CN115122327A - 基于对偶神经网络的危化品运输机械臂末端精确定位方法 - Google Patents
基于对偶神经网络的危化品运输机械臂末端精确定位方法 Download PDFInfo
- Publication number
- CN115122327A CN115122327A CN202210799196.XA CN202210799196A CN115122327A CN 115122327 A CN115122327 A CN 115122327A CN 202210799196 A CN202210799196 A CN 202210799196A CN 115122327 A CN115122327 A CN 115122327A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- joint
- chemical substance
- neural network
- coordinate system
- 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.)
- Pending
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
- 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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Numerical Control (AREA)
- Manipulator (AREA)
Abstract
一种基于对偶神经网络的危化品运输机械臂末端精确定位方法,考虑到危化品运输机械臂运动过程中自身关节角度约束和末端执行器初始位置不确定性,对偶神经网络模型具有有限时间收敛性,不仅能够改进收敛速度,而且达到较高收敛精度,最终使得所有的关节在有限的时间内回拢到初始期望位置,实现重复任务。本发明的整个危化品运输机械臂运动系统具有更好的位置误差收敛性和稳态特性。
Description
技术领域
本发明涉及一种基于对偶神经网络的危化品运输机械臂末端定位方法,特别是带有关节角度约束以及初始位置偏移情况下的危化品运输机械臂末端控制方法。
背景技术
危险品运输机械手臂作为一种特殊功能的机械臂,通过控制器调控机械臂的运动轨迹,完成复杂危险的重复任务。危险品运输机械臂是拟人手臂、手腕和手功能的机械电子装置,其末端任务包括搬运、焊接、组装等,一个机械手臂一般拥有3个或3个以上的旋转自由度,在用机械手臂去完成某个特定的工作时,因其拥有多余的旋转自由度,这种特殊用途的机械手臂才拥有更大的操作空间,比如物理极限躲避和环境障碍物躲避。
递归神经网络被广泛应用于时变问题的求解,相比与传统的解决方法,神经网络在求解过程中具有较高的收敛性和有限时间。传统的神经网络应用于机械臂重复运动轨迹规划时,无法克服机械臂自身的关节物理极限,即使能够实现在有限的时间内收敛。为了解决这一问题,提出了基于有限时间对偶神经网络。该神经网络在求解带等式约束的时变计算问题时既能够实现有限时间收敛又能够克服机械臂的关节角度约束问题。
危化品运输机械臂在运动过程中,存在自身关节角度约束及初始位置的不确定性。当末端执行器的运动轨迹是闭合的,在机械臂完成末端工作任务后,各个关节角变量在运动空间中的轨迹不一定封闭。这种非重复性问题可能产生不期望的关节位形,使得该类型机械臂末端封闭轨迹的重复作业出现预料之外的情况,甚至会导致意外及危险情况的发生。因此在传统的神经网络的基础上,设计一种对偶神经网络来对危化品运输机械臂的运动轨迹进行有效进行规划。
发明内容
为了克服现有技术的不足,考虑到危化品运输机械臂运动过程中自身关节角度约束和末端执行器初始位置不确定性,本发明提供了一种基于对偶神经网络的危化品运输机械臂运动规划方法,使得所有的关节在有限的时间内回拢到初始期望位置,实现重复任务,该对偶神经网络模型具有有限时间收敛性,不仅能够改进收敛速度,而且达到较高收敛精度。
为了解决上述技术问题,本发明提供如下的技术方案:
一种基于对偶神经网络的危化品运输机械臂末端精确定位方法,包括以下步骤:
步骤1,建立危化品运输机械臂末端执行器期望目标轨迹rd和期望回拢的关节角度θ*(0),建立起危化品运输机械臂的运动学方程,通过D-H(Denavit-Hartenberg)参数法来描述相邻连杆之间的坐标方向和参数,危化品运输机械臂各关节及杆是刚性物体,对危化品运输机械臂各关节进行分析,建立全局坐标系与局部坐标系,全局坐标系是基于地面的坐标系,局部坐标系是根据D-H参数建立的参考坐标系,通过局部坐标系中各关节角的齐次变换矩阵Ti-1i,得到危化品运输机械臂末端执行器在全局坐标系中的位置;
步骤2,建立危化品运输机械臂末端执行器方向向量r(t)∈Rn与关节角向量θ(t)∈Rm之间的运动关系;
步骤3,构建带约束条件的重复运动二次规划方案;
步骤4,构建对偶神经网络求解模型。
进一步,所述步骤1中,齐次变换矩阵Ti-1i如下:
其中θi,αi,ai和di分别代表机械臂第i关节的运动关节角,连杆转角,连杆长度和连杆偏距;计算出PA10机械臂各关节间的变换矩阵T01~T67,将这些变换矩阵相乘得到末端执行器相对于基坐标系的齐次变换矩阵,具体表示如下:
其中,n∈R3是末端执行器在基坐标系中的法向量,s∈R3、a∈R3和p=[px,py,pz]T分别是末端执行器的滑动向量、逼近向量和位置向量,那么PA10机械臂的末端执行器的位置向量r(t)∈R3与关节角向量θ(t)∈R7的关系如下式:
r(t)=f(θ(t))=[px py pz]T (3)
对上述等式进行微分处理,从而计算出危化品运输机械臂的雅可比矩阵,如下:
再进一步,所述步骤2中,运动关系表达式如下:
g(θ(t))=r(t) (5)
其中:g(·):Rm→Rn是一个非线性连续函数映射;
所述步骤2的过程如下:
2.1定义速度层优化性能指标
为实现运动任务目标,通过最小化关节当前位置与初始位置之间的位移量来消除关节角偏差,所得到的速度层优化性能指标描述如下:
2.2建立危化品运输机械臂自身的关节物理约束,形成带约束的最小优化方案,该类型机械臂自身的关节物理极限,即
其中:∈>0是用来调节关节速度的可行域,将等式(8)与等式(9)相结合,针对的不等式约束进一步转化为
其中η-和η+的第i个元素分别表示为
基于上述分析,带有关节物理约束的危化品运输机械臂运动规划问题描述为如下带约束的时变二次规划问题:
其中:M=I,I为m维单位矩阵,J是行满秩矩阵,即rank(J)=n。
所述步骤4中,根据Karush-Kuhn-Tucker(KKT)条件可知,带约束的重复运动规划方案(13)的最优解也应当满足下述情况:
其中:γ∈Rn和μ∈Rm分别为等式约束(13)的对偶变量;
其中:
fi(yi)代表每个元素的处理函数。可以得到:x=f(x+μ)。结合等式(14)将带约束的重复运动规划方案(13)转化为如下的对偶问题进行求解:
其中:K=M-1-M-1JT(JM-1JT)-1JM-1,d=M-1JT(JM-1JT)-1(c+JM-1a)-M-1a;
得到如下对偶神经网络模型(18):即
其中:α∈R且α>0;Φ:Rm→Rm为激活函数,具体定义为
Φ(z)=[φ1(z1),φ1(z2),…,φi(zi)]T,z∈Rm,φi(zi)=|zi|p+|zi|1/p
其中:p∈R且0<p<1,sign(·)为符号函数。
本发明中,对偶神经网络模型在求解过程中,能够考虑危化品运输机械臂的各关节角限制,使得所有的关节在有限的时间内回拢到初始期望位置,实现重复任务。该对偶神经网络模型具有有限时间收敛性,不仅能够改进收敛速度,而且达到较高收敛精度。使得整个危化品运输机械臂运动系统具有更好的位置误差收敛性和稳态特性。
本发明的有益效果为:具有更好的位置误差收敛性和稳态特性。
附图说明
图1为本发明提供的对偶神经网络求解的流程图。
图2为采用本发明的危化品运输机械臂PA10的机械配置图。
图3为PA10机械臂的运动轨迹图。
图4为PA10机械臂的末端执行器跟踪误差图。
图5为PA10机械臂的末端执行器跟踪圆形轨迹的关节角度图。
图6为PA10机械臂的末端执行器跟踪圆形轨迹的关节速度图。
图7为对偶神经网络模型求解带约束运动方案(18)的收敛误差JE图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图7,一种基于对偶神经网络的危化品运输机械臂末端精确定位方法,包括以下步骤:
步骤1,建立危化品运输机械臂末端执行器期望目标轨迹rd和期望回拢的关节角度θ*(0),建立危化品运输机械臂的运动学方程,常用的方法是通过D-H(Denavit-Hartenberg)参数法来描述相邻连杆之间的坐标方向和参数,危化品运输机械臂各关节及杆是刚性物体,对危化品运输机械臂各关节进行分析,建立全局坐标系与局部坐标系,全局坐标系是基于地面的坐标系,局部坐标系是根据D-H参数建立的参考坐标系,通过局部坐标系中各关节角的齐次变换矩阵Ti-1i,得到危化品运输机械臂末端执行器在全局坐标系中的位置,齐次变换矩阵Ti-1i如下:
其中θi,αi,ai和di分别代表机械臂第i关节的运动关节角,连杆转角,连杆长度和连杆偏距,计算出PA10机械臂各关节间的变换矩阵T01~T67,将这些变换矩阵相乘便得到末端执行器相对于基坐标系的齐次变换矩阵,具体表示如下:
其中,n∈R3是末端执行器在基坐标系中的法向量,s∈R3、a∈R3和p=[px,py,pz]T分别是末端执行器的滑动向量、逼近向量和位置向量。那么PA10机械臂的末端执行器的位置向量r(t)∈R3与关节角向量θ(t)∈R7的关系如下式:
r(t)=f(θ(t))=[px py pz]T (3)
对上述等式进行微分处理,从而计算出危化品运输机械臂的雅可比矩阵,如下:
步骤2,建立危化品运输机械臂末端执行器方向向量r(t)∈Rn与关节角向量θ(t)∈Rm之间的运动关系。
g(θ(t))=r(t) (5)
其中:g(·):Rm→Rn是一个非线性连续函数映射;
2.1定义速度层优化性能指标
为实现运动任务目标,通过最小化关节当前位置与初始位置之间的位移量来消除关节角偏差,所得到的速度层优化性能指标描述如下:
2.2建立危化品运输机械臂自身的关节物理约束,形成带约束的最小优化方案,该类型机械臂自身的关节物理极限,即
其中:∈>0是用来调节关节速度的可行域,将等式(8)与等式(9)相结合,针对的不等式约束进一步转化为
其中η-和η+的第i个元素分别表示为
基于上述分析,带有关节物理约束的危化品运输机械臂运动规划问题描述为如下带约束的时变二次规划问题:
步骤3,构建带约束条件的重复运动二次规划方案;
其中:M=I,I为m维单位矩阵。需要注意的是,本文中我们假设J是行满秩矩阵,即rank(J)=n;
步骤4,构建对偶神经网络求解模型;
根据Karush-Kuhn-Tucker(KKT)条件可知,带约束的重复运动规划方案(13)的最优解也应当满足下述情况:
其中:γ∈Rn和μ∈Rm分别为等式约束(13)的对偶变;。
其中:
fi(yi)代表每个元素的处理函数,得到:x=f(x+μ),结合等式(14)将带约束的重复运动规划方案(13)转化为如下的对偶问题进行求解:
其中:K=M-1-M-1JT(JM-1JT)-1JM-1,d=M-1JT(JM-1JT)-1(c+JM-1a)-M-1a。
因此,得到如下对偶神经网络模型(18):即
其中:α∈R且α>0;Φ:Rm→Rm为激活函数,具体定义为
Φ(z)=[φ1(z1),φ1(z2),…,φi(zi)]T,z∈Rm,φi(zi)=|zi|p+|zi|1/p
其中:p∈R且0<p<1,sign(·)为符号函数。
用于实现本发明精准定位方案的危化品运输机械臂PA10如图2所示,机械臂PA10的D-H参数以及各关节物理约束如下表1:
表1
设定机械臂PA10的期望回拢的关节角度为θ*(0)=[0;π/4;π/4;2π/3;0;-π/4;0],考虑到PA10机械臂初始位置会存在一定的偏差,将机械臂PA10的七个关节角度初值设为:
θ(0)=[0;π/4;π/4;2π/3;0;-π/4;0]。
为了验证所提方法的可行性,本发明给出了该基于有限时间对偶神经网的机械臂带约束的重复运动规划方案在MATLAB平台上的仿真结果:
将目标任务路径设定为一个圆形轨迹任务,给定机械臂的末端执行器的期望路径为
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (5)
1.一种基于对偶神经网络的危化品运输机械臂末端精确定位方法,其特征在于,所述方法包括以下步骤:
步骤1,建立危化品运输机械臂末端执行器期望目标轨迹rd和期望回拢的关节角度θ*(0),建立起危化品运输机械臂的运动学方程,通过D-H参数法来描述相邻连杆之间的坐标方向和参数,危化品运输机械臂各关节及杆是刚性物体,对危化品运输机械臂各关节进行分析,建立全局坐标系与局部坐标系,全局坐标系是基于地面的坐标系,局部坐标系是根据D-H参数建立的参考坐标系,通过局部坐标系中各关节角的齐次变换矩阵Ti-1i,得到危化品运输机械臂末端执行器在全局坐标系中的位置;
步骤2,建立危化品运输机械臂末端执行器方向向量r(t)∈Rn与关节角向量θ(t)∈Rm之间的运动关系;
步骤3,构建带约束条件的重复运动二次规划方案;
步骤4,构建对偶神经网络求解模型。
2.如权利要求1所述的基于对偶神经网络的危化品运输机械臂末端精确定位方法,其特征在于,所述步骤1中,齐次变换矩阵Ti-1i如下:
其中θi,αi,ai和di分别代表机械臂第i关节的运动关节角,连杆转角,连杆长度和连杆偏距;计算出PA10机械臂各关节间的变换矩阵T01~T67,将这些变换矩阵相乘得到末端执行器相对于基坐标系的齐次变换矩阵,具体表示如下:
其中,n∈R3是末端执行器在基坐标系中的法向量,s∈R3、a∈R3和p=[px,py,pz]T分别是末端执行器的滑动向量、逼近向量和位置向量,那么PA10机械臂的末端执行器的位置向量r(t)∈R3与关节角向量θ(t)∈R7的关系如下式:
r(t)=f(θ(t))=[px py pz]T (3)
对上述等式进行微分处理,从而计算出危化品运输机械臂的雅可比矩阵,如下:
3.如权利要求2所述的基于对偶神经网络的危化品运输机械臂末端精确定位方法,其特征在于,所述步骤2中,运动关系表达式如下:
g(θ(t))=r(t) (5)
其中:g(·):Rm→Rn是一个非线性连续函数映射;
所述步骤2的过程如下:
2.1定义速度层优化性能指标
为实现运动任务目标,通过最小化关节当前位置与初始位置之间的位移量来消除关节角偏差,所得到的速度层优化性能指标描述如下:
2.2建立危化品运输机械臂自身的关节物理约束,形成带约束的最小优化方案,该类型机械臂自身的关节物理极限,即
其中:∈>0是用来调节关节速度的可行域,将等式(8)与等式(9)相结合,针对的不等式约束进一步转化为
其中η-和η+的第i个元素分别表示为
基于上述分析,带有关节物理约束的危化品运输机械臂运动规划问题描述为如下带约束的时变二次规划问题:
5.如权利要求4所述的基于对偶神经网络的危化品运输机械臂末端精确定位方法,其特征在于,所述步骤4中,根据Karush-Kuhn-Tucker(KKT)条件可知,带约束的重复运动规划方案(13)的最优解也应当满足下述情况:
其中:γ∈Rn和μ∈Rm分别为等式约束(13)的对偶变量;
其中:
fi(yi)代表每个元素的处理函数,得到:x=f(x+μ),结合等式(14)将带约束的重复运动规划方案(13)转化为如下的对偶问题进行求解:
其中:K=M-1-M-1JT(JM-1JT)-1JM-1,d=M-1JT(JM-1JT)-1(c+JM-1a)-M-1a;
得到如下对偶神经网络模型(18):即
其中:α∈R且α>0;Φ:Rm→Rm为激活函数,具体定义为
Φ(z)=[φ1(z1),φ1(z2),…,φi(zi)]T,z∈Rm,φi(zi)=|zi|p+|zi|1/p
其中:p∈R且0<p<1,sign(·)为符号函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210799196.XA CN115122327A (zh) | 2022-07-06 | 2022-07-06 | 基于对偶神经网络的危化品运输机械臂末端精确定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210799196.XA CN115122327A (zh) | 2022-07-06 | 2022-07-06 | 基于对偶神经网络的危化品运输机械臂末端精确定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115122327A true CN115122327A (zh) | 2022-09-30 |
Family
ID=83382732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210799196.XA Pending CN115122327A (zh) | 2022-07-06 | 2022-07-06 | 基于对偶神经网络的危化品运输机械臂末端精确定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115122327A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115648205A (zh) * | 2022-10-08 | 2023-01-31 | 北京航天飞行控制中心 | 一种空间机械臂的连续路径规划方法 |
-
2022
- 2022-07-06 CN CN202210799196.XA patent/CN115122327A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115648205A (zh) * | 2022-10-08 | 2023-01-31 | 北京航天飞行控制中心 | 一种空间机械臂的连续路径规划方法 |
CN115648205B (zh) * | 2022-10-08 | 2024-04-09 | 北京航天飞行控制中心 | 一种空间机械臂的连续路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107490965B (zh) | 一种空间自由漂浮机械臂的多约束轨迹规划方法 | |
CN106945020B (zh) | 一种空间双机械臂系统运动协调控制方法 | |
Cheah et al. | Adaptive vision and force tracking control for robots with constraint uncertainty | |
CN111993417B (zh) | 一种基于rbf神经网络的机械臂自适应阻抗控制方法 | |
CN109782601A (zh) | 一种协调机械臂自适应神经网络同步鲁棒控制器设计方法 | |
CN112605996B (zh) | 一种面向冗余机械臂的无模型碰撞避免控制方法 | |
CN111975768A (zh) | 一种基于固参神经网络的机械臂运动规划方法 | |
CN111975771A (zh) | 一种基于偏差重定义神经网络的机械臂运动规划方法 | |
CN112809666B (zh) | 一种基于神经网络的5-dof机械臂力位跟踪算法 | |
CN109623812B (zh) | 考虑航天器本体姿态运动的机械臂轨迹规划方法 | |
CN107145640B (zh) | 中性浮力实验中漂浮基座与机械臂的动态标度规划方法 | |
Hu et al. | Robot positioning error compensation method based on deep neural network | |
CN115122327A (zh) | 基于对偶神经网络的危化品运输机械臂末端精确定位方法 | |
CN115480583A (zh) | 飞行作业机器人的视觉伺服跟踪与阻抗控制方法 | |
CN109159124B (zh) | 采用快速双幂次终态神经网络的冗余机器人重复运动规划方法 | |
CN108908340A (zh) | 采用有限区间神经网络的冗余机器人重复运动规划方法 | |
Zou et al. | A novel robot trajectory planning algorithm based on NURBS velocity adaptive interpolation | |
Tangpattanakul et al. | Optimal trajectory of robot manipulator using harmony search algorithms | |
CN109159121B (zh) | 采用抛物线型终态神经网络的冗余机器人重复运动规划方法 | |
CN115256371B (zh) | 一种基于神经网络的道路救援移动机械臂运动时间预设方法 | |
CN108908341B (zh) | 二次根式终态吸引的冗余机器人重复运动规划方法 | |
Teka et al. | Modeling and simulation of cooperative transport of an object by two mobile manipulators on an uneven terrain using KSOM network | |
Ayusawa et al. | Predictive inverse kinematics: optimizing future trajectory through implicit time integration and future jacobian estimation | |
CN114840947A (zh) | 一种带约束的三自由度机械臂动力学模型 | |
Pham et al. | Control of the trajectory of a planar robot using recurrent hybrid networks |
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 |