CN117506939A - 基于状态触发自适应梯度神经网络的机械臂运动规划方法 - Google Patents

基于状态触发自适应梯度神经网络的机械臂运动规划方法 Download PDF

Info

Publication number
CN117506939A
CN117506939A CN202410012375.3A CN202410012375A CN117506939A CN 117506939 A CN117506939 A CN 117506939A CN 202410012375 A CN202410012375 A CN 202410012375A CN 117506939 A CN117506939 A CN 117506939A
Authority
CN
China
Prior art keywords
adaptive
neural network
mechanical arm
moment
self
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
Application number
CN202410012375.3A
Other languages
English (en)
Other versions
CN117506939B (zh
Inventor
黄浩恩
姜丞泽
曾志刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202410012375.3A priority Critical patent/CN117506939B/zh
Publication of CN117506939A publication Critical patent/CN117506939A/zh
Application granted granted Critical
Publication of CN117506939B publication Critical patent/CN117506939B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B25J9/1656—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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Robotics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Feedback Control In General (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种基于状态触发自适应梯度神经网络的机械臂运动规划方法，属于机械臂运动规划及控制领域，包括：构建机械臂运动规划模型；将当前时刻所述运动规划模型的各状态变量输入至自适应梯度神经网络，计算当前时刻与上一时刻对应的李亚普洛夫函数差值的绝对值；根据绝对值与预设的稳态阈值的大小关系采用不同的自适应触发方案，计算当前时刻自适应梯度神经网络匹配的自适应步长或者采样间隔；自适应梯度神经网络采用匹配的自适应步长或者采样间隔计算下一时刻机械臂各关节的速度信息，大幅提高了自适应梯度神经网络用于机械臂运动规划的效率和准确度。

Description

基于状态触发自适应梯度神经网络的机械臂运动规划方法
技术领域
本发明属于机械臂运动规划及控制领域，更具体地，涉及一种基于状态触发自适应梯度神经网络的机械臂运动规划方法。
背景技术
机械臂运动规划涵盖了工业生产、医学手术、运输装配等多个重要领域，因此对机械臂运动规划方法进行研究具有重要意义。神经网络具备强大的拟合能力和并行处理能力，现已被广泛应用于机械臂运动规划与控制技术领域。
现有技术中，基于神经网络进行机械臂运动规划的方法一般都需要对实际空间与机械臂关节空间的关系矩阵进行求伪逆，导致神经网络的求解效率较低，进而影响机械臂运动规划的效率。还有一些方法通过采用激活函数或者引入时变系数来加速神经网络的求解，但是仍然存在相应的问题。对于采用激活函数的方法，神经网络采用满足特定要求的固定步长，容易导致求解产生较大的偏差，导致机械臂运动规划的准确度不高；并且也没有充分探测和利用机器臂运动规划模型中误差变量包含的未来时刻的信息，进一步导致机械臂运动规划的准确度不高。
对于引入时变系数的方法，当下主流的时变系数类型主要有指数型与误差型；指数型时变系数的缺点是其对应值会随着时间的推移而增加，因此当神经网络求解时间较长时，计算误差会溢出，导致求解的机器臂各关节速度饱和，不符合实际运动需求；而误差型时变系数由当前时刻的机器臂运动规划模型的误差范数确定，没有充分利用误差函数包含的未来时刻的相关动态信息，导致机械臂运动规划的准确度不高。同时，两种时变系数方法都采用固定的采样周期，在神经网络的误差已经收敛至较好的范围后，会导致求解的机械臂各关节的速度存在固定的滞后误差，导致机械臂运动规划的准确度不高。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种基于状态触发自适应梯度神经网络的机械臂运动规划方法，其目的在于提升机械臂运动规划的效率及准确度。
为实现上述目的，按照本发明的第一方面，提供了一种基于状态触发自适应梯度神经网络的机械臂运动规划方法，包括：
S1、构建机械臂运动规划模型；
S2、将当前时刻所述运动规划模型的各状态变量输入至自适应梯度神经网络，计算当前时刻与上一时刻对应的李亚普洛夫函数差值的绝对值/>；
S3、若，则在当前时刻对所述自适应梯度神经网络进行采样保持，以获取以步长/>为自变量估计的下一时刻的李亚普洛夫函数/>，用估计的下一时刻的李亚普洛夫函数/>和当前时刻的李亚普洛夫函数/>构建自适应步长触发函数/>；以为触发条件，求解满足触发条件的自适应步长；
并将所述自适应步长作为所述自适应梯度神经网络当前时刻的步长，使所述自适应梯度神经网络输出下一时刻机械臂各关节的速度信息；并更新当前时刻为/>；其中，/>为所述自适应梯度神经网络的采样间隔，/>为预设的稳态阈值；
S4、更新所述运动规划模型的各状态变量，并跳转至S2，直至当前时刻超过设定的终止时间，得到每个时刻机械臂各关节的速度信息，以进行机器臂运动规划任务。
进一步地，S3中还包括：
若，则在当前时刻对所述自适应梯度神经网络进行采样保持，以获取以采样间隔/>为自变量估计的下一时刻的李亚普洛夫函数/>，用估计的下一时刻的李亚普洛夫函数/>和当前时刻的李亚普洛夫函数/>构建自适应采样间隔触发函数/>；以/>作为触发条件，求解满足触发条件的自适应采样间隔/>；
并将所述自适应采样间隔作为所述自适应梯度神经网络当前时刻的自适应采样间隔，使所述自适应梯度神经网络输出下一时刻机械臂各关节的速度信息；更新当前时刻/>为/>。
进一步地，用估计的下一时刻的李亚普洛夫函数和当前时刻的李亚普洛夫函数/>构建的自适应步长触发函数/>为：
其中，为触发收敛系数，/>。
进一步地，所述触发条件为：。
进一步地，在当前时刻对所述自适应梯度神经网络进行采样保持，以获取以步长为自变量估计的下一时刻的李亚普洛夫函数/>，包括：
在当前时刻对所述自适应梯度神经网络进行采样保持，得到以步长为自变量估计的下一时刻的机械臂各关节的速度信息；
将所述速度信息代入李亚普洛夫函数中，得到所述估计的下一时刻的李亚普洛夫函数。
进一步地，用估计的下一时刻的李亚普洛夫函数和当前时刻的李亚普洛夫函数/>构建的自适应采样间隔触发函数/>为：
其中，为触发收敛系数，/>。
进一步地，所述触发条件为：。
进一步地，S4中，用每个时刻机械臂各关节的速度信息，进行机器臂运动规划任务，包括：
根据机器臂运动规划模型中各机器臂各关节速度和机器臂末端执行器速度的关系，得到每个时刻机器臂末端执行器速度信息；
对每个时刻机器臂末端执行器速度信息进行积分得到机器臂末端执行器位置序列信息；
将机器臂末端执行器位置序列信息转化为机器臂运动规划的控制信号传递至下位机控制器，进行机器臂运动规划任务。
按照本发明的第二方面，提供了一种基于状态触发自适应梯度神经网络的机械臂运动规划系统，包括计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令执行第一方面任一项所述的方法。
按照本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面任一项所述的方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
（1）本发明的基于状态触发自适应梯度神经网络的机械臂运动规划方法，通过计算当前时刻与上一时刻对应的李亚普洛夫函数差值的绝对值，当/>时，表明机械臂运动规划模型的误差比较大，为了将误差降低在一个较小的吸引域范围内，根据当前时刻机械臂运动规划模型的各状态，通过估计的以自适应梯度神经网络步长/>为自变量的下一时刻的李亚普洛夫函数/>与当前时刻的李亚普洛夫函数/>构建自适应步长触发函数/>，求解满足触发条件的自适应步长，将其作为自适应梯度神经网络当前时刻的自适应步长，以计算下一时刻机械臂各关节的速度信息；其中，以/>作为触发条件得到的自适应步长能够使得下一时刻的模型误差小于当前时刻的模型误差；本发明的方法，每个时刻均采用优化的自适应步长进行下一时刻机械臂各关节的速度信息的计算，避免求解的机器臂各关节速度饱和，也减小了固定步长下模型的误差；并且在自适应步长计算过程中，充分利用了估计的下一时刻的能够反映机械臂运动规划模型误差的李亚普洛夫函数信息，提升了自适应梯度神经网络求解的准确度，进而提升机械臂运动规划的准确度。
同时，本发明的方法，基于自适应梯度神经网络求解机械臂各关节的速度信息，避免了对实际空间与机械臂关节空间的关系矩阵进行求伪逆，可以提升机械臂运动规划的求解效率。
（2）进一步地，当时，此时机械臂运动规划模型的误差已经收敛至较好的范围，但是考虑到由于每个时刻输入至自适应梯度神经网络的各状态变量的更新导致自适应梯度神经网络求解的机械臂各关节的速度信息存在动态滞后误差，本发明通过估计的以自适应梯度神经网络采样间隔/>为自变量的下一时刻的李亚普洛夫函数/>与当前时刻的李亚普洛夫函数/>构建自适应采样间隔触发函数/>，求解满足触发条件的自适应采样间隔，将其作为自适应梯度神经网络当前时刻的自适应采样间隔，以计算下一时刻机械臂各关节的速度信息；其中，以/>作为触发条件得到的自适应采样间隔能够使得下一时刻的模型误差小于当前时刻的模型误差；本发明的方法，每个时刻均采用优化的自适应采样间隔进行下一时刻机械臂各关节的速度信息的计算，减小了在固定采样间隔下求解的机械臂各关节的速度存在的固定的滞后误差；并且在自适应采样间隔计算过程中，充分利用了估计的下一时刻的能够反映机械臂运动规划模型误差的李亚普洛夫函数信息，提升了自适应梯度神经网络求解的准确度，进而提升机械臂运动规划的准确度。
（3）作为优选，以作为触发条件得到的最优的自适应步长，能够使得下一时刻的模型误差尽最大程度上小于当前时刻的模型误差，进一步提升机械臂运动规划的准确度。
（4）作为优选，以作为触发条件得到的最优的自适应采样间隔，能够使得下一时刻的模型误差尽最大程度上小于当前时刻的模型误差，进一步提升机械臂运动规划的准确度。
附图说明
图1为本发明实施例中的基于状态触发自适应梯度神经网络的机械臂运动规划方法流程图。
图2为本发明实施例中机械臂末端执行器运动生成轨迹及各关节运动的运动状态图。
图3为本发明实施例中对应的自适应步长变化示意图。
图4为本发明实施例中对应的自适应采样间隔变化示意图。
图5为本发明实施例中机械臂末端执行器运动生成轨迹在二维空间上的位置误差图。
图6为采用现有方法机械臂末端执行器运动生成轨迹在二维空间上的位置误差图。
图7为本发明实施例中机械臂末端执行器运动生成轨迹对应的各关节角速度状态图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中，本发明及附图中的术语“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。
如图1所示，本发明的基于状态触发自适应梯度神经网络的机械臂运动规划方法，包括：
S1、构建机械臂运动规划模型；
S2、将当前时刻机械臂运动规划模型的各状态变量输入至自适应梯度神经网络，自适应梯度神经网络用于计算下一时刻机械臂各关节的速度信息；并计算当前时刻与上一时刻的自适应梯度神经网络对应的李亚普洛夫函数差值的绝对值/>，，其中，/>表示当前时刻自适应梯度神经网络对应的李亚普洛夫函数，/>表示上一时刻自适应梯度神经网络对应的李亚普洛夫函数，李亚普洛夫函数用于反映机械臂运动规划模型的误差；
S3、若，则在当前时刻对自适应梯度神经网络进行采样保持，得到以自适应梯度神经网络步长/>为自变量的估计的下一时刻的机械臂各关节的速度，进而得到估计的下一时刻的李亚普洛夫函数/>；以估计的下一时刻的李亚普洛夫函数/>与当前时刻的李亚普洛夫函数/>差值的绝对值/>，用该差值的绝对值/>与当前时刻李亚普洛夫函数/>的差值构建自适应步长触发函数/>；以作为触发条件，求解满足触发条件的自适应步长/>；
并将得到的满足触发条件的自适应步长作为自适应梯度神经网络当前时刻的自适应步长，自适应梯度神经网络输出下一时刻/>机械臂各关节的速度信息；并更新当前时刻/>为/>；其中，/>为自适应梯度神经网络的采样间隔，/>为预设的稳态阈值；
S4、更新机械臂运动规划模型的各状态变量，并跳转至S2，直至当前时刻超过设定的终止时间/>，得到每个时刻机械臂各关节的速度信息构成的序列/>，以进行机器臂运动规划任务。
具体地，S1中，构建机械臂运动规划模型，包括：
获取机器臂末端执行器当前时刻的速度信息、位置信息/>，各关节速度信息/>、位置信息/>，机器臂运动学信息/>，以计算相应的雅可比矩阵/>；其中，雅可比矩阵/>为：
式中，机器臂运动学信息也即机械臂的位姿随时间的变化规律。
构建机械臂运动规划模型：
具体地，S2中，确定求解机械臂运动规划模型的自适应梯度神经网络为：
其中，表示自适应梯度神经网络输出的下一时刻的机械臂各关节的速度信息；/>表示自适应梯度神经网络的采样间隔；/>表示自适应梯度神经网络的步长，/>；/>表示自适应梯度神经网络的自适应系数，表达式为：
式中，代表向量化运算符，/>表示绝对值运算符，/>表示向量范数，上标表示向量或者矩阵的转置运算符，/>表示雅可比矩阵的导数。
初始化机器臂初始雅可比矩阵，机器臂末端执行器初始速度/>，初始位置/>，各关节初始速度/>、初始位置/>，初始时刻/>；并初始自适应梯度神经网络步长/>和采样间隔/>；设定稳态阈值/>以及终止时间/>。
具体地，当前时刻自适应梯度神经网络对应的李亚普洛夫函数为：
初始化时，。
具体地，S3中，若，估计的下一时刻的李亚普洛夫函数/>为：
其中，表示在当前时刻对自适应梯度神经网络进行采样保持，得到以自适应梯度神经网络步长/>为自变量的估计的下一时刻的机械臂各关节的速度信息。
将估计的下一时刻的机械臂各关节的速度信息代入李亚普洛夫函数中，得到估计的下一时刻的李亚普洛夫函数。
本发明实施例中，若，构建的自适应步长触发函数/>为：
其中，为触发收敛系数，/>，根据经验设定。
进一步可以展开为：
以作为触发条件，求解满足触发条件的自适应步长/>，得到的满足触发条件的自适应步长/>均为有效的步长。
具体地，将得到的满足触发条件的自适应步长作为自适应梯度神经网络当前时刻的自适应步长，自适应梯度神经网络输出下一时刻/>机械臂各关节的速度信息：
作为优选，以作为触发条件，得到的自适应步长为最优的自适应步长/>。
具体地，S4中，更新机械臂运动规划模型的各状态变量，包括，/>，/>；跳转至S2，将更新后的状态变量重新输入至自适应梯度神经网络中进行下一次的迭代，直至迭代时间超过设定的终止时间/>。
具体地，S4中，根据每个时刻机械臂各关节的速度信息，进行机器臂运动规划任务，包括：
根据机器臂运动规划模型中各机器臂各关节速度和机器臂末端执行器速度的关系，得到每个时刻机器臂末端执行器速度信息；
对每个时刻机器臂末端执行器速度信息进行积分可获取机器臂末端执行器位置序列信息；
将机器臂末端执行器位置序列信息转化为机器臂运动规划的控制信号传递至下位机控制器，以进行机器臂运动规划任务。
作为本发明的进一步设计，S3中还包括：
若，则在当前时刻对自适应梯度神经网络进行采样保持，得到以自适应梯度神经网络采样间隔为自变量的估计的下一时刻的机械臂各关节的速度，进而得到估计的下一时刻的李亚普洛夫函数/>；计算估计的下一时刻的李亚普洛夫函数与当前时刻的李亚普洛夫函数/>差值的绝对值/>，用该差值的绝对值/>与当前时刻李亚普洛夫函数的差值构建自适应采样间隔触发函数/>；以作为触发条件，求解满足触发条件的自适应采样间隔/>；
并将得到的满足触发条件的自适应采样间隔作为自适应梯度神经网络当前时刻的自适应采样间隔，自适应梯度神经网络输出下一时刻/>机械臂各关节的速度信息；更新当前时刻/>为/>；
具体地，当时，估计的下一时刻的李亚普洛夫函数/>为：
其中，表示对自适应梯度神经网络进行采样保持后，得到的以自适应梯度神经网络采样间隔/>为自变量的估计的下一时刻的机械臂各关节的速度；
将该估计的下一时刻的机械臂各关节的速度代入李亚普洛夫函数，得到估计的下一时刻的李亚普洛夫函数。
对应地，构建的自适应采样间隔触发函数为：
其中，为触发收敛系数，/>，根据经验设定。
进一步可以展开为：
以作为触发条件，求解满足触发条件的自适应采样间隔，得到的满足触发条件的自适应采样间隔/>均为有效的采样间隔。
将得到的满足触发条件的自适应采样间隔作为自适应梯度神经网络当前时刻的采样间隔，自适应梯度神经网络输出下一时刻/>机械臂各关节的速度信息：
作为优选，以作为触发条件，得到的自适应采样间隔为最优的自适应采样间隔/>。
下面以具体实施例对本发明的基于状态触发自适应梯度神经网络的机械臂运动规划方法进一步说明。
具体地，利用MATLAB软件以及二自由度的机器臂指定同一路径重复进行运动生成为例对本发明的方法进行实验仿真。
初始时刻，获取的机器臂末端执行器的初始速度/>、初始位置/>，各关节初始速度/>、初始位置/>，初始雅可比矩阵/>及初始自适应系数/>分别为：
自适应梯度神经网络的初始步长，触发收敛系数/>，初始采样间隔/>，稳态阈值/>，终止时间/>；
采用本发明的方法使机械臂末端执行器执行三叶草轨迹的运动生成，仿真结果如图2所示，图3和图4为三叶草轨迹的运动生成过程中对应的自适应步长和自适应采样间隔/>；图2中的实线表示两个关节的运动状态，虚线为三叶草轨迹；可以看出，机械臂末端执行器精准执行了三叶草轨迹的运动生成，并且各关节角度运动合理，体现了本发明方法具有较高的准确度。
如图5所示，采用本发明的方法，机械臂末端执行器运动生成轨迹在二维空间上的位置误差，纵轴表示位置误差，单位为米（m）；实线代表二维空间上水平方向上机械臂末端执行器的位置误差，其最大位置误差不超过/>，虚线/>代表二维空间上垂直方向上机械臂末端执行器的位置误差，其最大位置误差不超过/>，并且对应方向上的位置误差抖动较小，进一步体现了本发明方法具有较高的准确度。
如图6所示，与现有采用固定步长和固定采样间隔的自适应梯度神经网络的机械臂运动规划方法相比，水平方向上机械臂末端执行器的位置的最大位置误差（实线）超过/>，垂直方向上机械臂末端执行器的最大位置误差（虚线/>）超过，并且两个方向的位置误差均存在较大的抖动。
如图7所示，采用本发明的方法，机械臂末端执行器运动生成轨迹对应的各关节角速度状态，其中实线和虚线/>分别表示机器臂的第一关节和第二关节的角速度随时间产生运动状态轨迹，二者状态轨迹平滑连续，进一步体现了本发明方法具有较高的准确度。
本发明的基于状态触发自适应梯度神经网络的机械臂运动规划方法，当时，表明机械臂运动规划模型的误差比较大，为了将误差降低在一个较小的吸引域范围内，根据当前时刻机械臂运动规划模型的各状态，通过估计的以自适应梯度神经网络步长/>为自变量下一时刻的李亚普洛夫函数/>与当前时刻的李亚普洛夫函数/>构建自适应步长触发函数/>，求解满足触发条件的自适应步长/>，将其作为自适应梯度神经网络当前时刻的自适应步长，以计算下一时刻机械臂各关节的速度信息；以作为触发条件得到的自适应步长/>能够使得下一时刻的模型误差小于当前时刻的模型误差；本发明的方法，每个时刻均采用优化的自适应步长进行下一时刻机械臂各关节的速度信息的计算，避免求解的机器臂各关节速度饱和，也减小了固定应步长下模型的误差；并且在自适应步长计算过程中，充分利用了估计的下一时刻的能够反映机械臂运动规划模型误差的李亚普洛夫函数信息，提升了自适应梯度神经网络求解的准确度，进而提升机械臂运动规划的准确度。
当时，此时机械臂运动规划模型的误差已经收敛至较好的范围，但是由于每个时刻输入至自适应梯度神经网络的各状态变量的更新导致自适应梯度神经网络求解的机械臂各关节的速度信息存在动态滞后误差，本发明通过估计的以自适应梯度神经网络采样间隔为自变量的下一时刻的李亚普洛夫函数/>与当前时刻的李亚普洛夫函数构建自适应采样间隔触发函数/>，求解满足触发条件的自适应采样间隔/>，将其作为自适应梯度神经网络当前时刻的自适应采样间隔，以计算下一时刻机械臂各关节的速度信息；以/>作为触发条件得到的自适应采样间隔/>能够使得下一时刻的模型误差小于当前时刻的模型误差；本发明的方法，每个时刻均采用优化的自适应采样间隔/>进行下一时刻机械臂各关节的速度信息的计算，减小了在固定采样间隔下求解的机械臂各关节的速度存在的固定的滞后误差；并且在自适应采样间隔/>计算过程中，充分利用了估计的下一时刻的能够反映机械臂运动规划模型误差的李亚普洛夫函数信息，提升了自适应梯度神经网络求解的准确度，进而提升机械臂运动规划的准确度。
同时，本发明的方法，基于自适应梯度神经网络求解机械臂各关节的速度信息，避免了对实际空间与机械臂关节空间的关系矩阵进行求伪逆，可以提升机械臂运动规划的求解效率。
作为优选，以作为触发条件得到的最优的自适应步长，能够使得下一时刻的模型误差尽最大程度上小于当前时刻的模型误差，进一步提升机械臂运动规划的准确度。
作为优选，以作为触发条件得到的最优的自采样间隔/>，能够使得下一时刻的模型误差尽最大程度上小于当前时刻的模型误差，进一步提升机械臂运动规划的准确度。
通过本发明的自适应采样触发方案，计算当前时刻自适应梯度神经网络最优的自适应步长或者采样间隔，大幅提高自适应梯度神经网络用于机械臂运动规划的效率和准确度。
本发明还提供了一种基于状态触发自适应梯度神经网络的机械臂运动规划系统，
包括计算机可读存储介质和处理器；
计算机可读存储介质用于存储可执行指令；
处理器用于读取计算机可读存储介质中存储的可执行指令执行上述实施例中的基于状态触发自适应梯度神经网络的机械臂运动规划方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例中的基于状态触发自适应梯度神经网络的机械臂运动规划方法。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于状态触发自适应梯度神经网络的机械臂运动规划方法，其特征在于，包括：
S1、构建机械臂运动规划模型；
S2、将当前时刻所述运动规划模型的各状态变量输入至自适应梯度神经网络，计算当前时刻与上一时刻对应的李亚普洛夫函数差值的绝对值/>；
S3、若，则在当前时刻对所述自适应梯度神经网络进行采样保持，以获取以步长/>为自变量估计的下一时刻的李亚普洛夫函数/>，用估计的下一时刻的李亚普洛夫函数/>和当前时刻的李亚普洛夫函数/>构建自适应步长触发函数/>；以为触发条件，求解满足触发条件的自适应步长；
并将所述自适应步长作为所述自适应梯度神经网络当前时刻的步长，使所述自适应梯度神经网络输出下一时刻机械臂各关节的速度信息；并更新当前时刻为/>；其中，为所述自适应梯度神经网络的采样间隔，/>为预设的稳态阈值；
S4、更新所述运动规划模型的各状态变量，并跳转至S2，直至当前时刻超过设定的终止时间，得到每个时刻机械臂各关节的速度信息，以进行机器臂运动规划任务。
2.根据权利要求1所述的机械臂运动规划方法，其特征在于，S3中还包括：
若，则在当前时刻对所述自适应梯度神经网络进行采样保持，以获取以采样间隔/>为自变量估计的下一时刻的李亚普洛夫函数/>，用估计的下一时刻的李亚普洛夫函数/>和当前时刻的李亚普洛夫函数/>构建自适应采样间隔触发函数/>；以作为触发条件，求解满足触发条件的自适应采样间隔/>；
并将所述自适应采样间隔作为所述自适应梯度神经网络当前时刻的自适应采样间隔，使所述自适应梯度神经网络输出下一时刻机械臂各关节的速度信息；更新当前时刻/>为。
3.根据权利要求1所述的机械臂运动规划方法，其特征在于，用估计的下一时刻的李亚普洛夫函数和当前时刻的李亚普洛夫函数/>构建的自适应步长触发函数/>为：
其中，为触发收敛系数，/>。
4.根据权利要求3所述的机械臂运动规划方法，其特征在于，所述触发条件为：。
5.根据权利要求1所述的机械臂运动规划方法，其特征在于，在当前时刻对所述自适应梯度神经网络进行采样保持，以获取以步长为自变量估计的下一时刻的李亚普洛夫函数，包括：
在当前时刻对所述自适应梯度神经网络进行采样保持，得到以步长为自变量估计的下一时刻的机械臂各关节的速度信息；
将所述速度信息代入李亚普洛夫函数中，得到所述估计的下一时刻的李亚普洛夫函数。
6.根据权利要求2所述的机械臂运动规划方法，其特征在于，用估计的下一时刻的李亚普洛夫函数和当前时刻的李亚普洛夫函数/>构建的自适应采样间隔触发函数为：
其中，为触发收敛系数，/>。
7.根据权利要求6所述的机械臂运动规划方法，其特征在于，所述触发条件为：。
8.根据权利要求1所述的机械臂运动规划方法，其特征在于，S4中，用每个时刻机械臂各关节的速度信息，进行机器臂运动规划任务，包括：
根据机器臂运动规划模型中各机器臂各关节速度和机器臂末端执行器速度的关系，得到每个时刻机器臂末端执行器速度信息；
对每个时刻机器臂末端执行器速度信息进行积分得到机器臂末端执行器位置序列信息；
将机器臂末端执行器位置序列信息转化为机器臂运动规划的控制信号传递至下位机控制器，进行机器臂运动规划任务。
9.一种基于状态触发自适应梯度神经网络的机械臂运动规划系统，其特征在于，包括计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令执行权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8任一项所述的方法。
CN202410012375.3A 2024-01-04 2024-01-04 基于状态触发自适应梯度神经网络的机械臂运动规划方法 Active CN117506939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410012375.3A CN117506939B (zh) 2024-01-04 2024-01-04 基于状态触发自适应梯度神经网络的机械臂运动规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410012375.3A CN117506939B (zh) 2024-01-04 2024-01-04 基于状态触发自适应梯度神经网络的机械臂运动规划方法

Publications (2)

Publication Number Publication Date
CN117506939A true CN117506939A (zh) 2024-02-06
CN117506939B CN117506939B (zh) 2024-03-29

Family

ID=89766830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410012375.3A Active CN117506939B (zh) 2024-01-04 2024-01-04 基于状态触发自适应梯度神经网络的机械臂运动规划方法

Country Status (1)

Country Link
CN (1) CN117506939B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110170992A (zh) * 2019-04-02 2019-08-27 长春工业大学 一种基于动态规划的模块化机械臂多故障容错控制方法
CN113547501A (zh) * 2021-07-29 2021-10-26 中国科学技术大学 一种基于slam的移动机械臂推车任务规划与控制方法
DE202022106229U1 (de) * 2022-11-07 2022-11-21 Manas Kumar BERA Ein System zum Entwurf einer ereignisgesteuerten robusten Steuerung für die Bewegungssteuerung eines mobilen Roboters
CN115857353A (zh) * 2022-12-08 2023-03-28 深圳市华成工业控制股份有限公司 一种事件触发机制的模块化机器人分散力/位置最优控制方法
CN115990888A (zh) * 2023-03-22 2023-04-21 西南石油大学 一种具有死区和时变约束功能的机械臂控制方法
CN116000919A (zh) * 2022-12-08 2023-04-25 广州大学 一种带死区的单连杆机械臂系统的全状态约束控制方法
CN117226849A (zh) * 2023-11-09 2023-12-15 广东工业大学 多机械臂自适应滑模控制方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110170992A (zh) * 2019-04-02 2019-08-27 长春工业大学 一种基于动态规划的模块化机械臂多故障容错控制方法
CN113547501A (zh) * 2021-07-29 2021-10-26 中国科学技术大学 一种基于slam的移动机械臂推车任务规划与控制方法
DE202022106229U1 (de) * 2022-11-07 2022-11-21 Manas Kumar BERA Ein System zum Entwurf einer ereignisgesteuerten robusten Steuerung für die Bewegungssteuerung eines mobilen Roboters
CN115857353A (zh) * 2022-12-08 2023-03-28 深圳市华成工业控制股份有限公司 一种事件触发机制的模块化机器人分散力/位置最优控制方法
CN116000919A (zh) * 2022-12-08 2023-04-25 广州大学 一种带死区的单连杆机械臂系统的全状态约束控制方法
CN115990888A (zh) * 2023-03-22 2023-04-21 西南石油大学 一种具有死区和时变约束功能的机械臂控制方法
CN117226849A (zh) * 2023-11-09 2023-12-15 广东工业大学 多机械臂自适应滑模控制方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
董早鹏;刘涛;万磊;李岳明;廖煜雷;梁兴威;: "基于Takagi-Sugeno模糊神经网络的欠驱动无人艇直线航迹跟踪控制", 仪器仪表学报, no. 04, 15 April 2015 (2015-04-15) *
邓志东，孙增圻，刘建伟: "神经网络异步自学习控制系统", 自动化学报, no. 05, 19 September 1995 (1995-09-19) *

Also Published As

Publication number Publication date
CN117506939B (zh) 2024-03-29

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
CN101402199B (zh) 基于视觉的手眼式低伺服精度机器人抓取移动目标的方法
Zhang et al. A dual neural network for redundancy resolution of kinematically redundant manipulators subject to joint limits and joint velocity limits
US8396595B2 (en) Real-time self collision and obstacle avoidance using weighting matrix
CN109669479B (zh) 一种基于事件触发的移动机器人轨迹跟踪控制方法
CN111230873B (zh) 一种基于示教学习的协作搬运控制系统及方法
CN114952868B (zh) 7自由度srs型机械臂控制方法及装置、弹琴机器人
JP2012130977A (ja) ロボット制御装置
CN102363301A (zh) 机器人拟人手指自适应指尖力跟踪控制方法
CN112809666B (zh) 一种基于神经网络的5-dof机械臂力位跟踪算法
CN115890735B (zh) 机械臂系统、机械臂及其控制方法、控制器和存储介质
WO2011106239A1 (en) Constrained resolved acceleration control
CN109623812B (zh) 考虑航天器本体姿态运动的机械臂轨迹规划方法
Ruchanurucks et al. Humanoid robot motion generation with sequential physical constraints
Drexler Solution of the closed-loop inverse kinematics algorithm using the Crank-Nicolson method
CN109240092A (zh) 基于多智能体可重构模块化柔性机械臂轨迹跟踪控制方法
CN114179089B (zh) 一种机械臂的鲁棒区域跟踪控制方法
Bai et al. Sliding mode nonlinear disturbance observer-based adaptive back-stepping control of a humanoid robotic dual manipulator
Yang et al. Control of space flexible manipulator using soft actor-critic and random network distillation
CN117506939B (zh) 基于状态触发自适应梯度神经网络的机械臂运动规划方法
JP7375587B2 (ja) 軌道生成装置、多リンクシステム、及び軌道生成方法
Al-Shuka et al. Adaptive hybrid regressor and approximation control of robotic manipulators in constrained space
CN113954077B (zh) 带有能量优化的水下游动机械臂轨迹跟踪控制方法及装置
Dian et al. A Novel Disturbance-Rejection Control Framework for Cable-Driven Continuum Robots With Improved State Parameterizations
CN113370205B (zh) 一种基于机器学习的Baxter机械臂轨迹跟踪控制方法

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