CN117891282A - 一种无需标签数据的凿岩台车钻臂逆运动控制方法及装置 - Google Patents
一种无需标签数据的凿岩台车钻臂逆运动控制方法及装置 Download PDFInfo
- Publication number
- CN117891282A CN117891282A CN202410044948.0A CN202410044948A CN117891282A CN 117891282 A CN117891282 A CN 117891282A CN 202410044948 A CN202410044948 A CN 202410044948A CN 117891282 A CN117891282 A CN 117891282A
- Authority
- CN
- China
- Prior art keywords
- function
- drill
- joint
- dimensional input
- boom
- 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 73
- 230000002441 reversible effect Effects 0.000 title claims abstract description 41
- 238000010276 construction Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000005553 drilling Methods 0.000 claims abstract description 25
- 239000012636 effector Substances 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 153
- 230000014509 gene expression Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/10—Making by using boring or cutting machines
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D3/00—Control of position or direction
- G05D3/12—Control of position or direction using feedback
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Automation & Control Theory (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Earth Drilling (AREA)
Abstract
本发明涉及机械臂控制技术领域，特别是指一种无需标签数据的凿岩台车钻臂逆运动控制方法及装置。无需标签数据的凿岩台车钻臂逆运动控制方法包括：根据目标炮孔位置信息进行输入信息构建，获得目标炮孔的样本六维输入；基于深度神经网络结构进行模型构建，获得待训练运动预测模型；构建误差函数以及安全约束函数；采用样本六维输入，根据误差函数以及安全约束函数，对待训练运动预测模型进行离线训练，获得运动预测模型；根据样本六维输入，通过运动预测模型进行在线预测，获得关节变量；根据关节变量进行正运动学计算，得到末端执行器位置进行钻孔。本发明是一种面对凿岩台车的基于神经网络的高效、准确的钻臂逆运动控制方法。
Description
技术领域
本发明涉及机械臂控制技术领域，特别是指一种无需标签数据的凿岩台车钻臂逆运动控制方法及装置。
背景技术
凿岩台车是一种在矿山、隧道工程领域采用钻爆法施工的凿岩设备，它能够支持使用一台或多台凿岩机，配备单个或多个钻臂进行钻眼作业。在目前兴起的无人化凿岩台车上，其核心技术在于钻臂的智能化控制，要满足钻臂带动凿岩机钎杆进行自主寻孔、钻孔的功能。然而，台车钻臂往往具有多个自由度，属于冗余机构，其逆运动学求解过程较为复杂，只采用解析法、几何法很难直接求解出合适的关节运动量。求解出合适的关节姿态对于降低企业生产成本、减少生产安全事故以及提高生产效率等方面有着巨大的潜力。
当前针对冗余机械臂的主流运动学控制方法为解析法与几何法的结合、PSO粒子群算法、神经网络算法。解析法与几何法的结合着重于利用部分相邻关节之间的几何共线关系，来确定特定的中间关节角度，进而通过这种映射关系推导出其他关节角度，但这种方法对机械臂结构要求较高，通用性不强，并且利用解析法在逆运动学求解过程中往往会耗费大量时间。PSO粒子群算法，用于求解钻臂末端执行器的逆运动学问题，取得了较高的控制精度。然而，该算法容易陷入局部解，且对参数变化较为敏感。
近年来随着人工智能技术的不断发展，神经网络在函数逼近、模式识别等领域得到广泛应用，这也为解决冗余机构的逆运动学问题提供了新的研究方向。目前主要的神经网络控制方法依托监督学习框架，利用正运动学产生带标签数据，来对钻臂数据样本进行训练和预测，从而实现较高的孔位精度，但这种方法可能出现多套关节对应同一输出以及生成标签数据分布通常与实际作业分布不匹配的问题，严重影响逆运动学的求解过程。此外，现有的神经网络求解逆运动学方法大多没有考虑安全约束，存在较高的碰撞风险，因此难以进行实际应用。
在现有技术中，缺乏一种面对凿岩台车的基于神经网络的高效、准确的钻臂逆运动控制方法。
发明内容
为了解决现有技术存在的标签数据分布与实际作业分布不匹配的技术问题，本发明实施例提供了一种无需标签数据的凿岩台车钻臂逆运动控制方法及装置。所述技术方案如下：
一方面，提供了一种无需标签数据的凿岩台车钻臂逆运动控制方法，该方法由凿岩台车钻臂逆运动控制设备实现，该方法包括：
获取凿岩台车钻臂的目标炮孔位置信息；根据所述目标炮孔位置信息进行输入信息构建，获得目标炮孔的样本六维输入；
基于深度神经网络结构进行模型构建，获得待训练运动预测模型；
根据所述待训练运动预测模型进行函数构建，获得误差函数；
基于预设的安全距离进行函数构建，获得安全约束函数；
采用所述样本六维输入，根据所述误差函数以及安全约束函数，对所述待训练运动预测模型进行离线训练，获得运动预测模型；
获取凿岩台车钻臂的真实六维输入；根据所述真实六维输入，通过所述运动预测模型进行在线预测，获得关节变量；
根据所述关节变量进行正运动学计算，得到末端执行器位置；根据所述末端执行器位置进行钻孔。
其中，所述目标炮孔位置信息包括目标炮孔的真实起始点位置信息以及真实末端点位置信息。
可选地，所述根据所述待训练运动预测模型进行函数构建，获得误差函数，包括：
根据所述待训练运动预测模型，获得预测末端点数学表达式；
根据所述预测末端点数学表达式以及真实起始点位置信息进行输入量构建，获得预测六维输入；
根据所述样本六维输入以及所述预测六维输入进行函数构建，获得误差函数。
其中，所述安全约束函数包括关节自身约束函数；
所述关节自身约束函数用于防止关节之间的运动碰撞；
所述关节自身约束函数公式如下式(1)所示：
其中，dsatety代表了各个投影方向的安全距离；dk代表各个投影方向的实际距离；Q为惩罚系数；为数学期望运算符号；ReLU为线性整流函数。
其中，所述安全约束函数包括关节巷道约束函数；
所述关节巷道约束函数用于防止关节巷道之间的运动碰撞；
所述关节巷道约束函数公式如下式(2)所示：
其中，dwall是超出巷道两侧的安全距离；是各个关节变量在y轴上的坐标投影；为数学期望运算符号；ReLU为线性整流函数。
另一方面，提供了一种无需标签数据的凿岩台车钻臂逆运动控制装置，该装置应用于一种无需标签数据的凿岩台车钻臂逆运动控制方法，该装置包括：
样本输入获取模块，用于获取凿岩台车钻臂的目标炮孔位置信息；根据所述目标炮孔位置信息进行输入信息构建，获得目标炮孔的样本六维输入；
模型构建模块，用于基于深度神经网络结构进行模型构建，获得待训练运动预测模型；
误差函数构建模块，用于根据所述待训练运动预测模型进行函数构建，获得误差函数；
安全约束函数构建模块，用于基于预设的安全距离进行函数构建，获得安全约束函数；
模型训练模块，用于采用所述样本六维输入，根据所述误差函数以及安全约束函数，对所述待训练运动预测模型进行离线训练，获得运动预测模型；
关节变量预测模块，用于获取凿岩台车钻臂的真实六维输入；根据所述真实六维输入，通过所述运动预测模型进行在线预测，获得关节变量；
钻孔执行模块，用于根据关节变量进行正运动学计算，得到末端执行器位置；根据末端执行器位置进行钻孔。
其中，所述目标炮孔位置信息包括目标炮孔的真实起始点位置信息以及真实末端点位置信息。
可选地，所述误差函数构建模块，进一步用于：
根据所述待训练运动预测模型，获得预测末端点数学表达式；
根据所述预测末端点数学表达式以及真实起始点位置信息进行输入量构建，获得预测六维输入；
根据所述样本六维输入以及所述预测六维输入进行函数构建，获得误差函数。
其中，所述安全约束函数包括关节自身约束函数；
所述关节自身约束函数用于防止关节之间的运动碰撞；
所述关节自身约束函数公式如下式(1)所示：
其中，dsatety代表了各个投影方向的安全距离；dk代表求出的各个方向实际投影距离；Q为惩罚系数；dk代表各个投影方向的实际距离；Q为惩罚系数；为数学期望运算符号；ReLU为线性整流函数。
其中，所述安全约束函数包括关节巷道约束函数；
所述关节巷道约束函数用于防止关节巷道之间的运动碰撞；
所述关节巷道约束函数公式如下式(2)所示：
其中，dwall是超出巷道两侧的安全距离；是各个关节变量在y轴上的坐标投影；为数学期望运算符号；ReLU为线性整流函数。
另一方面，提供一种凿岩台车钻臂逆运动控制设备，所述凿岩台车钻臂逆运动控制设备包括：处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如上述一种无需标签数据的凿岩台车钻臂逆运动控制方法中的任一项方法。
另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述一种无需标签数据的凿岩台车钻臂逆运动控制方法中的任一项方法。
本发明实施例提供的技术方案带来的有益效果至少包括：
本发明提出一种无需标签数据的凿岩台车钻臂逆运动控制方法，建立与实际巷道一致的坐标信息作为运动预测模型的数据集，区别于传统神经网络模型以关节变量正运动学获得的数据，数据更为真实，且构造简单；通过设计的无需标签数据的深度神经网络的运动预测模型，以目标孔位和逆运动学求解得到关节量生成的孔位差值，构造优化目标驱动网络更新，大幅提高了逆运动学控制精度；通过构造约束函数，代入逆运动学求解目标中，对关节进行安全限制，有效降低关节发生碰撞的可能；本发明通过运动预测模型，根据六维坐标信息输入直接输出各个关节状态变量，控制效率高。本发明是一种面对凿岩台车的基于神经网络的高效、准确的钻臂逆运动控制方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种无需标签数据的凿岩台车钻臂逆运动控制方法流程图；
图2是本发明实施例提供的一种凿岩台车钻臂工作示意图；
图3是本发明实施例提供的一种无需标签数据的凿岩台车钻臂逆运动控制的单步平均求解时间对比示意图；
图4是本发明实施例提供的一种无需标签数据的凿岩台车钻臂逆运动控制的平均精度对比示意图；
图5是本发明实施例提供的一种无需标签数据的凿岩台车钻臂逆运动控制装置框图；
图6是本发明实施例提供的一种凿岩台车钻臂逆运动控制设备的结构示意图。
具体实施方式
下面结合附图，对本发明中的技术方案进行描述。
在本发明实施例中，“示例地”、“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用示例的一词旨在以具体方式呈现概念。此外，在本发明实施例中，“和/或”所表达的含义可以是两者都有，或者可以是两者任选其一。
本发明实施例中，“图像”，“图片”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。“的(of)”，“相应的(corresponding，relevant)”和“对应的(corresponding)”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。
本发明实施例中，有时候下标如W1可能会笔误为非下标的形式如W1，在不强调其区别时，其所要表达的含义是一致的。
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种无需标签数据的凿岩台车钻臂逆运动控制方法，该方法可以由凿岩台车钻臂逆运动控制设备实现，该凿岩台车钻臂逆运动控制设备可以是终端或服务器。如图1所示的一种无需标签数据的凿岩台车钻臂逆运动控制方法流程图，该方法的处理流程可以包括如下的步骤：
S1、获取凿岩台车钻臂的目标炮孔位置信息；根据目标炮孔位置信息进行输入信息构建，获得目标炮孔的样本六维输入。
其中，目标炮孔位置信息包括目标炮孔的真实起始点位置信息以及真实末端点位置信息。
一种可行的实施方式中，凿岩台车的钻臂属于多自由度冗余机构，该结构可以看作为多连杆串联而成，凿岩台车工作方式如图2所示。根据(Denavit-Hartenberg，D-H)D-H矩阵方法为钻臂各连杆建立坐标系，对于移动关节，连杆偏距d是关节变量；对于旋转关节，关节角θ为关节变量；关节扭角α、连杆长度a由具体钻臂参数确定。将钻臂的D-H坐标系与台车所在的大地坐标系进行统一，直观获取各个关节所在位置。
根据建立的D-H坐标系和给定的D-H参数推导各个连杆的齐次变换矩阵如下式(1)所示：
其中，Rot(X，αn-1)、Rot(Z，θn)为各连杆绕x轴、z轴得到的旋转矩阵；Trans(X，an-1)、Trans(Z，dn)为各连杆沿x轴、z轴得到的平移矩阵。
末端执行器相对于基坐标系的转换方式如下式(2)所示：
根据上式得到末端姿态的变换矩阵如下式(3)：
其中，[n o a]为钻臂末端相对于基坐标系的旋转矩阵；[px py pz]为钻臂末端相对于基坐标系的位置。
为直观表示末端执行器在空间状态中的位置，结合钻孔深度，其计算方法如下式(4)、(5)所示：
[x1，y1，z1]T＝[px，py，pz]T (4)
其中，(x1，y1，z1)为末端执行器的起始点坐标，(x2，y2，z2)为末端执行器的终点坐标，depth为孔的深度，利用旋转矩阵在z轴方向的投影求解出其末端点位置，则六维输入的数学表达式如下式(6)所示：
P＝[(x1，y1，z1)，(x2，y2，z2)]T (6)
根据目标炮孔位置信息构建逆运动学求解过程中的样本六维输入。
S2、基于深度神经网络结构进行模型构建，获得待训练运动预测模型。
一种可行的实施方式中，为拟合出复杂的非线性函数，选择多层前馈网络作为网络类型，其中隐含层被设计为至少三层，每层包含多个节点。在本发明的网络结构中，选择了GeLU函数作为各隐含层的激活函数，保证了在较多的数据集中表现出较好的鲁棒性。优化器选择使用Adam优化器用于处理线性回归问题，自适应梯度改变参数更新步长；学习率通过scheduler设置为线性退火，在训练过程中，不断减小震荡，提高精度。
将神经网络求解逆运动学的函数表达式如下式(7)所示：
Θ＝f(P；ω) (7)
其中，f为求逆网络，ω为待优化网络参数，P为输入样本数据；Θ＝[θ1，θ2，θ3，...]T为输出的关节变量。
S3、根据待训练运动预测模型进行函数构建，获得误差函数。
可选地，根据待训练运动预测模型进行函数构建，获得误差函数，包括：
根据待训练运动预测模型，获得预测末端点数学表达式；
根据预测末端点数学表达式以及真实起始点位置信息进行输入量构建，获得预测六维输入；
根据样本六维输入以及预测六维输入进行函数构建，获得误差函数。
一种可行的实施方式中，区别于以传统标签为数据的神经网络方案，无需标签数据的神经网络方案对网络直接输出的关节量进行正运动学计算，其预测孔位，以期望孔位坐标与预测孔位坐标差值构造误差函数lpos，其数学表达式如下式(8)所示：
其中，P为样本六维输入数据，为预测六维输入数据，lpos计算了总的平均误差期望。
S4、基于预设的安全距离进行函数构建，获得安全约束函数。
一种可行的实施方式中，由于凿岩台车钻臂推进梁的特殊结构，在实际运动过程中，其与周围的巷道环境之间存在较大的碰撞风险。因此，在实际控制过程中，需要引入约束条件来对关节运动范围进行限制。
其中，安全约束函数包括自身约束函数；
关节自身约束函数用于防止关节之间的运动碰撞；
关节自身约束函数公式如下式(9)所示：
其中，dsatety代表了各个投影方向的安全距离；dk代表各个投影方向的实际距离；Q为惩罚系数；为数学期望运算符号；ReLU为线性整流函数。
一种可行的实施方式中，在D-H坐标系中，将各个实际关节进行圆柱体包络面的简化，提取出式(4)提到的各个关节末端点坐标，将它们组成的空间向量L1进行空间向量转换，其数学表达式如下式(10)：
其中，Ai、Aj代表不同的空间坐标，代表了关节末端点i、j在坐标系上的投影，将简化的空间关节视为一条直线，后续在进行碰撞检测过程中加上关节半径r。
对其中一组空间向量L1求解另一组空间向量L2的投影长度dk，可以通过向量点乘得到，其计算公式如下式(11)、(12)：
dk＝L1·L2＝|L1|·|L2|·cosθk (11)
dk≥r1+r2 (12)
其中，k∈(x，y，z)代表包络面在正交坐标系的投影分量，θ为向量夹角，通过衡量各个方向的实际距离与两个关节半径的关系来判断是否发生碰撞，当实际距离大于关节之间则关节之间安全。
关节与环境之间的碰撞需保证各个关节在y方向的投影长度小于巷道内部的最大长度，即违反上述的大小关系，则视为关节发生碰撞。
根据实际条件进行外部约束的构建，借助ReLU函数将不等式问题转化为等式问题，将超出安全距离的数值进行保留，关节自身约束函数的构造如式(9)：
其中，dsatety代表了各个投影方向的安全距离；dk代表求出的各个方向实际投影距离；Q为惩罚系数，根据实际应用场景确定。
其中，安全约束函数包括关节巷道约束函数；
关节巷道约束函数用于防止关节巷道之间的运动碰撞；
关节巷道约束函数公式如下式(13)所示：
其中，dwall是超出巷道两侧的安全距离；是各个关节变量在y轴上的坐标投影；/>为数学期望运算符号；ReLU为线性整流函数。
一种可行的实施方式中，与关节自身约束函数同理，各个关节与巷道环境的关节巷道约束函数构造如式(13)：
其中，dwall是超出巷道两侧的安全距离，根据当前隧道信息设置为2.0m；是各个关节变量在y轴上的坐标投影。
S5、采用样本六维输入，根据误差函数以及安全约束函数，对待训练运动预测模型进行离线训练，获得运动预测模型。
一种可行的实施方式中，在网络训练过程中，将lpos作为目标函数，lself和lwall作为等式约束，形成总的求解目标值如下式(14)所示：
其中，α、β分别代表不同的权重，来满足既符合实际钻孔精度，又不会发生碰撞的函数需求。在满足安全性的前提，需要尽可能增大精度的权重，降低寻孔误差。
利用求解得到的目标函数值求梯度，对于批量计算的值网络梯度求平均后，对网络参数实施梯度下降，其数学表达式如下式(15)、(16)：
ω′＝ω+Δω (16)
其中，ω′为更新后的权重，ω为当前的权重，α为学习率，控制更新步长；为目标函数关于权重的梯度，表明目标函数在当前权重值处的变化方向，根据目标函数值调整连接权值。
如果寻孔误差函数lpos＞0.01cm，则表明策略还未收敛，继续进行求解；反之则表明在误差范围内策略已收敛，此时的寻孔误差较小，输出即为最优参数化策略。
S6、获取凿岩台车钻臂的真实六维输入；根据真实六维输入，通过运动预测模型进行在线预测，获得关节变量。
一种可行的实施方式中，通过对策略网络进行如上离线预训练，求得最优化参数，利用参数对应的策略网络结合当前状态孔位信息，从模型直接输出各个关节变量，如推进梁的移动关节d和转动关节θ。
S7、根据关节变量进行正运动学计算，得到末端执行器位置；根据末端执行器位置进行钻孔。
一种可行的实施方式中，本发明使用10万组巷道输入数据经过10万次迭代学习进行预测输出。本发明将引入约束的惩罚函数代入到深度神经网络以及传统神经网络训练得到的测试结果如表1(控制方案平均精度和碰撞率对比表)所示。
表1
| 方案 | 平均精度(cm) | 碰撞率 |
| 传统神经网络控制法 | 2.2 | 5.5％ |
| 带约束的传统神经网络控制法 | 3.05 | 0.01％ |
| 深度神经网络控制法 | 0.54 | 50％ |
| 带约束的深度神经网络控制法 | 0.7 | 0.6％ |
本发明提出的安全约束函数可以将碰撞率显著降低至0.6％。神经网络单步求解时间与带有约束函数的神经网络单步求解时间均优于数值求解的时间，如图3所示；深度神经网络训练控制精度均优于其他方法，平均精度提升了3倍以上，如图4所示。本发明具有较大的现实意义，实现了凿岩台车钻臂逆运动学控制的控制精度高、关节运动安全、控制实时性好的目的。
本发明提出一种无需标签数据的凿岩台车钻臂逆运动控制方法，建立与实际巷道一致的坐标信息作为运动预测模型的数据集，区别于传统神经网络模型以关节变量正运动学获得的数据，数据更为真实，且构造简单；通过设计的无需标签数据的深度神经网络的运动预测模型，以目标孔位和逆运动学孔位差值构造优化目标驱动网络更新，大幅提高了逆运动学控制精度；通过构造约束函数，代入逆运动学控制目标中，对关节进行安全限制，有效降低关节发生碰撞的可能；本发明通过运动预测模型，根据六维坐标信息输入直接输出各个关节状态变量，控制效率高。本发明是一种面对凿岩台车的基于神经网络的高效、准确的钻臂逆运动控制方法。
图5是根据一示例性实施例示出的一种无需标签数据的凿岩台车钻臂逆运动控制装置框图，该装置用于一种无需标签数据的凿岩台车钻臂逆运动控制方法。参照图5，该装置包括样本输入获取模块510、模型构建模块520、误差函数构建模块530、安全约束函数构建模块540、模型训练模块550、关节变量预测模块560以及钻孔执行模块570。为了便于说明，图5仅示出了该全流程可视化装置500的主要部件：
样本输入获取模块510，用于获取凿岩台车钻臂的目标炮孔位置信息；根据目标炮孔位置信息进行输入信息构建，获得目标炮孔的样本六维输入；
模型构建模块520，用于基于深度神经网络结构进行模型构建，获得待训练运动预测模型；
误差函数构建模块530，用于根据待训练运动预测模型进行函数构建，获得误差函数；
安全约束函数构建模块540，用于基于预设的安全距离进行函数构建，获得安全约束函数；
模型训练模块550，用于采用样本六维输入，根据误差函数以及安全约束函数，对待训练运动预测模型进行离线训练，获得运动预测模型；
关节变量预测模块560，用于获取凿岩台车钻臂的真实六维输入；根据真实六维输入，通过运动预测模型进行在线预测，获得关节变量；
钻孔执行模块570，用于根据关节变量进行正运动学计算，得到末端执行器位置；根据末端执行器位置进行钻孔。
其中，目标炮孔位置信息包括目标炮孔的真实起始点位置信息以及真实末端点位置信息。
可选地，误差函数构建模块530，进一步用于：
根据待训练运动预测模型，获得预测末端点数学表达式；
根据预测末端点数学表达式以及真实起始点位置信息进行输入量构建，获得预测六维输入；
根据样本六维输入以及预测六维输入进行函数构建，获得误差函数。
其中，安全约束函数包括关节自身约束函数；
关节自身约束函数用于防止关节之间的运动碰撞；
关节自身约束函数公式如下式(1)所示：
其中，dsatety代表了各个投影方向的安全距离；dk代表各个投影方向的实际距离；Q为惩罚系数；为数学期望运算符号；ReLU为线性整流函数。
其中，安全约束函数包括关节巷道约束函数；
关节巷道约束函数用于防止关节巷道之间的运动碰撞；
关节巷道约束函数公式如下式(2)所示：
其中，dwall是超出巷道两侧的安全距离；是各个关节变量在y轴上的坐标投影；为数学期望运算符号；ReLU为线性整流函数。
本发明提出一种无需标签数据的凿岩台车钻臂逆运动控制方法，建立与实际巷道一致的坐标信息作为运动预测模型的数据集，区别于传统神经网络模型以关节变量正运动学获得的数据，数据更为真实，且构造简单；通过设计的无需标签数据的深度神经网络的运动预测模型，以目标孔位和逆运动学孔位差值构造优化目标驱动网络更新，大幅提高了逆运动学控制精度；通过构造约束函数，代入逆运动学求解目标中，对关节进行安全限制，有效降低关节发生碰撞的可能；本发明通过运动预测模型，根据六维坐标信息输入直接输出各个关节状态变量，控制效率高。本发明是一种面对凿岩台车的基于神经网络的高效、准确的钻臂逆运动控制方法。
图6是本发明实施例提供的一种凿岩台车钻臂逆运动控制设备的结构示意图，如图6所示，凿岩台车钻臂逆运动控制设备可以包括上述图5所示的一种无需标签数据的凿岩台车钻臂逆运动控制装置。可选地，凿岩台车钻臂逆运动控制设备610可以包括处理器2001。
可选地，凿岩台车钻臂逆运动控制设备610还可以包括存储器2002和收发器2003。
其中，处理器2001与存储器2002以及收发器2003，如可以通过通信总线连接。
下面结合图6对凿岩台车钻臂逆运动控制设备610的各个构成部件进行具体的介绍：
其中，处理器2001是凿岩台车钻臂逆运动控制设备610的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器2001是一个或多个中央处理器(centralprocessing unit，CPU)，也可以是特定集成电路(application specific integratedcircuit，ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路，例如：一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)。
可选地，处理器2001可以通过运行或执行存储在存储器2002内的软件程序，以及调用存储在存储器2002内的数据，执行凿岩台车钻臂逆运动控制设备610的各种功能。
在具体的实现中，作为一种实施例，处理器2001可以包括一个或多个CPU，例如图6中所示出的CPU0和CPU1。
在具体实现中，作为一种实施例，凿岩台车钻臂逆运动控制设备610也可以包括多个处理器，例如图6中所示的处理器2001和处理器2004。这些处理器中的每一个可以是一个单核处理器(single-CPU)，也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
其中，所述存储器2002用于存储执行本发明方案的软件程序，并由处理器2001来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。
可选地，存储器2002可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，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2002可以和处理器2001集成在一起，也可以独立存在，并通过凿岩台车钻臂逆运动控制设备610的接口电路(图6中未示出)与处理器2001耦合，本发明实施例对此不作具体限定。
收发器2003，用于与网络设备通信，或者与终端设备通信。
可选地，收发器2003可以包括接收器和发送器(图6中未单独示出)。其中，接收器用于实现接收功能，发送器用于实现发送功能。
可选地，收发器2003可以和处理器2001集成在一起，也可以独立存在，并通过凿岩台车钻臂逆运动控制设备610的接口电路(图6中未示出)与处理器2001耦合，本发明实施例对此不作具体限定。
需要说明的是，图6中示出的凿岩台车钻臂逆运动控制设备610的结构并不构成对该路由器的限定，实际的知识结构识别设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
此外，凿岩台车钻臂逆运动控制设备610的技术效果可以参考上述方法实施例所述的一种无需标签数据的凿岩台车钻臂逆运动控制方法的技术效果，此处不再赘述。
应理解，在本发明实施例中的处理器2001可以是中央处理单元(centralprocessing unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本发明实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random accessmemory，RAM)可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(doubledata rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
上述实施例，可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时，上述实施例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或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。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含一个或多个可用介质集合的服务器、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。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种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，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(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)，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。
应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、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，所述单元的划分，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设备，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。
所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，在本发明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。
所述功能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，本发明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，包括若干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)执行本发明各个实施例所述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，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种无需标签数据的凿岩台车钻臂逆运动控制方法，其特征在于，所述方法包括：
获取凿岩台车钻臂的目标炮孔位置信息；根据所述目标炮孔位置信息进行输入信息构建，获得目标炮孔的样本六维输入；
基于深度神经网络结构进行模型构建，获得待训练运动预测模型；
根据所述待训练运动预测模型进行函数构建，获得误差函数；
基于预设的安全距离进行函数构建，获得安全约束函数；
采用所述样本六维输入，根据所述误差函数以及安全约束函数，对所述待训练运动预测模型进行离线训练，获得运动预测模型；
获取凿岩台车钻臂的真实六维输入；根据所述真实六维输入，通过所述运动预测模型进行在线预测，获得关节变量；
根据所述关节变量进行正运动学计算，得到末端执行器位置；根据所述末端执行器位置进行钻孔。
2.根据权利要求1所述的一种无需标签数据的凿岩台车钻臂逆运动控制方法，其特征在于，所述目标炮孔位置信息包括目标炮孔的真实起始点位置信息以及真实末端点位置信息。
3.根据权利要求1所述的一种无需标签数据的凿岩台车钻臂逆运动控制方法，其特征在于，所述根据所述待训练运动预测模型进行函数构建，获得误差函数，包括：
根据所述待训练运动预测模型，获得预测末端点数学表达式；
根据所述预测末端点数学表达式以及真实起始点位置信息进行输入量构建，获得预测六维输入；
根据所述样本六维输入以及所述预测六维输入进行函数构建，获得误差函数。
4.根据权利要求1所述的一种无需标签数据的凿岩台车钻臂逆运动控制方法，其特征在于，所述安全约束函数包括关节自身约束函数；
所述关节自身约束函数用于防止关节之间的运动碰撞；
所述关节自身约束函数公式如下式(1)所示：
其中，dsatery代表了各个投影方向的安全距离；dk代表各个投影方向的实际距离；Q为惩罚系数；为数学期望运算符号；ReLU为线性整流函数。
5.根据权利要求1所述的一种无需标签数据的凿岩台车钻臂逆运动控制方法，其特征在于，所述安全约束函数包括关节巷道约束函数；
所述关节巷道约束函数用于防止关节巷道之间的运动碰撞；
所述关节巷道约束函数公式如下式(2)所示：
其中，dwall是超出巷道两侧的安全距离；是各个关节变量在y轴上的坐标投影；/>为数学期望运算符号；ReLU为线性整流函数。
6.一种无需标签数据的凿岩台车钻臂逆运动控制装置，其特征在于，所述装置包括：
样本输入获取模块，用于获取凿岩台车钻臂的目标炮孔位置信息；根据所述目标炮孔位置信息进行输入信息构建，获得目标炮孔的样本六维输入；
模型构建模块，用于基于深度神经网络结构进行模型构建，获得待训练运动预测模型；
误差函数构建模块，用于根据所述待训练运动预测模型进行函数构建，获得误差函数；
安全约束函数构建模块，用于基于预设的安全距离进行函数构建，获得安全约束函数；
模型训练模块，用于采用所述样本六维输入，根据所述误差函数以及安全约束函数，对所述待训练运动预测模型进行离线训练，获得运动预测模型；
关节变量预测模块，用于获取凿岩台车钻臂的真实六维输入；根据所述真实六维输入，通过所述运动预测模型进行在线预测，获得关节变量；
钻孔执行模块，用于根据所述关节变量进行正运动学计算，得到末端执行器位置；根据所述末端执行器位置进行钻孔。
7.根据权利要求6所述的一种无需标签数据的凿岩台车钻臂逆运动控制装置，其特征在于，所述误差函数构建模块，进一步用于：
根据所述待训练运动预测模型，获得预测末端点数学表达式；
根据所述预测末端点数学表达式以及真实起始点位置信息进行输入量构建，获得预测六维输入；
根据所述样本六维输入以及所述预测六维输入进行函数构建，获得误差函数。
8.根据权利要求6所述的一种无需标签数据的凿岩台车钻臂逆运动控制装置，其特征在于，所述安全约束函数包括关节巷道约束函数；
所述关节巷道约束函数用于防止关节巷道之间的运动碰撞；
所述关节巷道约束函数公式如下式(2)所示：
其中，dwall是超出巷道两侧的安全距离；是各个关节变量在y轴上的坐标投影；/>为数学期望运算符号；ReLU为线性整流函数。
9.一种凿岩台车钻臂逆运动控制设备，其特征在于，所述凿岩台车钻臂逆运动控制设备包括：
处理器；
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至5中任一项所述的方法。
10.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410044948.0A CN117891282B (zh) | 2024-01-11 | 2024-01-11 | 一种无需标签数据的凿岩台车钻臂逆运动控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410044948.0A CN117891282B (zh) | 2024-01-11 | 2024-01-11 | 一种无需标签数据的凿岩台车钻臂逆运动控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117891282A true CN117891282A (zh) | 2024-04-16 |
| CN117891282B CN117891282B (zh) | 2024-06-21 |
Family
ID=90638921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410044948.0A Active CN117891282B (zh) | 2024-01-11 | 2024-01-11 | 一种无需标签数据的凿岩台车钻臂逆运动控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117891282B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230272671A1 (en) * | 2022-02-25 | 2023-08-31 | J.H. Fletcher & Co. | Automated system for face drill machines |
| CN118163112A (zh) * | 2024-04-18 | 2024-06-11 | 北京科技大学 | 一种基于扩散模型的凿岩台车钻臂逆解控制方法及装置 |
| CN118363795A (zh) * | 2024-05-16 | 2024-07-19 | 长春师范大学 | 基于互联网的数据信息自动备份系统与方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104567905A (zh) * | 2014-12-25 | 2015-04-29 | 深圳国泰安教育技术股份有限公司 | 一种车辆规划路径的生成方法、装置 |
| CN107885916A (zh) * | 2017-10-27 | 2018-04-06 | 西安工业大学 | 一种基于cfdh法的凿岩台车钻臂运动学分析方法 |
| CN110598285A (zh) * | 2019-08-29 | 2019-12-20 | 江西理工大学 | 机械手轨迹逆运动学求解方法、装置及存储介质 |
| WO2020042348A1 (zh) * | 2018-08-28 | 2020-03-05 | 初速度（苏州）科技有限公司 | 自动驾驶导航地图的生成方法、系统、车载终端及服务器 |
-
2024
- 2024-01-11 CN CN202410044948.0A patent/CN117891282B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104567905A (zh) * | 2014-12-25 | 2015-04-29 | 深圳国泰安教育技术股份有限公司 | 一种车辆规划路径的生成方法、装置 |
| CN107885916A (zh) * | 2017-10-27 | 2018-04-06 | 西安工业大学 | 一种基于cfdh法的凿岩台车钻臂运动学分析方法 |
| WO2020042348A1 (zh) * | 2018-08-28 | 2020-03-05 | 初速度（苏州）科技有限公司 | 自动驾驶导航地图的生成方法、系统、车载终端及服务器 |
| CN110598285A (zh) * | 2019-08-29 | 2019-12-20 | 江西理工大学 | 机械手轨迹逆运动学求解方法、装置及存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230272671A1 (en) * | 2022-02-25 | 2023-08-31 | J.H. Fletcher & Co. | Automated system for face drill machines |
| US12110793B2 (en) * | 2022-02-25 | 2024-10-08 | J.H. Fletcher & Co. | Automated system for face drill machines |
| CN118163112A (zh) * | 2024-04-18 | 2024-06-11 | 北京科技大学 | 一种基于扩散模型的凿岩台车钻臂逆解控制方法及装置 |
| CN118363795A (zh) * | 2024-05-16 | 2024-07-19 | 长春师范大学 | 基于互联网的数据信息自动备份系统与方法 |
| CN118363795B (zh) * | 2024-05-16 | 2024-09-20 | 长春师范大学 | 基于互联网的数据信息自动备份系统与方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117891282B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117891282B (zh) | 一种无需标签数据的凿岩台车钻臂逆运动控制方法及装置 | |
| Jamwal et al. | Forward kinematics modelling of a parallel ankle rehabilitation robot using modified fuzzy inference | |
| AlBahnassi et al. | Near real-time motion planning and simulation of cranes in construction: Framework and system architecture | |
| Zacharia et al. | Task scheduling and motion planning for an industrial manipulator | |
| Köker | Reliability-based approach to the inverse kinematics solution of robots using Elman's networks | |
| Das et al. | An improved Q-learning algorithm for path-planning of a mobile robot | |
| CN104834308A (zh) | 满足复杂需求的最优巡回控制方法 | |
| CN110561419B (zh) | 臂型线约束柔性机器人轨迹规划方法及装置 | |
| Jin et al. | Conflict-based search with D* lite algorithm for robot path planning in unknown dynamic environments | |
| An et al. | Re-optimization strategy for truck crane lift-path planning | |
| CN113946990B (zh) | Sto-btcn热误差预测模型建模方法及其迁移学习方法 | |
| CN112207800B (zh) | 三自由度转动曲柄连杆并联平台位姿控制方法 | |
| Liu et al. | A simultaneous learning and control scheme for redundant manipulators with physical constraints on decision variable and its derivative | |
| Liu et al. | Neural network control system of cooperative robot based on genetic algorithms | |
| CN113609947B (zh) | 运动轨迹预测方法、装置、计算机设备和存储介质 | |
| Jin et al. | [Retracted] Dynamic Simulation Modeling of Industrial Robot Kinematics in Industry 4.0 | |
| Refaai | [Retracted] An Improved Inverse Kinematics Solution for a Robot Arm Trajectory Using Multiple Adaptive Neuro‐Fuzzy Inference Systems | |
| Luo et al. | End‐Effector Pose Estimation in Complex Environments Using Complementary Enhancement and Adaptive Fusion of Multisensor | |
| Zhou et al. | Robot manipulator visual servoing based on image moments and improved firefly optimization algorithm-based extreme learning machine | |
| Ramer et al. | A robot motion planner for 6-DOF industrial robots based on the cell decomposition of the workspace | |
| Yan et al. | Cerebellum-Inspired Model Predictive Control for Redundant Manipulators with Unknown Structure Information | |
| Li et al. | Model-based recurrent neural network for redundancy resolution of manipulator with remote centre of motion constraints | |
| CN118163112B (zh) | 一种基于扩散模型的机械臂逆解控制方法及装置 | |
| Huang et al. | Inverse calculation of demolition robot based on gravitational search algorithm and differential evolution neural network | |
| Gao et al. | Path optimization of welding robot based on ant colony and genetic algorithm |
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 |