CN116652940A - 仿人手精密操控方法和装置、电子设备及存储介质 - Google Patents
仿人手精密操控方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116652940A CN116652940A CN202310567153.3A CN202310567153A CN116652940A CN 116652940 A CN116652940 A CN 116652940A CN 202310567153 A CN202310567153 A CN 202310567153A CN 116652940 A CN116652940 A CN 116652940A
- Authority
- CN
- China
- Prior art keywords
- hand
- humanoid
- neural network
- humanoid hand
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 241000282414 Homo sapiens Species 0.000 title claims description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 67
- 230000033001 locomotion Effects 0.000 claims abstract description 53
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000012636 effector Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000002478 hand joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本申请实施例提供了一种仿人手精密操控方法和装置、电子设备及存储介质,属于自动控制领域。该方法包括:获取仿人手的运动数据,确定仿人手的类型,然后获取仿人手的类型对应的目标神经网络,根据运动数据和目标神经网络构建出仿人手的动力学全局双线性模型,再基于动力学全局双线性模型通过分段初始化的方式求解带有预设的约束条件的最优控制问题,得到目标控制输入信号,最后根据目标控制输入信号对仿人手进行控制。因此,本申请可以根据不同类型的仿人手采用不同的神经网络构建高精度的全局双线性模型,利用此模型生成目标控制输入信号对仿人手进行更加精密的操控。
Description
技术领域
本申请涉及自动控制领域,尤其涉及一种仿人手精密操控方法和装置、电子设备及存储介质。
背景技术
仿人手因具备多自由度与多关节特性,能够灵活抓取重量不一、形状各异、材质不同的物体,目前,针对不同自由度和关节特性不同的仿人手,若采用相同的神经网络模型进行训练,则训练出的模型不具备针对性,无法完成高精度的仿人手操作。然而,通过不同神经网络模型进行针对性训练,却并没有统一的训练方法能解决非线性动力学的最优控制输入问题,从而导致训练效果不佳的问题,影响仿人手操控的精准性,因此,如何提高仿人手操控的精准性,成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种仿人手精密操控方法和装置、电子设备及存储介质,旨在提高仿人手操控的精准性。
为实现上述目的,本申请实施例的第一方面提出了一种仿人手精密操控方法,所述方法包括:
获取仿人手的运动数据;
确定所述仿人手的类型,获取所述仿人手的类型对应的目标神经网络;
根据所述运动数据和所述目标神经网络构建出仿人手的动力学全局双线性模型;
基于所述动力学全局双线性模型通过分段初始化的方式求解带有预设的约束条件的最优控制问题,得到目标控制输入信号;
根据所述目标控制输入信号对仿人手进行控制。
根据本发明的一些实施例,所述确定所述仿人手的类型,获取所述仿人手的类型对应的目标神经网络,具体包括:
确定所述仿人手的类型;
响应于确定出所述仿人手的类型为第一类型,获取线性层,且将所述线性层作为所述目标神经网络;
响应于确定出所述仿人手的类型为第二类型,获取卷积层,且将所述卷积层作为所述目标神经网络;
响应于确定出所述仿人手的类型为第三类型,获取图神经网络,且将所述图神经网络作为所述目标神经网络。
根据本发明的一些实施例,所述根据所述运动数据和所述目标神经网络构建出仿人手的动力学全局双线性模型,具体包括:
获取仿人手的输入控制信息;
根据所述目标神经网络、所述运动数据和所述输入控制信息构建仿人手非线性系统;
根据预设的本征函数对所述非线性系统进行函数映射,得到所述动力学全局双线性模型。
根据本发明的一些实施例,所述运动数据包括运动状态信息,所述根据所述目标神经网络、所述运动数据和所述输入控制信息构建仿人手非线性系统,具体包括:
根据所述目标神经网络和运动状态信息构建出动力学模型;
根据所述动力学模型和所述输入控制信息构建仿人手非线性系统,所述仿人手非线性系统表示为:
其中,t表示当前时刻,表示所述仿人手的系统状态,/>表示所述运动状态信息,/>表示所述输入控制信息,F∈X×U→X表示所述仿人手的非线性动力系统。
根据本发明的一些实施例,所述根据预设的本征函数对所述非线性系统进行函数映射,得到所述动力学全局双线性模型,所述双线性模型表示为:
其中,z(t)表示预设的观测向量,u(t)表示所述输入控制信息升维得到的输入向量,q(t)表示双线性向量,根据预设的本征函数升维得到的算子矩阵对应的划分出控制矩阵A、输入矩阵B、耦合矩阵H,C表示预设的逆映射矩阵。
根据本发明的一些实施例,所述基于所述动力学全局双线性模型通过分段初始化的方式求解带有预设的约束条件的最优控制问题,得到目标控制输入信号,具体包括:
将所述动力学全局双线性模型通过分段初始化的方式应用到预设的约束条件中,得到优化目标函数为:
其中,k表示起始时刻,N表示终止时刻,F表示所述仿人手起始状态z[k]的增益矩阵,T表示所述仿人手初始输入u[k]的增益矩阵,FN表示所述仿人手终止状态z[N]的增益矩阵;
在预设时间区间内,将预设的期望轨迹带入所述优化目标函数进行滚动优化求解,得到目标控制输入信号。
根据本发明的一些实施例,所述在预设时间区间内,将预设的期望轨迹带入所述优化目标函数进行求解,得到目标控制输入信号,具体包括:
在预设时间区间内,将预设的期望轨迹带入所述优化目标函数进行求解,得到初始时刻的控制输入信号;
根据每个时刻的控制输入信号对仿人手进行控制,得到实际轨迹;
比对所述实际轨迹与所述期望轨迹,得到偏差数据;
根据所述偏差数据和所述优化目标函数求解得到目标控制输入信号。
为实现上述目的,本申请实施例的第二方面提出了一种仿人手精密操控装置,所述装置包括:
获取模块,用于获取仿人手的运动数据;
类型确定模块,用于确定所述仿人手的类型,获取所述仿人手的类型对应的目标神经网络;
模型构建模块,用于根据所述运动数据和所述目标神经网络构建出仿人手的动力学全局双线性模型;
信号确定模块,用于基于所述动力学全局双线性模型通过分段初始化的方式求解带有预设的约束条件的最优控制问题,得到目标控制输入信号;
控制模块,用于根据所述目标控制输入信号对仿人手进行控制。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本申请提出的仿人手精密操控方法和装置、电子设备及存储介质,其通过获取仿人手的运动数据,从而确定仿人手的类型,获取仿人手的类型对应的目标神经网络,使得本申请可以针对不同类型的仿人手采用不同的神经网络以构建更具针对性的控制模型,再根据运动数据和目标神经网络构建出仿人手的动力学全局双线性模型,基于动力学全局双线性模型通过分段初始化的方式求解带有预设的约束条件的最优控制问题,得到目标控制输入信号,最后根据目标控制输入信号对仿人手进行控制。因此,本申请可以根据仿人手的运动数据构建出精度高于现有技术中动力学线性模型的全局双线性模型,且能根据不同类型的仿人手采用不同的神经网络构建模型,从而使得模型生成的目标控制输入信息更加精准,使得对各类型仿人手的控制更加精密可靠。
附图说明
图1是本申请实施例提供的仿人手精密操控方法的流程图;
图2是图1中的步骤S102的流程图;
图3是图1中的步骤S103的流程图;
图4是图3中的步骤S302的流程图;
图5是图1中的步骤S104的流程图;
图6是图5中的步骤S502的流程图;
图7是本申请实施例提供的仿人手目标神经网络训练损失的曲线图;
图8是本申请实施例提供的全局双线性模型预测精度的曲线图;
图9是本申请实施例提供的仿人手模拟控制的轨迹跟踪曲线图;
图10是本申请实施例提供的仿人手精密操控装置的结构示意图;
图11是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(artificial intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
机器人产业蓬勃发展,正极大地改变着人类生产和生活方式,为经济社会发展注入强劲动能。末端执行器作为机器人与环境交互作用的最后环节与执行部件,在机器人作业任务中起到至关重要的作用。例如,在载人航天探索活动中,末端执行器是空间机器人实现抓取、维修、装配的基本器件,直接决定了空间机器人的先进性和智能化程度。
仿人手因具备多自由度与多关节特性,能够灵活抓取重量不一、形状各异、材质不同的物体,成为航空航天、智能制造等领域的关注热点。2011年,NASA研制的Robonaut灵巧手在国际空间站舱内执行了包括抓取扶手、操作开关等任务。虽然仿人手已经取得了突破性成果,但其高精度建模与控制理论与方法还有待进一步的研究,以满足高精度操作的迫切需求。
基于此,本申请实施例提供了一种仿人手精密操控方法和装置、电子设备及存储介质,旨在提高对各类型仿人手的操作控制精准度。
本申请实施例提供的仿人手精密操控方法和装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的仿人手精密操控方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的仿人手精密操控方法,涉及人工智能技术领域。本申请实施例提供的仿人手精密操控方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现仿人手精密操控方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
参照图1,根据本申请实施例第一方面实施例提供的仿人手精密操控方法,图1中的方法可以包括但不限于包括步骤S101至步骤S105。
步骤S101,获取仿人手的运动数据;
步骤S102,确定仿人手的类型,获取仿人手的类型对应的目标神经网络;
步骤S103,根据运动数据和目标神经网络构建出仿人手的动力学全局双线性模型;
步骤S104,基于动力学全局双线性模型通过分段初始化的方式求解带有预设的约束条件的最优控制问题,得到目标控制输入信号;
步骤S105,根据目标控制输入信号对仿人手进行控制。
本申请实施例所示意的步骤S101至步骤S105,通过获取仿人手的运动数据,从而确定仿人手的类型,获取仿人手的类型对应的目标神经网络,使得本申请可以针对不同类型的仿人手采用不同的神经网络以构建更具针对性的控制模型,再根据运动数据和目标神经网络构建出仿人手的动力学全局双线性模型,基于动力学全局双线性模型通过分段初始化的方式求解带有预设的约束条件的最优控制问题,得到目标控制输入信号,最后根据目标控制输入信号对仿人手进行控制。因此,本申请可以根据仿人手的运动数据构建出精度高于现有技术中动力学线性模型的全局双线性模型,且能根据不同类型的仿人手采用不同的神经网络构建模型,以构建出更具针对性的动力学全局双线性模型,从而生成更加精准的目标控制输入信息,使得对各类型仿人手的控制更加精密可靠。
在一些实施例的步骤S101中,运动数据包括:仿人手的手部关节的角度数据、手指力度数据、手部位置数据、手部震动数据,这些数据可以直接从仿人手日志中获取,也可以通过传感器等设备采集获取,以获取更为贴近于实际运动表现的运动数据等,不限于此。
请参阅图2,在一些实施例中,步骤S102可以包括但不限于包括步骤S201至步骤S204:
步骤S201,确定仿人手的类型;
步骤S202,响应于确定出仿人手的类型为第一类型,获取线性层,且将线性层作为目标神经网络;
步骤S203,响应于确定出仿人手的类型为第二类型,获取卷积层,且将卷积层作为目标神经网络;
步骤S204,响应于确定出仿人手的类型为第三类型,获取图神经网络,且将图神经网络作为目标神经网络。
在一些实施例的步骤S201中,仿人手类型可以是根据仿人手的可驱动关节数量来确定仿人手的类型,也可以根据仿人手的驱动方式来确定仿人手类型。
在一些实施例的步骤S202中,第一类型为可驱动关节数量小于10的仿人手,当判定仿人手为第一类型后,采用线性层作为目标神经网络,由于仿人手的可驱动关节数较少,其状态和输入的维度相对较低。因此,采用线性层作为目标神经网络进行建模更加易于模型的收敛和优化。
在一些实施例的步骤S203中,第二类型为可驱动关节数量大于20的仿人手,当判定仿人手为第一类型后,采用卷积层作为目标神经网络,由于仿人手的可驱动关节数较多,其状态和输入的维度相对较高。因此,采用卷积层作为目标神经网络进行建模,能有效减少模型参数,提高模型训练效率。
在一些实施例的步骤S204中,第二类型为无固定关节的软体仿人手,通过采用图神经网络作为目标神经网络进行建模,可以更精准的自主识别关键状态。
申请实施例所示意的步骤S201至步骤S204,通过确定仿人手的不同类型,采用适合对应类型的神经网络作为目标神经网络进行建模,使得构建的模型更具针对性,从而提高模型的控制精度。
请参阅图3,在一些实施例中,步骤S103可以包括但不限于包括步骤S301至步骤S303:
步骤S301,获取仿人手的输入控制信息;
步骤S302,根据目标神经网络、运动数据和输入控制信息构建仿人手非线性系统;
步骤S303,根据预设的本征函数对非线性系统进行函数映射,得到动力学全局双线性模型。
在一些实施例的步骤S301中,获取仿人手的输入控制信息,可以通过实时采集仿人手的输入控制信息,以获取当前时刻仿人手的输入控制指令信息,也可以通过预先设定的方式,获取预先设定好的仿人手输入控制指令信息。
在一些实施例的步骤S302中,根据仿人手类型对应的目标神经网络、运动数据以及实时的输入控制信息,构建出能反应仿人手控制系统当前控制状态的仿人手非线性系统。
申请实施例所示意的步骤S301至步骤S303,通过获取仿人手实时的输入控制信息,并利用目标神经网络和运动数据构建出能反应仿人手控制系统当前控制状态的仿人手非线性系统,再通过本征函数φi对非线性系统进行函数映射,从而升维得到高精度的动力学全局双线性模型。
请参阅图4,在一些实施例中,运动数据包括运动状态信息,步骤S302可以包括但不限于包括步骤S401至步骤S402:
步骤S401,根据目标神经网络和运动状态信息构建出动力学模型;
步骤S402,根据动力学模型和输入控制信息构建仿人手非线性系统。
在一些实施例的步骤S401中,基于目标神经网络根据仿人手当前的运动状态信息构建出实时更新的动力学模型。
在一些实施例的步骤S402中,根据实时更新的动力学模型和实时输入控制信息构建出能反应仿人手当前运动状态的非线性系统,仿人手非线性系统表示为:
其中,t表示当前时刻,表示仿人手的系统状态,/>表示运动状态信息,/>表示输入控制信息,F∈X×U→X表示仿人手的非线性动力系统。
申请实施例所示意的步骤S401至步骤S402,通过利用目标神经网络和实时运动状态信息构建出实时动力学模型,再根据实时动力学模型和实时输入控制信息构建出能反应当前运动状态的非线性系统。
在一些实施例的步骤S303中,预设的本征函数是基于Koopman算子理论所构建的φi,通过本征函数φi对非线性系统进行函数映射,从而使得非线性系统升维,得到高精度的动力学全局双线性模型,双线性模型表示为:
其中,z(t)表示预设的观测向量,u(t)表示输入控制信息升维得到的输入向量,q(t)表示双线性向量,根据预设的本征函数升维得到的算子矩阵对应的划分出控制矩阵A、输入矩阵B、耦合矩阵H,C表示预设的逆映射矩阵。
在一些实施例的步骤S303之前,根据预设的本征函数对非线性系统进行函数映射,得到动力学全局双线性模型,映射过程如下所示:
(Kφ)(x(t),u(t))=φ(x(t+τ),u(t))
对本征函数φi分别投影到输入项U、状态项X、升维状态项Z和双线性项Q,将Koopman算子矩阵对应的划分出控制矩阵A、输入矩阵B、耦合矩阵H,利用投影向量构建逆映射C:恢复原始状态。
请参阅图5,在一些实施例中,步骤S104还可以包括但不限于包括步骤S501至步骤S502:
步骤S501,将动力学全局双线性模型通过分段初始化的方式应用到预设的约束条件中,得到优化目标函数;
步骤S502,在预设时间区间内,将预设的期望轨迹带入优化目标函数进行滚动优化求解,得到目标控制输入信号。
在一些实施例的步骤S501中,预设的约束条件为:
z[k+1]=Az[k]+Bu[k]+Hz[0]u[k]
=Az[k]+(B+Hz[0])u[k]
其中,k为当前时刻,z[k]为当前时刻状态。
将动力学全局双线性模型通过分段初始化的方式应用到预设的约束条件中,也即将双线性模型中的双线性项在模型预测控制的滚动优化时间段内初始化,使用其初值代表时间段内的值。
因此通过分段初始化的方式应用到预设的约束条件中,得到优化目标函数为:
其中,k表示起始时刻,N表示终止时刻,F表示仿人手起始状态z[k]的增益矩阵,T表示仿人手初始输入u[k]的增益矩阵,FN表示仿人手终止状态z[N]的增益矩阵。
在一些实施例的步骤S502中,在预设时间区间内,将预设的期望轨迹带入优化目标函数进行滚动优化求解,得到能实现精确控制仿人手执行预设期望轨迹的目标控制输入信号。
申请实施例所示意的步骤S501至步骤S502,通过将动力学全局双线性模型通过分段初始化的方式应用到预设的约束条件中,得到优化目标函数,并根据预设的期望轨迹对目标函数进行求解得到精准的目标控制输入信号,克服了现有方法求解无限维线性系统低阶近似依赖于字典函数的问题。
请参阅图6,在一些实施例,步骤S502包括但不限于包括步骤S601至步骤S604:
步骤S601,在预设时间区间内,将预设的期望轨迹带入优化目标函数进行求解,得到初始时刻的控制输入信号;
步骤S602,根据控制输入信号对仿人手进行控制,得到实际轨迹;
步骤S603,比对实际轨迹与期望轨迹,得到偏差数据;
步骤S604,根据偏差数据和优化目标函数求解得到目标控制输入信号。
请参阅图7和8,在一些实施例的步骤S601中,预设的期望轨迹和预设的时间区间均可根据用户实际需求进行设定,根据用户需求,本申请其预测控制精度会随着双线性模型的训练次数增多而不断降低,最佳精度可以达到10-3以下,比常规方法精度下降一位左右。在预设时间区间内,将预设的期望轨迹带入优化目标函数进行滚动优化求解,可以得到每个时刻的控制输入信号。
需要说明的是,由于除初始时刻外,后续时刻求解出的控制信号,越往后偏差数据的误差越大,所以每次滚动优化求解只取初始时刻的控制输入信号对仿人手进行控制。
请参阅图9,参阅图9示出了本申请实施例涉及的仿人手模拟控制实验的轨迹跟踪曲线图。其中曲线901用于表征本申请模拟控制仿人手的实际运动轨迹跟踪曲线,曲线902用于表征期望运动轨迹曲线,曲线901与曲线902重合。
在一些实施例的步骤S602中,根据控制输入信号对仿人手进行控制,即可以得到仿人手的实际轨迹。
在一些实施例的步骤S603中,比对实际轨迹与期望轨迹的过程中,通过用实际轨迹减去期望轨迹,以得到偏差数据,即可以进一步根据偏差数据对控制输入信号进行优化。
在一些实施例的步骤S604中,在初始时刻的下一时刻,将偏差数据带入优化目标函数中求解得到候选控制输入信号,再执行上述步骤S602和步骤S603,若求解得到当前时刻的偏差数据表征为实际轨迹与期望轨迹存在偏差,则将当前时刻设置为初始时刻,并重复执行上述步骤S604、S602、S603,直至偏差数据表征为实际轨迹与期望轨迹重合,则将当前时刻的候选控制输入信号设置为目标控制输入信号。
申请实施例所示意的步骤S601至步骤S604,根据用户需求设定的期望轨迹和预设完成时间区间,以满足用户需求利用优化目标函数滚动求解得到目标控制输入信号以实现对仿人手的精确控制。
请参阅图10,本申请实施例还提供一种仿人手精密操控装置,可以实现上述仿人手精密操控方法,该装置包括:
获取模块1001,用于获取仿人手的运动数据;
类型确定模块1002,用于确定仿人手的类型,获取仿人手的类型对应的目标神经网络;
模型构建模块1003,用于根据运动数据和目标神经网络构建出仿人手的动力学全局双线性模型;
信号确定模块1004,用于基于动力学全局双线性模型通过分段初始化的方式求解带有预设的约束条件的最优控制问题,得到目标控制输入信号;
控制模块1005,用于根据目标控制输入信号对仿人手进行控制。
该仿人手精密操控装置的具体实施方式与上述仿人手精密操控方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述仿人手精密操控方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图11,图11示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器1101,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器1102,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器1102可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1102中,并由处理器1101来调用执行本申请实施例的仿人手精密操控方法;
输入/输出接口1103,用于实现信息输入及输出;
通信接口1104,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线1105,在设备的各个组件(例如处理器1101、存储器1102、输入/输出接口1103和通信接口1104)之间传输信息;
其中处理器1101、存储器1102、输入/输出接口1103和通信接口1104通过总线1105实现彼此之间在设备内部的通信连接。
本申请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存储有计算机程序,该计算机程序被处理器执行时实现上述仿人手精密操控方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。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。
本申请实施例提供的仿人手精密操控方法、仿人手精密操控装置、电子设备及存储介质,其通过获取仿人手的运动数据,从而确定仿人手的类型,获取仿人手的类型对应的目标神经网络,使得本申请可以针对不同类型的仿人手采用不同的神经网络以构建更具针对性的控制模型,再根据运动数据和目标神经网络构建出仿人手的动力学全局双线性模型,基于动力学全局双线性模型通过分段初始化的方式求解带有预设的约束条件的最优控制问题,得到目标控制输入信号,最后根据目标控制输入信号对仿人手进行控制。因此,本申请可以根据仿人手的运动数据构建出精度高于现有技术中动力学线性模型的全局双线性模型,且能根据不同类型的仿人手采用不同的神经网络构建模型,并且利用高精度的全局双线性模型通过过分段初始化的方式求解最优控制问题,得到的优化目标函数可以满足用户精细操控的需求通过滚动迭代求解的方式,使得根据用户需求设置的期望轨迹所求解得到目标控制输入信息有着更高的预测精准度,最后根据目标控制输入信息对仿人手进行控制,使得对各类型仿人手的控制更加精密可靠。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于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:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指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),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种仿人手精密操控方法,其特征在于,所述方法包括:
获取仿人手的运动数据;
确定所述仿人手的类型,获取所述仿人手的类型对应的目标神经网络;
根据所述运动数据和所述目标神经网络构建出仿人手的动力学全局双线性模型;
基于所述动力学全局双线性模型通过分段初始化的方式求解带有预设的约束条件的最优控制问题,得到目标控制输入信号;
根据所述目标控制输入信号对仿人手进行控制。
2.根据权利要求1所述的方法,其特征在于,所述确定所述仿人手的类型,获取所述仿人手的类型对应的目标神经网络,具体包括:
确定所述仿人手的类型;
响应于确定出所述仿人手的类型为第一类型,获取线性层,且将所述线性层作为所述目标神经网络;
响应于确定出所述仿人手的类型为第二类型,获取卷积层,且将所述卷积层作为所述目标神经网络;
响应于确定出所述仿人手的类型为第三类型,获取图神经网络,且将所述图神经网络作为所述目标神经网络。
3.根据权利要求2所述的方法,其特征在于,所述根据所述运动数据和所述目标神经网络构建出仿人手的动力学全局双线性模型,具体包括:
获取仿人手的输入控制信息;
根据所述目标神经网络、所述运动数据和所述输入控制信息构建仿人手非线性系统;
根据预设的本征函数对所述非线性系统进行函数映射,得到所述动力学全局双线性模型。
4.根据权利要求3所述的方法,其特征在于,所述运动数据包括运动状态信息,所述根据所述目标神经网络、所述运动数据和所述输入控制信息构建仿人手非线性系统,具体包括:
根据所述目标神经网络和运动状态信息构建出动力学模型;
根据所述动力学模型和所述输入控制信息构建仿人手非线性系统,所述仿人手非线性系统表示为:
其中,t表示当前时刻,表示所述仿人手的系统状态,/>表示所述运动状态信息,/>表示所述输入控制信息,F∈X×U→X表示所述仿人手的非线性动力系统。
5.根据权利要求4所述的方法,其特征在于,所述根据预设的本征函数对所述非线性系统进行函数映射,得到所述动力学全局双线性模型,所述双线性模型表示为:
其中,z(t)表示预设的观测向量,u(t)表示所述输入控制信息升维得到的输入向量,q(t)表示双线性向量,根据预设的本征函数升维得到的算子矩阵对应的划分出控制矩阵A、输入矩阵B、耦合矩阵H,C表示预设的逆映射矩阵。
6.根据权利要求5所述的方法,其特征在于,所述基于所述动力学全局双线性模型通过分段初始化的方式求解带有预设的约束条件的最优控制问题,得到目标控制输入信号,具体包括:
将所述动力学全局双线性模型通过分段初始化的方式应用到预设的约束条件中,得到优化目标函数为:
其中,k表示起始时刻,N表示终止时刻,F表示所述仿人手起始状态z[k]的增益矩阵,T表示所述仿人手初始输入u[k]的增益矩阵,FN表示所述仿人手终止状态z[N]的增益矩阵;
在预设时间区间内,将预设的期望轨迹带入所述优化目标函数进行滚动优化求解,得到目标控制输入信号。
7.根据权利要求6所述的方法,其特征在于,所述在预设时间区间内,将预设的期望轨迹带入所述优化目标函数进行求解,得到目标控制输入信号,具体包括:
在预设时间区间内,将预设的期望轨迹带入所述优化目标函数进行求解,得到初始时刻的控制输入信号;
根据所述控制输入信号对仿人手进行控制,得到实际轨迹;
比对所述实际轨迹与所述期望轨迹,得到偏差数据;
根据所述偏差数据和所述优化目标函数求解得到目标控制输入信号。
8.一种仿人手精密操控装置,其特征在于,所述装置包括:
获取模块,用于获取仿人手的运动数据;
类型确定模块,用于确定所述仿人手的类型,获取所述仿人手的类型对应的目标神经网络;
模型构建模块,用于根据所述运动数据和所述目标神经网络构建出仿人手的动力学全局双线性模型;
信号确定模块,用于基于所述动力学全局双线性模型通过分段初始化的方式求解带有预设的约束条件的最优控制问题,得到目标控制输入信号;
控制模块,用于根据所述目标控制输入信号对仿人手进行控制。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的仿人手精密操控方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的仿人手精密操控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310567153.3A CN116652940B (zh) | 2023-05-19 | 仿人手精密操控方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310567153.3A CN116652940B (zh) | 2023-05-19 | 仿人手精密操控方法和装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116652940A true CN116652940A (zh) | 2023-08-29 |
CN116652940B CN116652940B (zh) | 2024-06-04 |
Family
ID=
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0683427A (ja) * | 1992-09-04 | 1994-03-25 | Japan Atom Energy Res Inst | 柔軟マニピュレータの作業点位置制御システム |
US20140128992A1 (en) * | 2012-11-08 | 2014-05-08 | The University Of Akron | Biomimetic controller for increased dexterity prosthesis |
CN108527371A (zh) * | 2018-04-17 | 2018-09-14 | 重庆邮电大学 | 一种基于bp神经网络的灵巧手规划方法 |
CN109344788A (zh) * | 2018-10-15 | 2019-02-15 | 徐妍 | 一种辅助搬运的可穿戴智能设备控制方法 |
WO2020142296A1 (en) * | 2019-01-01 | 2020-07-09 | Giant.Ai, Inc. | Software compensated robotics |
CN113467235A (zh) * | 2021-06-10 | 2021-10-01 | 清华大学 | 双足机器人步态控制方法、控制装置 |
ES2885077A1 (es) * | 2020-06-09 | 2021-12-13 | Consejo Superior Investigacion | Metodo para determinar un modelo de agarre de mano |
US20220032454A1 (en) * | 2020-07-28 | 2022-02-03 | Nvidia Corporation | Machine learning control of object handovers |
CN115446835A (zh) * | 2022-09-05 | 2022-12-09 | 大连交通大学 | 一种基于深度学习的刚软仿人手自主抓取方法 |
US20220402125A1 (en) * | 2020-06-09 | 2022-12-22 | Naver Labs Corporation | System and method for determining a grasping hand model |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0683427A (ja) * | 1992-09-04 | 1994-03-25 | Japan Atom Energy Res Inst | 柔軟マニピュレータの作業点位置制御システム |
US20140128992A1 (en) * | 2012-11-08 | 2014-05-08 | The University Of Akron | Biomimetic controller for increased dexterity prosthesis |
CN108527371A (zh) * | 2018-04-17 | 2018-09-14 | 重庆邮电大学 | 一种基于bp神经网络的灵巧手规划方法 |
CN109344788A (zh) * | 2018-10-15 | 2019-02-15 | 徐妍 | 一种辅助搬运的可穿戴智能设备控制方法 |
WO2020142296A1 (en) * | 2019-01-01 | 2020-07-09 | Giant.Ai, Inc. | Software compensated robotics |
ES2885077A1 (es) * | 2020-06-09 | 2021-12-13 | Consejo Superior Investigacion | Metodo para determinar un modelo de agarre de mano |
US20220402125A1 (en) * | 2020-06-09 | 2022-12-22 | Naver Labs Corporation | System and method for determining a grasping hand model |
US20220032454A1 (en) * | 2020-07-28 | 2022-02-03 | Nvidia Corporation | Machine learning control of object handovers |
CN113467235A (zh) * | 2021-06-10 | 2021-10-01 | 清华大学 | 双足机器人步态控制方法、控制装置 |
CN115446835A (zh) * | 2022-09-05 | 2022-12-09 | 大连交通大学 | 一种基于深度学习的刚软仿人手自主抓取方法 |
Non-Patent Citations (1)
Title |
---|
张耀鹏;王党校;王丽君;钱锡康;: "欠驱动仿人多指手的虚拟样机建模和运动仿真", 系统仿真学报, no. 10, 8 October 2016 (2016-10-08), pages 243 - 249 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bruder et al. | Data-driven control of soft robots using Koopman operator theory | |
Tonneau et al. | An efficient acyclic contact planner for multiped robots | |
Kehoe et al. | A survey of research on cloud robotics and automation | |
US10500726B2 (en) | Facilitating device control | |
US10860927B2 (en) | Stacked convolutional long short-term memory for model-free reinforcement learning | |
CN111602144A (zh) | 生成指令序列以控制执行任务的代理的生成神经网络系统 | |
CN110023965A (zh) | 用于选择由机器人智能体执行的动作的神经网络 | |
CN112119409A (zh) | 具有关系存储器的神经网络 | |
CN116848532A (zh) | 具有短期记忆单元的注意力神经网络 | |
Garrido et al. | Robot trajectory generation using modified hidden Markov model and Lloyd's algorithm in joint space | |
CN114939870B (zh) | 模型训练方法和装置、策略优化方法、设备及介质 | |
CN114424208A (zh) | 门控注意力神经网络 | |
Raessa et al. | Teaching a robot to use electric tools with regrasp planning | |
Ye et al. | Bagging for Gaussian mixture regression in robot learning from demonstration | |
Tanwani | Generative models for learning robot manipulation skills from humans | |
Hafez et al. | Efficient intrinsically motivated robotic grasping with learning-adaptive imagination in latent space | |
CN116652940B (zh) | 仿人手精密操控方法和装置、电子设备及存储介质 | |
EP3788554B1 (en) | Imitation learning using a generative predecessor neural network | |
Bruyninckx et al. | Introduction to intelligent robotics | |
CN116079747A (zh) | 机器人跨具身控制方法、系统、计算机设备和存储介质 | |
Gonzalez-Fierro et al. | Behavior sequencing based on demonstrations: a case of a humanoid opening a door while walking | |
CN116652940A (zh) | 仿人手精密操控方法和装置、电子设备及存储介质 | |
Primerano et al. | A case study in system-level physics-based simulation of a biomimetic robot | |
CN116901055B (zh) | 仿人手交互控制方法和装置、电子设备及存储介质 | |
CN116542310B (zh) | 一种机器人的模型训练、运动指令预测方法、装置及系统 |
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 |