臂来说，可实现的缩臂极限组合最优解（过渡状态），达到路径最优，即伸缩臂从当前状态转换至目标状态的行程最短、动作最少、效率最快、能耗最低，这是发明人反复试验验证的结果，能够更进一步地降低能耗、机械等损耗，同时降低操作时间，全力响应国家节能降耗的政策。

优选的，步骤S6之前，还可选但不仅限于包括：

S61：根据伸缩臂的当前状态和目标状态，判断伸缩臂从当前状态转换至目标状态，是否在伸缩臂的可操作范围内；具体的，可选但不仅限于以伸缩臂的执行机构的可操作条件，如油缸或气缸的行程（示例的，以油缸行程为10米，伸缩臂伸出总长度为40米）为例，判断伸缩臂的当前状态是否在执行机构的可操作性范围内（油缸行程的10米范围之内），即伸缩臂的执行机构是否能将伸缩臂从当前状态直接转换至目标状态，无需后续先缩回至过渡状态，再伸展至目标状态，即无需后续步骤S6-S9。

S62：若是，则控制伸缩臂从当前状态转换至目标状态；具体的，举一个在伸缩臂可操作范围内的示例：以步骤S4的当前状态为21322（当前总长度为25米），步骤S5的目标状态为11322（目标总长度为20米）为例，仅需将第一节臂架（近端臂架）从2号点位转换至1号点位，那么可以判定肯定在执行机构的行程范围内，可将伸缩臂从当前状态直接转换为目标状态。

S63，若否，则进入步骤S6，根据当前状态和目标状态，确定伸缩臂动作的过渡状态；具体的，举一个不在伸缩臂的可操作范围内的示例：以步骤S4的当前状态为21322（当前总长度为25米），步骤S5的目标状态为32121（目标总长度为20米）为例，第五节臂架（远端臂架）需要从2号点位转换至1号点位，由于第五节臂架所处的长度已经远远超出油缸行程（10米），因此根据油缸行程等可操作条件，要想将第五节臂架（远端臂架）从2号点位转换至1号点位，则需缩回前序第一节-第四节臂架（近端臂架），否则由于油缸行程有限，将无法够到第五节臂架，无法对其进行操作。

在该实施例中，在步骤S6前增设判断步骤，判断伸缩臂是否能从当前状态直接转换至目标状态，无需缩臂动作，能够在伸缩臂本身动作流程简单的情况下，舍弃神经网络方法，进一步提高该控制方法的响应速度，节省计算时间。

另一方面，本发明在上述控制方法的基础上，还提供一种伸缩臂的控制装置，包括：

获取模块，用于获取伸缩臂的当前状态；

确定模块，用于确定伸缩臂的目标状态；

神经网络模块，用于输入伸缩臂的当前状态和目标状态，以输出过渡状态；

在该实施例中，给出了基于本发明控制方法的一种控制装置，事先构建并训练神经网络模型，形成以伸缩臂的当前状态、目标状态为输入、过渡状态为输出的神经网络模块，其技术特征的组合和技术效果在此不再赘述。值得注意的，各模块仅为功能性划分，不对其进行物理意义上的分割。本领域技术人员可以理解的，各模块可组合，由单片机等硬件完成。

进一步地，控制装置，还包括：

在该实施例中，可在本发明控制装置的实际应用过程中，根据现场情况，不断增添样本，尤其是具有代表性的特殊样本，可进一步优化神经网络模块的参数，提高其输出过渡状态的精确度和速度，进一步提高该方法的控制性能。

进一步地，控制装置还包括判断模块，用于根据伸缩臂的当前状态和目标状态，判断伸缩臂从当前状态转换至目标状态，是否在伸缩臂的可操作范围内；若是，则控制伸缩臂从当前状态转换至目标状态；若否，则触发神经网络模块。

上述伸缩臂的控制装置、伸缩臂和起重机，基于上述伸缩臂的控制方法创造，其技术作用和有益效果在此不再赘述，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种伸缩臂的控制方法，其特征在于，包括：

S4：获取伸缩臂的当前状态；

S5：确定伸缩臂的目标状态；

S7：判断过渡状态是否为伸缩臂的可行状态；

2.根据权利要求1所述的控制方法，其特征在于，步骤S1中，神经网络模型包括p层，每层包括q个神经元，并对应每个神经元配置权重系数和偏置项系数；步骤S3中，迭代优化权重系数和偏置项系数，以训练神经网络模型。

3.根据权利要求1所述的控制方法，其特征在于，步骤S9中，校正过渡状态，得到校正状态的步骤，包括：取整过渡状态的每个状态，得到校正状态，或/和计算与过渡状态欧式距离最近的伸缩臂的可行状态，得到校正状态。

4.根据权利要求1-3任意一项所述的控制方法，其特征在于，步骤S6之前，还包括：

S62：若是，则控制伸缩臂从当前状态转换至目标状态；

S63，若否，则进入步骤S6。

5.一种伸缩臂的控制装置，其特征在于，包括：

获取模块，用于获取伸缩臂的当前状态；

确定模块，用于确定伸缩臂的目标状态；

6.根据权利要求5所述的控制装置，其特征在于，还包括：

7.根据权利要求5所述的控制装置，其特征在于，控制模块中，校正过渡状态，得到校正状态具体为：取整过渡状态的每个状态，得到校正状态，或/和计算与过渡状态欧式距离最近的伸缩臂的可行状态，得到校正状态。

8.根据权利要求5-7任意一项所述的控制装置，其特征在于，还包括判断模块，用于根据伸缩臂的当前状态和目标状态，判断伸缩臂从当前状态转换至目标状态，是否在伸缩臂的可操作范围内；若是，则控制伸缩臂从当前状态转换至目标状态；若否，则触发神经网络模块。

9.一种伸缩臂，其特征在于，包括：基本臂以及套装于基本臂中的至少一节伸缩臂；采用权利要求1-4任意一项所述的控制方法；或包括权利要求5-8任意一项所述的控制装置。

10.一种起重机，其特征在于，包括权利要求9所述的伸缩臂。