CN117921684A - 机械臂的控制方法、装置、存储介质及电子设备 - Google Patents
机械臂的控制方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117921684A CN117921684A CN202410334151.4A CN202410334151A CN117921684A CN 117921684 A CN117921684 A CN 117921684A CN 202410334151 A CN202410334151 A CN 202410334151A CN 117921684 A CN117921684 A CN 117921684A
- Authority
- CN
- China
- Prior art keywords
- target
- error
- motion information
- acceleration
- mechanical arm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000001133 acceleration Effects 0.000 claims abstract description 195
- 239000012636 effector Substances 0.000 claims abstract description 91
- 238000013528 artificial neural network Methods 0.000 claims abstract description 76
- 230000000399 orthopedic effect Effects 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000013016 damping Methods 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 19
- 210000000988 bone and bone Anatomy 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000001356 surgical procedure Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000002401 inhibitory effect Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 25
- 238000005553 drilling Methods 0.000 description 17
- 238000006073 displacement reaction Methods 0.000 description 15
- 230000001629 suppression Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000002829 reductive effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 230000003321 amplification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101100391172 Dictyostelium discoideum forA gene Proteins 0.000 description 1
- 206010023230 Joint stiffness Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
Landscapes
- Manipulator (AREA)
Abstract
本发明公开了一种机械臂的控制方法、装置、存储介质及电子设备。该方法包括:获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息,并依据运动信息和目标运动信息确定末端执行器的误差运动信息;通过目标神经网络控制器和误差运动信息确定机械臂的第一控制指令,并通过PD控制器和误差运动信息确定机械臂的第二控制指令;依据第一控制指令和第二控制指令确定机械臂的目标控制指令,并将目标控制指令发送至机械臂的控制器,以使机械臂的控制器基于目标控制指令中包含的目标位置、目标速度以及目标加速度控制机械臂运动。解决了现有技术中采用被动减振方式抑制末端执行器振动,导致执行器工作精度低的技术问题。
Description
技术领域
本发明涉及机器人运动控制领域,具体而言,涉及一种机械臂的控制方法、装置、存储介质及电子设备。
背景技术
随着技术的发展,机器人已经越来越多的被用于辅助手术,然而,机器人建模和控制复杂,存在时变和不确定性,例如,柔性机器人是多输入多输出的非线性系统,在运动过程中或外界干扰时,容易引起振动问题,导致系统性能下降。常见的工业机器人只考虑由于动力学干扰转矩带来的末端残余振动(例如,电机工作带来的振动)的控制,无法满足手术精度需求。目前,相关技术中主要采用额外加装阻尼垫片的被动减振方式抑制手术机器人的末端执行器(例如,摆锯)振动,但是会使末端执行器的工作精度下降,导致末端执行器的工作精度较低。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种机械臂的控制方法、装置、存储介质及电子设备,以至少解决现有技术中采用额外加装阻尼垫片的被动减振方式抑制手术机器人的末端执行器振动,导致末端执行器的工作精度较低的技术问题。
根据本发明实施例的一个方面,提供了一种机械臂的控制方法,包括:获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息,并依据运动信息和目标运动信息确定末端执行器的误差运动信息,其中,运动信息中至少包括末端执行器的实际位置、实际速度以及实际加速度,目标运动信息中至少包括末端执行器的预期位置、预期速度以及预期加速度,误差运动信息中至少包括末端执行器的误差位置、误差速度以及误差加速度;通过目标神经网络控制器和误差运动信息确定机械臂的第一控制指令,并通过PD控制器和误差运动信息确定机械臂的第二控制指令,其中,目标神经网络控制器是基于目标模型训练神经网络得到的,目标模型是对骨科手术机器人进行动力学建模得到的;依据第一控制指令和第二控制指令确定机械臂的目标控制指令,并将目标控制指令发送至机械臂的控制器,以使机械臂的控制器基于目标控制指令中包含的目标位置、目标速度以及目标加速度控制机械臂运动。
进一步地,依据运动信息和目标运动信息确定末端执行器的误差运动信息,包括:对实际位置和预期位置进行差值计算,得到误差位置;对实际速度和预期速度进行差值计算,得到误差速度;对实际加速度和预期加速度进行差值计算,得到误差加速度;依据误差位置、误差速度以及误差加速度组成误差运动信息。
进一步地,通过目标神经网络控制器和误差运动信息确定机械臂的第一控制指令,包括:通过目标神经网络控制器对误差运动信息进行处理,得到误差运动信息对应的特征向量表示;依据误差运动信息对应的特征向量表示预测机械臂的第一位置、第一速度以及第一加速度,并依据第一位置、第一速度以及第一加速度组成第一控制指令。
进一步地,第二控制指令中至少包括机械臂的第二位置、第二速度以及第二加速度,其中,依据第一控制指令和第二控制指令确定机械臂的目标控制指令,包括:对第一位置和第二位置进行加权计算,得到目标位置;对第一速度和第二速度进行加权计算,得到目标速度;对第一加速度和第二加速度进行加权计算,得到目标加速度;依据目标位置、目标速度以及目标加速度组成目标控制指令。
进一步地,在获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息之前,该方法还包括:获取骨科手术机器人在辅助截骨过程中的样本数据集,对样本数据集进行系统辨识,建立弹簧质量阻尼模型;对骨科手术机器人的机械臂进行动力学建模,得到动力学模型,并确定用于抑制末端执行器振动的反馈控制律;通过动力学模型和反馈控制律确定目标反馈参数,其中,目标反馈参数至少包括末端执行器的误差位置参数、误差速度参数以及误差加速度参数;依据弹簧质量阻尼模型和目标反馈参数生成目标模型,并基于目标模型训练神经网络,得到目标神经网络控制器。
进一步地,依据弹簧质量阻尼模型和目标反馈参数生成目标模型,包括:将误差位置参数、误差速度参数以及误差加速度参数输入弹簧质量阻尼模型进行参数替换,得到参数替换后的模型;将参数替换后的模型作为目标模型。
进一步地,弹簧质量阻尼模型的模型参数至少包括位置参数、速度参数以及加速度参数,其中,将误差位置参数、误差速度参数以及误差加速度参数输入弹簧质量阻尼模型进行参数替换,得到参数替换后的模型,包括:将位置参数替换为误差位置参数、将速度参数替换为误差速度参数以及将加速度参数替换为误差加速度参数,得到参数替换后的模型。
根据本发明实施例的另一方面,还提供了一种机械臂的控制装置,包括:第一确定单元,用于获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息,并依据运动信息和目标运动信息确定末端执行器的误差运动信息,其中,运动信息中至少包括末端执行器的实际位置、实际速度以及实际加速度,目标运动信息中至少包括末端执行器的预期位置、预期速度以及预期加速度,误差运动信息中至少包括末端执行器的误差位置、误差速度以及误差加速度;第二确定单元,用于通过目标神经网络控制器和误差运动信息确定机械臂的第一控制指令,并通过PD控制器和误差运动信息确定机械臂的第二控制指令,其中,目标神经网络控制器是基于目标模型训练神经网络得到的,目标模型是对骨科手术机器人进行动力学建模得到的;第一处理单元,用于依据第一控制指令和第二控制指令确定机械臂的目标控制指令,并将目标控制指令发送至机械臂的控制器,以使机械臂的控制器基于目标控制指令中包含的目标位置、目标速度以及目标加速度控制机械臂运动。
根据本发明实施例的另一方面,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中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的机械臂的控制方法。
根据本发明实施例的另一方面,还提供了一种电子设备,该电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的机械臂的控制方法。
在本发明实施例中,采用将PD控制器和神经网络控制器相结合的方式,首先获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息,并依据运动信息和目标运动信息确定末端执行器的误差运动信息,然后通过目标神经网络控制器和误差运动信息确定机械臂的第一控制指令,并通过PD控制器和误差运动信息确定机械臂的第二控制指令,然后依据第一控制指令和第二控制指令确定机械臂的目标控制指令,并将目标控制指令发送至机械臂的控制器,以使机械臂的控制器基于目标控制指令中包含的目标位置、目标速度以及目标加速度控制机械臂运动。其中,运动信息中至少包括末端执行器的实际位置、实际速度以及实际加速度,目标运动信息中至少包括末端执行器的预期位置、预期速度以及预期加速度,误差运动信息中至少包括末端执行器的误差位置、误差速度以及误差加速度,目标神经网络控制器是基于目标模型训练神经网络得到的,目标模型是对骨科手术机器人进行动力学建模得到的。
在上述过程中,基于对骨科手术机器人进行动力学建模得到的目标模型训练神经网络,可以得到用于振动抑制的目标神经网络控制器;依据获取到的运动信息和目标运动信息可以获知振动情况(如得到误差运动信息),从而能够依据振动情况改变机械臂提供的主动等效阻尼,即依据目标神经网络控制器输出的第一控制指令和PD控制器输出的第二控制指令可以确定出机械臂的目标控制指令,将目标控制指令发送至机械臂的控制器,以降低机械臂的振动影响,有效减少末端执行器操作期间振动带来的位移而造成的精度损失,提高了末端执行器的工作精度。
由此可见,通过本发明的技术方案,达到了降低机械臂的振动影响,实现机械臂的平稳运行的目的,从而实现了提高末端执行器的工作精度的技术效果,进而解决了现有技术中采用额外加装阻尼垫片的被动减振方式抑制手术机器人的末端执行器振动,导致末端执行器的工作精度较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的机械臂的控制方法的流程图;
图2是根据本发明实施例的一种可选的机器人辅助钻孔系统的示意图;
图3是根据本发明实施例的一种可选的机器人辅助钻孔简化系统的示意图;
图4是根据本发明实施例的一种可选的二轴机器人的示意图;
图5是根据本发明实施例的一种可选的振动抑制控制器的结构示意图;
图6是根据本发明实施例的一种可选的振动抑制的流程示意图;
图7是根据本发明实施例的一种可选的机械臂的控制装置的示意图;
图8是根据本发明实施例的一种可选的电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明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。
需要说明的是,本发明所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
实施例1
根据本发明实施例,提供了一种机械臂的控制方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的机械臂的控制方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息,并依据运动信息和目标运动信息确定末端执行器的误差运动信息,其中,运动信息中至少包括末端执行器的实际位置、实际速度以及实际加速度,目标运动信息中至少包括末端执行器的预期位置、预期速度以及预期加速度,误差运动信息中至少包括末端执行器的误差位置、误差速度以及误差加速度。
在上述步骤中,可以通过应用系统、处理器、电子设备等装置获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息,可选的,通过机械臂的控制系统获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息,其中,末端执行器可以是钻孔机或摆锯。
例如,将六维力传感器、加速度计、数据采集卡等安装在末端执行器上,在骨科手术机器人辅助截骨过程中开始振动时,测量和采集相关运动数据(如实际位置、实际速度以及实际加速度),由机械臂的控制系统获取这些运动信息,并获取期望的运动信息(即预期位置、预期速度以及预期加速度等目标运动信息),从而获知振动情况,即依据运动信息和目标运动信息确定出末端执行器的误差运动信息,例如,通过差值计算可以得到误差运动信息。
步骤S102,通过目标神经网络控制器和误差运动信息确定机械臂的第一控制指令,并通过PD控制器和误差运动信息确定机械臂的第二控制指令,其中,目标神经网络控制器是基于目标模型训练神经网络得到的,目标模型是对骨科手术机器人进行动力学建模得到的。
可选地,通过目标神经网络控制器和误差运动信息可以确定出机械臂的第一控制指令,由于骨科手术机器人的机械臂被机械关节分成多段,每个机械臂的控制器(如电机)对应一个机械关节,因此,机械臂的第一控制指令可以是目标神经网络控制器输出的每个电机的控制指令。其中,目标神经网络控制器是基于目标模型训练神经网络得到的,目标模型是由弹簧质量阻尼模型进行参数替换后得到的,例如,将控制输入和实际输出提供给神经网络进行学习,可以得到目标神经网络控制器。
可选地,通过PD控制器和误差运动信息可以确定出机械臂的第二控制指令,机械臂的第二控制指令可以是PD控制器输出的每个电机的控制指令。
步骤S103,依据第一控制指令和第二控制指令确定机械臂的目标控制指令,并将目标控制指令发送至机械臂的控制器,以使机械臂的控制器基于目标控制指令中包含的目标位置、目标速度以及目标加速度控制机械臂运动。
可选地,依据第一控制指令和第二控制指令可以确定出机械臂的目标控制指令,例如,通过加权计算可以得到每个电机的目标控制指令,然后将目标控制指令发送至机械臂的控制器,可以使得机械臂的控制器基于目标控制指令中包含的目标位置、目标速度以及目标加速度控制机械臂运动,例如,每个电机依据对应的目标控制指令中包含的目标位置、目标速度以及目标加速度控制机械臂运动,实现振动抑制。
基于上述步骤S101至步骤S103所限定的方案,可以获知,在本发明实施例中,采用将PD控制器和神经网络控制器相结合的方式,首先获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息,并依据运动信息和目标运动信息确定末端执行器的误差运动信息,然后通过目标神经网络控制器和误差运动信息确定机械臂的第一控制指令,并通过PD控制器和误差运动信息确定机械臂的第二控制指令,然后依据第一控制指令和第二控制指令确定机械臂的目标控制指令,并将目标控制指令发送至机械臂的控制器,以使机械臂的控制器基于目标控制指令中包含的目标位置、目标速度以及目标加速度控制机械臂运动。其中,运动信息中至少包括末端执行器的实际位置、实际速度以及实际加速度,目标运动信息中至少包括末端执行器的预期位置、预期速度以及预期加速度,误差运动信息中至少包括末端执行器的误差位置、误差速度以及误差加速度,目标神经网络控制器是基于目标模型训练神经网络得到的,目标模型是对骨科手术机器人进行动力学建模得到的。
容易注意到的是,在上述过程中,基于对骨科手术机器人进行动力学建模得到的目标模型训练神经网络,可以得到用于振动抑制的目标神经网络控制器;依据获取到的运动信息和目标运动信息可以获知振动情况(如得到误差运动信息),从而能够依据振动情况改变机械臂提供的主动等效阻尼,即依据目标神经网络控制器输出的第一控制指令和PD控制器输出的第二控制指令可以确定出机械臂的目标控制指令,将目标控制指令发送至机械臂的控制器,以降低机械臂的振动影响,有效减少末端执行器操作期间振动带来的位移而造成的精度损失,提高了末端执行器的工作精度。
由此可见,通过本发明的技术方案,达到了降低机械臂的振动影响,实现机械臂的平稳运行的目的,从而实现了提高末端执行器的工作精度的技术效果,进而解决了现有技术中采用额外加装阻尼垫片的被动减振方式抑制手术机器人的末端执行器振动,导致末端执行器的工作精度较低的技术问题。
在一种可选的实施例中,依据运动信息和目标运动信息确定末端执行器的误差运动信息,包括:对实际位置和预期位置进行差值计算,得到误差位置;对实际速度和预期速度进行差值计算,得到误差速度;对实际加速度和预期加速度进行差值计算,得到误差加速度;依据误差位置、误差速度以及误差加速度组成误差运动信息。
例如,在依据运动信息和目标运动信息确定末端执行器的误差运动信息的过程中,对实际位置和预期位置进行差值计算,可以得到误差位置,对实际速度和预期速度进行差值计算,可以得到误差速度,对实际加速度和预期加速度进行差值计算,可以得到误差加速度,然后依据误差位置、误差速度以及误差加速度组成误差运动信息。
在一种可选的实施例中,通过目标神经网络控制器和误差运动信息确定机械臂的第一控制指令,包括:通过目标神经网络控制器对误差运动信息进行处理,得到误差运动信息对应的特征向量表示;依据误差运动信息对应的特征向量表示预测机械臂的第一位置、第一速度以及第一加速度,并依据第一位置、第一速度以及第一加速度组成第一控制指令。
可选地,在通过目标神经网络控制器和误差运动信息确定机械臂的第一控制指令的过程中,可以通过目标神经网络控制器对误差运动信息进行处理,得到误差运动信息对应的特征向量表示,然后依据误差运动信息对应的特征向量表示预测机械臂的第一位置、第一速度以及第一加速度,并依据第一位置、第一速度以及第一加速度组成第一控制指令。
以机械臂包括两个机械关节为例,机械关节1对应电机1,机械关节2对应电机2,即电机1用于控制机械关节1,电机2用于控制机械关节2,通过目标神经网络控制器可以预测电机1对应的位置(即第一位置)、速度(即第一速度)以及加速度(即第一加速度),得到电机1对应的控制指令(即第一控制指令),并预测电机2对应的位置(即第一位置)、速度(即第一速度)以及加速度(即第一加速度),得到电机2对应的控制指令(即第一控制指令)。
需要说明的是,通过目标神经网络控制器对误差运动信息进行处理,可以得到神经网络预测出的位置、速度以及加速度,为确定最终的控制指令提供了数据基础,从而能够减少末端执行器操作期间振动带来的位移而造成的精度损失,提高末端执行器的工作精度。
在一种可选的实施例中,第二控制指令中至少包括机械臂的第二位置、第二速度以及第二加速度,其中,依据第一控制指令和第二控制指令确定机械臂的目标控制指令,包括:对第一位置和第二位置进行加权计算,得到目标位置;对第一速度和第二速度进行加权计算,得到目标速度;对第一加速度和第二加速度进行加权计算,得到目标加速度;依据目标位置、目标速度以及目标加速度组成目标控制指令。
可选地,第二控制指令中至少包括机械臂的第二位置、第二速度以及第二加速度,以机械臂包括两个机械关节为例,机械关节1对应电机1,机械关节2对应电机2,即电机1用于控制机械关节1,电机2用于控制机械关节2,通过PD控制器输出电机1对应的位置(即第二位置)、速度(即第二速度)以及加速度(即第二加速度),得到电机1对应的控制指令(即第二控制指令),并输出电机2对应的位置(即第二位置)、速度(即第二速度)以及加速度(即第二加速度),得到电机2对应的控制指令(即第二控制指令)。
可选地,在依据第一控制指令和第二控制指令确定机械臂的目标控制指令的过程中,对第一位置和第二位置进行加权计算,可以得到目标位置,对第一速度和第二速度进行加权计算,可以得到目标速度,对第一加速度和第二加速度进行加权计算,可以得到目标加速度,然后依据目标位置、目标速度以及目标加速度组成目标控制指令。
可选地,根据需求确定权重分配系数,例如,给目标神经网络控制器的输出结果更高的权重,对于电机1,对目标神经网络控制器输出的位置(即第一位置)和PD控制器输出的位置(即第二位置)进行加权计算,可以得到电机1对应的目标位置,即电机1控制机械臂运动的目标位置。
需要说明的是,依据目标神经网络控制器输出的第一控制指令和PD控制器输出的第二控制指令可以确定出机械臂的目标控制指令,将目标控制指令发送至机械臂的控制器,以降低机械臂的振动影响,有效减少末端执行器操作期间振动带来的位移而造成的精度损失,提高了末端执行器的工作精度。
在一种可选的实施例中,在获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息之前,获取骨科手术机器人在辅助截骨过程中的样本数据集,对样本数据集进行系统辨识,建立弹簧质量阻尼模型;对骨科手术机器人的机械臂进行动力学建模,得到动力学模型,并确定用于抑制末端执行器振动的反馈控制律;通过动力学模型和反馈控制律确定目标反馈参数,其中,目标反馈参数至少包括末端执行器的误差位置参数、误差速度参数以及误差加速度参数;依据弹簧质量阻尼模型和目标反馈参数生成目标模型,并基于目标模型训练神经网络,得到目标神经网络控制器。
可选地,获取骨科手术机器人在辅助截骨过程中的样本数据集,对样本数据集进行系统辨识,建立弹簧质量阻尼模型。其中,样本数据集中至少包括样本位置数据、样本速度数据以及样本加速度数据。具体地,首先对被控对象进行系统辨识建模,被控对象可以是由手术钻(即钻孔机)、人手和骨科手术机器人构成的整体。例如,建立由钻孔机、人手和骨科手术机器人构成的系统的振动模型,通过加速度计、数据采集卡等分别对单独末端执行器(此处以钻孔机为例)旋转、徒手钻骨、协作机械臂和手推钻骨等进行测量,得到位移、速度、加速度等,并获取弹簧系数、阻尼系数、质量等数据,得到样本数据集,依据样本数据集建立弹簧质量阻尼模型。在这种情况下,钻孔是用通过刚性连杆连接到机器人的钻孔机进行的,并且一只或两只手握住钻孔机。其中,机器人可以去除钻子的重量分量,并在钻子接近骨头时校正钻子的轨迹。
图2是根据本发明实施例的一种可选的机器人辅助钻孔系统的示意图,对图2所示的机器人辅助钻孔系统的等效质量-弹簧-阻尼器系统建立本构方程:
其中,分别是机械臂的等效质量、阻尼系数和弹簧系数,/>分别是人手的等效质量、阻尼系数和弹簧系数,/>和/>为钻头与机械臂之间连接的阻尼系数和刚度常数,/>、/>和/>分别是钻孔机的质量、阻尼系数和弹簧系数,/>表示骨头的等效质量,/>表示钻头与骨头之间的相互作用力,/>表示固定架对骨头的支撑力,/>、和/>分别为机械臂的位移、速度和加速度,/>、/>和/>分别为钻孔机的位移、速度和加速度,/>、/>和/>分别为人手的位移、速度和加速度,/>、/>和/>分别为骨头的位移、速度和加速度。图2中,/>表示时域下的机械臂的位移,/>表示时域下的人手的位移,表示时域下的钻孔机的位移,/>表示时域下的骨头的位移。
图3是根据本发明实施例的一种可选的机器人辅助钻孔简化系统的示意图,假设钻头和机械臂之间有刚性连接,并使用两个等效质量,根据机器人的动态特性确定刚度,将图2所示的系统简化为图3所示的系统,其中,质量、弹簧和阻尼器系数是已知的。该简化系统的本构方程(即弹簧质量阻尼模型)为:
其中,表示钻孔机的等效质量,/>表示机械臂的等效质量,/>表示钻头与机械臂之间连接的阻尼系数,/>表示机械臂的阻尼系数,/>表示钻头与机械臂之间连接的弹簧系数,/>表示机械臂的弹簧系数,/>、/>和/>分别是钻孔机的等效质量的位移、速度、加速度,/>、/>和/>分别是机械臂的等效质量的位移、速度、加速度。
可选地,对骨科手术机器人的机械臂进行动力学建模,得到动力学模型,并确定用于抑制末端执行器振动的反馈控制律。具体地,对实际被控对象(即骨科手术机器人的机械臂)建立测量控制系统,动力学中,具有柔性元件的机械手的柔性关节可以被建模为弹簧,n连杆柔性关节机械手的动态模型由连杆侧动态、关节柔性和电机动态组成,动力学模型可描述为:
(1)
其中,分别表示连杆和电机侧的位置、速度和加速度矢量。表示机械臂的正定惯性矩阵。向量/>代表离心力和科里奥利力。向量/>代表重力力矩的矢量。/>是连杆侧摩擦矢量。/>是节点刚度系数的对角矩阵。/>代表电机的对角惯性矩阵。矩阵/>反映电机侧摩擦系数。向量/>是施加的扭矩。
下面介绍加速度反馈律末端加速度计算与典型的反馈方法。对含有关节柔性的机器人而言,其末端加速度传感器测量到的加速度有两部分,一部分为机器人运动产生的末端加速度,一部分为重力加速度。图4是根据本发明实施例的一种可选的二轴机器人的示意图,以安装有末端加速度传感器的二轴机器人为例,如图4所示,包括电机1、电机2、连杆1、连杆2,表示连杆1的位置,/>表示连杆2的位置,/>表示电机1的位置,/>表示电机2的位置,/>表示连杆1与电机1之间连接的弹簧系数,/>表示连杆2与电机2之间连接的弹簧系数,/>表示重力,典型的加速度反馈控制律可表示为下式:
(2)
其中,表示控制律1,/>表示控制律2,分别表示两个关节的控制律,/>为发给电机驱动器的位置指令表示的位置,/>表示加速度反馈的增益。表示关节位置,/>表示连杆1端的加速度,/>表示连杆2端的加速度,/>表示电机1侧的加速度,/>表示电机2侧的加速度。
由于连杆端加速度是无法获取的,需要利用末端加速度传感器进行求解。二轴机器人末端加速度传感器测得的加速度可表示为下式:
(3)
其中,表示由连杆端位置计算出的旋转矩阵,/>为末端加速度传感器测得的x与y方向上的加速度值,/>与/>表示由连杆端位置计算得到的雅可比矩阵与重力加速度,/>表示连杆端速度的雅可比矩阵,/>表示连杆1端的速度,/>表示连杆2端的速度,/>表示连杆1端的加速度,/>表示连杆2端的加速度。
由式(3)可知,各连杆端的加速度与末端测量的加速度关系可写为下式:
(4)
由于连杆端的位置速度信息未知,需要对连杆的位置与速度等进行近似。为此,需要假设机器人的关节刚度较大,属于弱柔性系统,利用电机端位置速度与连杆端位置速度相差不大这一特点,直接将电机端位置信息代替连杆端的位置信息,实现对雅可比矩阵等的近似,结构如下式:
(5)
式中,下标表示利用电机端位置信息代替连杆端位置信息计算得到的近似值,近似引入的误差/>可表示为下式:
(6)
采用近似的方式时认为。
然而,式(6)中包含连杆雅可比矩阵及其逆矩阵/>,该矩阵很多情况下并非良态矩阵,利用式(5)求解连杆端加速度时,求出的结果易于受到方程两端小扰动的影响,会不可控的放大误差/>的影响,因此,在本方案中,为了在计算过程中避免对近似雅可比矩阵的求逆过程,提供了新的末端加速度反馈控制方法,下面进行介绍。
定义期望末端加速度如下式所示:
(7)
则期望末端加速度与实际末端加速度的差可表示为下式:
(8)
近似误差可表示为下式:
(9)
由旋转矩阵的定义可知,旋转矩阵的矩阵行列式恒为1,为良态矩阵,由式(7)至(9)可知,若设计的加速度反馈控制律可使反馈值为末端加速度的差值而非各连杆的连杆加速度,则可有效避免在求取各连杆的连杆端加速度时引入雅可比矩阵以及其导致的误差放大问题。
定义矩阵,对二轴机器人而言,/>矩阵为2x2矩阵,本方案中的加速度反馈控制律(即反馈控制律)设计为下式:
(10)
利用式(8)并忽略近似误差可将式(10)中的加速度反馈部分改成反馈末端加速度的增益。通过分析将式(10)写为下式:
(11)
通过加速度反馈方法的定义可知,当式(2)中的加速度反馈增益大于零时,即可实现连杆端的振动抑制,因此对式(11)中的反馈数值的符号进行判断。
当时,式(11)等价于式(2)。
当时,对任意/>与,假设存在如下不等式:
(12)
则当时,有下式:/>
(13)
当时,有下式:
(14)
然而,当雅可比矩阵不可逆时,式(13)与式(14)均不成立,因此,对任意的,式(12)中两个不等式的不能同时成立,即采用式(10)作为加速度反馈控制律时,两自由度含有关节柔性机器人中至少有一个关节的振动是可以抑制的。假设关节1(对应图4中的电机1)的振动部分可以被抑制,而关节2(对应图4中的电机2)的振动不能被抑制,即式(12)中的第一式不成立而第二式成立,则当/>时,有:
(15)
类似的,当时,有:
(16)
式(15)与式(16)表明,关节2的振动幅值上限(即关节2的加速度差值)正比于关节1的振动幅值(即关节1的加速度差值),而关节1的振动可被反馈控制律进行抑制,即采用式(10)给出的末端加速度反馈控制方法时,可以保证抑制关节1振动的同时保证关节2的振动幅值有界,且界限取决于关节1的振动幅值。
同理,当关节2的振动部分可以被抑制,而关节1的振动不能被抑制时,可以采用类似的分析方法,其结果是相同的。
因此,当采用式(10)给出的末端加速度反馈方法时,可以实现对两个关节振动进行抑制,但与典型的反馈方法不同,该反馈方法并不是单纯的抑制各个关节的振动,而是以耦合的方式同时抑制多个关节的振动。即在本方案中,避免了利用近似雅可比矩阵求逆带来的误差估计困难问题。
需要说明的是,加速度传感器也可以测量三个方向上的加速度,因此,本方案可以应用于空间内三自由度机器人的振动抑制。
可选地,通过动力学模型和反馈控制律可以确定目标反馈参数,其中,目标反馈参数至少包括末端执行器的误差位置参数、误差速度参数以及误差加速度参数,然后依据弹簧质量阻尼模型和目标反馈参数可以生成目标模型,并基于目标模型训练神经网络,得到目标神经网络控制器。
为了将振动控制与神经网络结合,对动力学模型进行修改,并设计控制器结构。具体的,对系统的阶次进行判断,确定输入层的个数,利用式(1),将含有关节柔性机器人电机端动力学模型改写为下式:
(17)
其中,表示整合后的未知方程,/>,/>与/>分别表示关节柔性的变形量及其一阶与二阶导数。由该式可以看出,连杆电机端的力矩可分为两部分,一部分为与电机位置相关的力矩,一部分为与电机端位置无关的、由连杆端振动所产生的力矩。参照式(10)给出的带有加速度反馈的控制律,可将期望的电机端力矩改写为下式:
(18)
其中,函数F表示与电机端位置有关的未知的函数,表示由连杆端振动所产生的力矩成分。对多关节机器人而言,其每个电机的输出力矩与多个轴的位置有关,有明显的耦合性。若需要直接近似未知函数/>,多个轴的位置输入会使得神经网络的复杂程度大大增加,进而使得采样时间间隔增大,使得神经网络的误差界限增大,为解决该问题,对式(18)进行改写,如下式所示:
(19)
其中,,/>与/>分别表示电机端位置误差及其一阶与二阶导数。通过式(19),可将每个电机端的期望力矩转化为与时间和相应电机跟踪误差有关的函数,同时将耦合部分带来的扰动视为与时间有关的未知函数,并利用神经网络来进行处理。
通过以上分析,可将作为每个电机位置控制器的输入。然而,以上推导中并未给出电机端的期望力矩,由于期望力矩未知,无法获取期望电机位置/>与跟踪误差/>。为解决该问题,可将控制结构设置为包含参考模型的神经网络控制结构,并参照变结构控制中的滑动超曲面设置参考模型(即目标模型),将参考模型的/>作为跟踪误差,利用上一时刻的输出/>以及式/>更新权重系数。利用式(10),可对两自由度含有关节柔性的机器人设定如下式所示的含有加速度反馈部分的PD参考模型:
其中,表示滑模控制参数,/>表示第一个关节与第二个关节,/>与为参考模型的比例增益与速度增益,/>为末端加速度反馈项的比例增益。加速度反馈增益/>越大,振动抑制效果就越强,但同时会造成更大的超调和跟踪误差。在测量加速度大小时,加速度传感器不可避免的受到高频测量噪声,以及重力与柔性关节导致的稳态误差,考虑到加速度传感器仅用来抑制振动,高频噪声与稳态误差均不需要,因此引入一个带通滤波器滤除这些信息。
在一种可选的实施例中,依据弹簧质量阻尼模型和目标反馈参数生成目标模型,包括:将误差位置参数、误差速度参数以及误差加速度参数输入弹簧质量阻尼模型进行参数替换,得到参数替换后的模型;将参数替换后的模型作为目标模型。
在一种可选的实施例中,弹簧质量阻尼模型的模型参数至少包括位置参数、速度参数以及加速度参数,其中,将误差位置参数、误差速度参数以及误差加速度参数输入弹簧质量阻尼模型进行参数替换,得到参数替换后的模型,包括:将位置参数替换为误差位置参数、将速度参数替换为误差速度参数以及将加速度参数替换为误差加速度参数,得到参数替换后的模型。
可选地,在依据弹簧质量阻尼模型和目标反馈参数生成目标模型的过程中,将弹簧质量阻尼模型的位置参数替换为误差位置参数、将速度参数替换为误差速度参数以及将加速度参数替换为误差加速度参数,可以得到参数替换后的模型,然后将参数替换后的模型作为目标模型。
对含有关节柔性的机器人而言,采用PD控制方法可以使机器人在点对点的快速运动中保证系统的稳定性与较快的响应速度,但其难以处理未知的动力学项。采用上述给出的神经网络控制器可以近似出未知的动力学项并实现振动的抑制,但在系统采样频率不变的情况下,难以同时提高收敛速度与减小残余误差界限。因此,在本方案中,综合两种控制方法的特点,结合神经网络监督控制的思想,将PD控制器作为反馈控制器,确保系统的稳定性与鲁棒性,同时利用参考模型(即目标模型)训练神经网络控制器使其逐渐占据主导地位。
图5是根据本发明实施例的一种可选的振动抑制控制器的结构示意图,将基于末端加速度反馈的振动抑制算法表示为图5所示的框图,该控制器结构利用了PD控制器、神经网络与加速度反馈,其中,分别表示期望的末端位置、速度以及加速度,首先获取期望的末端位置、速度以及加速度,并获取实际测得的末端位置、速度以及加速度,分别进行差值运算,并通过正运动学计算出期望的末端执行器的加速度/>,将其与测量得到的末端加速度/>进行比较,输入给带通滤波器(去掉高频噪声与稳态误差),然后再给到整个系统的参考模型(即对弹簧质量阻尼模型进行参数替换后得到的模型),其中,参照变结构控制中的滑动超曲面设置参考模型,将参考模型的/>作为跟踪误差,然后将滑模控制参数s输出给神经网络反馈控制器,将神经网络反馈控制器的输出加上PD控制器的输出,一起给机械臂控制器,实现机械臂的振动抑制。
图6是根据本发明实施例的一种可选的振动抑制的流程示意图,如图6所示,首先建立机械臂辅助截骨的手术钻、人手和骨科手术机器人的弹簧质量阻尼模型,然后通过对分散的子系统(即手术钻、人手和骨科手术机器人)进行测量,获得整个等效模型的系统参数,并通过等效替换避免雅可比矩阵引入的误差放大问题,将加速度反馈控制与神经网络结合,将系统辨识获得的系统参数导入参考模型,实现振动控制,即实现机械臂的振动抑制。
由此可见,通过本发明的技术方案,达到了降低机械臂的振动影响,实现机械臂的平稳运行的目的,从而实现了提高末端执行器的工作精度的技术效果,进而解决了现有技术中采用额外加装阻尼垫片的被动减振方式抑制手术机器人的末端执行器振动,导致末端执行器的工作精度较低的技术问题。
实施例2
根据本发明实施例,提供了一种机械臂的控制装置的实施例,其中,图7是根据本发明实施例的一种可选的机械臂的控制装置的示意图,如图7所示,该装置包括:第一确定单元701,用于获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息,并依据运动信息和目标运动信息确定末端执行器的误差运动信息,其中,运动信息中至少包括末端执行器的实际位置、实际速度以及实际加速度,目标运动信息中至少包括末端执行器的预期位置、预期速度以及预期加速度,误差运动信息中至少包括末端执行器的误差位置、误差速度以及误差加速度;第二确定单元702,用于通过目标神经网络控制器和误差运动信息确定机械臂的第一控制指令,并通过PD控制器和误差运动信息确定机械臂的第二控制指令,其中,目标神经网络控制器是基于目标模型训练神经网络得到的,目标模型是对骨科手术机器人进行动力学建模得到的;第一处理单元703,用于依据第一控制指令和第二控制指令确定机械臂的目标控制指令,并将目标控制指令发送至机械臂的控制器,以使机械臂的控制器基于目标控制指令中包含的目标位置、目标速度以及目标加速度控制机械臂运动。
需要说明的是,上述的第一确定单元701、第二确定单元702以及第一处理单元703对应于上述实施例中的步骤S101至步骤S103,三个单元与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
可选的,第一确定单元包括:第一计算子单元,用于对实际位置和预期位置进行差值计算,得到误差位置;第二计算子单元,用于对实际速度和预期速度进行差值计算,得到误差速度;第三计算子单元,用于对实际加速度和预期加速度进行差值计算,得到误差加速度;第一生成子单元,用于依据误差位置、误差速度以及误差加速度组成误差运动信息。
可选的,第二确定单元包括:第一处理子单元,用于通过目标神经网络控制器对误差运动信息进行处理,得到误差运动信息对应的特征向量表示;第二处理子单元,用于依据误差运动信息对应的特征向量表示预测机械臂的第一位置、第一速度以及第一加速度,并依据第一位置、第一速度以及第一加速度组成第一控制指令。
可选的,第二控制指令中至少包括机械臂的第二位置、第二速度以及第二加速度,其中,第一处理单元包括:第四计算子单元,用于对第一位置和第二位置进行加权计算,得到目标位置;第五计算子单元,用于对第一速度和第二速度进行加权计算,得到目标速度;第六计算子单元,用于对第一加速度和第二加速度进行加权计算,得到目标加速度;第二生成子单元,用于依据目标位置、目标速度以及目标加速度组成目标控制指令。
可选的,机械臂的控制装置还包括:获取单元,用于在获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息之前,获取骨科手术机器人在辅助截骨过程中的样本数据集,对样本数据集进行系统辨识,建立弹簧质量阻尼模型;第三确定单元,用于对骨科手术机器人的机械臂进行动力学建模,得到动力学模型,并确定用于抑制末端执行器振动的反馈控制律;第四确定单元,用于通过动力学模型和反馈控制律确定目标反馈参数,其中,目标反馈参数至少包括末端执行器的误差位置参数、误差速度参数以及误差加速度参数;第二处理单元,用于依据弹簧质量阻尼模型和目标反馈参数生成目标模型,并基于目标模型训练神经网络,得到目标神经网络控制器。
可选的,第二处理单元包括:第三处理子单元,用于将误差位置参数、误差速度参数以及误差加速度参数输入弹簧质量阻尼模型进行参数替换,得到参数替换后的模型;第四处理子单元,用于将参数替换后的模型作为目标模型。
可选的,弹簧质量阻尼模型的模型参数至少包括位置参数、速度参数以及加速度参数,其中,第三处理子单元包括:处理模块,用于将位置参数替换为误差位置参数、将速度参数替换为误差速度参数以及将加速度参数替换为误差加速度参数,得到参数替换后的模型。
实施例3
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的机械臂的控制方法。
实施例4
根据本发明实施例的另一方面,还提供了一种电子设备,其中,图8是根据本发明实施例的一种可选的电子设备的示意图,如图8所示,电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的机械臂的控制方法。
本文中的设备可以是服务器、PC、PAD、手机等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,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,可以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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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。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。
所述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,包括若干指令用以使得一台计算机设备(可为个人计算机、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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种机械臂的控制方法,其特征在于,包括:
获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息,并依据所述运动信息和所述目标运动信息确定所述末端执行器的误差运动信息,其中,所述运动信息中至少包括所述末端执行器的实际位置、实际速度以及实际加速度,所述目标运动信息中至少包括所述末端执行器的预期位置、预期速度以及预期加速度,所述误差运动信息中至少包括所述末端执行器的误差位置、误差速度以及误差加速度;
通过目标神经网络控制器和所述误差运动信息确定所述机械臂的第一控制指令,并通过PD控制器和所述误差运动信息确定所述机械臂的第二控制指令,其中,所述目标神经网络控制器是基于目标模型训练神经网络得到的,所述目标模型是对所述骨科手术机器人进行动力学建模得到的;
依据所述第一控制指令和所述第二控制指令确定所述机械臂的目标控制指令,并将所述目标控制指令发送至所述机械臂的控制器,以使所述机械臂的控制器基于所述目标控制指令中包含的目标位置、目标速度以及目标加速度控制所述机械臂运动。
2.根据权利要求1所述的方法,其特征在于,依据所述运动信息和所述目标运动信息确定所述末端执行器的误差运动信息,包括:
对所述实际位置和所述预期位置进行差值计算,得到所述误差位置;
对所述实际速度和所述预期速度进行差值计算,得到所述误差速度;
对所述实际加速度和所述预期加速度进行差值计算,得到所述误差加速度;
依据所述误差位置、所述误差速度以及所述误差加速度组成所述误差运动信息。
3.根据权利要求1所述的方法,其特征在于,通过目标神经网络控制器和所述误差运动信息确定所述机械臂的第一控制指令,包括:
通过所述目标神经网络控制器对所述误差运动信息进行处理,得到所述误差运动信息对应的特征向量表示;
依据所述误差运动信息对应的特征向量表示预测所述机械臂的第一位置、第一速度以及第一加速度,并依据所述第一位置、所述第一速度以及所述第一加速度组成所述第一控制指令。
4.根据权利要求3所述的方法,其特征在于,所述第二控制指令中至少包括所述机械臂的第二位置、第二速度以及第二加速度,其中,依据所述第一控制指令和所述第二控制指令确定所述机械臂的目标控制指令,包括:
对所述第一位置和所述第二位置进行加权计算,得到所述目标位置;
对所述第一速度和所述第二速度进行加权计算,得到所述目标速度;
对所述第一加速度和所述第二加速度进行加权计算,得到所述目标加速度;
依据所述目标位置、所述目标速度以及所述目标加速度组成所述目标控制指令。
5.根据权利要求1所述的方法,其特征在于,在获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息之前,所述方法还包括:
获取所述骨科手术机器人在所述辅助截骨过程中的样本数据集,对所述样本数据集进行系统辨识,建立弹簧质量阻尼模型;
对所述骨科手术机器人的机械臂进行动力学建模,得到动力学模型,并确定用于抑制所述末端执行器振动的反馈控制律;
通过所述动力学模型和所述反馈控制律确定目标反馈参数,其中,所述目标反馈参数至少包括所述末端执行器的误差位置参数、误差速度参数以及误差加速度参数;
依据所述弹簧质量阻尼模型和所述目标反馈参数生成所述目标模型,并基于所述目标模型训练所述神经网络,得到所述目标神经网络控制器。
6.根据权利要求5所述的方法,其特征在于,依据所述弹簧质量阻尼模型和所述目标反馈参数生成所述目标模型,包括:
将所述误差位置参数、所述误差速度参数以及所述误差加速度参数输入所述弹簧质量阻尼模型进行参数替换,得到参数替换后的模型;
将所述参数替换后的模型作为所述目标模型。
7.根据权利要求6所述的方法,其特征在于,所述弹簧质量阻尼模型的模型参数至少包括位置参数、速度参数以及加速度参数,其中,将所述误差位置参数、所述误差速度参数以及所述误差加速度参数输入所述弹簧质量阻尼模型进行参数替换,得到参数替换后的模型,包括:
将所述位置参数替换为所述误差位置参数、将所述速度参数替换为所述误差速度参数以及将所述加速度参数替换为所述误差加速度参数,得到所述参数替换后的模型。
8.一种机械臂的控制装置,其特征在于,包括:
第一确定单元,用于获取骨科手术机器人的机械臂的末端执行器在辅助截骨过程中的运动信息和目标运动信息,并依据所述运动信息和所述目标运动信息确定所述末端执行器的误差运动信息,其中,所述运动信息中至少包括所述末端执行器的实际位置、实际速度以及实际加速度,所述目标运动信息中至少包括所述末端执行器的预期位置、预期速度以及预期加速度,所述误差运动信息中至少包括所述末端执行器的误差位置、误差速度以及误差加速度;
第二确定单元,用于通过目标神经网络控制器和所述误差运动信息确定所述机械臂的第一控制指令,并通过PD控制器和所述误差运动信息确定所述机械臂的第二控制指令,其中,所述目标神经网络控制器是基于目标模型训练神经网络得到的,所述目标模型是对所述骨科手术机器人进行动力学建模得到的;
第一处理单元,用于依据所述第一控制指令和所述第二控制指令确定所述机械臂的目标控制指令,并将所述目标控制指令发送至所述机械臂的控制器,以使所述机械臂的控制器基于所述目标控制指令中包含的目标位置、目标速度以及目标加速度控制所述机械臂运动。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的机械臂的控制方法。
10.一种电子设备,其特征在于,所述电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现用于运行程序,其中,所述程序被设置为运行时执行所述权利要求1至7任一项中所述的机械臂的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410334151.4A CN117921684A (zh) | 2024-03-22 | 2024-03-22 | 机械臂的控制方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410334151.4A CN117921684A (zh) | 2024-03-22 | 2024-03-22 | 机械臂的控制方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117921684A true CN117921684A (zh) | 2024-04-26 |
Family
ID=90752394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410334151.4A Pending CN117921684A (zh) | 2024-03-22 | 2024-03-22 | 机械臂的控制方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117921684A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4625285A (en) * | 1983-06-14 | 1986-11-25 | Mitsubishi Denki Kabushiki Kaisha | Robot controller with parallel processing of plural weighted position data which is combined at output to form a single command |
US20090115352A1 (en) * | 2007-11-04 | 2009-05-07 | Gm Global Technology Operations, Inc. | Method and apparatus for constraining output torque in a hybrid powertrain system |
CN106919147A (zh) * | 2015-12-25 | 2017-07-04 | 株式会社捷太格特 | 马达控制设备 |
CN111687838A (zh) * | 2020-05-29 | 2020-09-22 | 深圳科瑞技术股份有限公司 | 机械手轨迹跟随误差的在线补偿方法、系统及存储介质 |
CN114007820A (zh) * | 2019-06-17 | 2022-02-01 | 阿自倍尔株式会社 | 机器人控制装置及机器人控制方法 |
US20220184815A1 (en) * | 2020-12-15 | 2022-06-16 | Stmicroelectronics (Research & Development) Limited | Controlling movement of a mobile robot |
WO2023000946A1 (zh) * | 2021-07-19 | 2023-01-26 | 上海捷勃特机器人有限公司 | 一种机器人系统的控制单元、机器人系统及机器人系统的控制方法 |
CN116672031A (zh) * | 2023-08-02 | 2023-09-01 | 北京壹点灵动科技有限公司 | 机器人的控制方法、装置、处理器及电子设备 |
US20240045435A1 (en) * | 2020-12-24 | 2024-02-08 | Ocado Innovation Limited | Motion Control of a Robotic Load Handling Device |
-
2024
- 2024-03-22 CN CN202410334151.4A patent/CN117921684A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4625285A (en) * | 1983-06-14 | 1986-11-25 | Mitsubishi Denki Kabushiki Kaisha | Robot controller with parallel processing of plural weighted position data which is combined at output to form a single command |
US20090115352A1 (en) * | 2007-11-04 | 2009-05-07 | Gm Global Technology Operations, Inc. | Method and apparatus for constraining output torque in a hybrid powertrain system |
CN106919147A (zh) * | 2015-12-25 | 2017-07-04 | 株式会社捷太格特 | 马达控制设备 |
CN114007820A (zh) * | 2019-06-17 | 2022-02-01 | 阿自倍尔株式会社 | 机器人控制装置及机器人控制方法 |
CN111687838A (zh) * | 2020-05-29 | 2020-09-22 | 深圳科瑞技术股份有限公司 | 机械手轨迹跟随误差的在线补偿方法、系统及存储介质 |
US20220184815A1 (en) * | 2020-12-15 | 2022-06-16 | Stmicroelectronics (Research & Development) Limited | Controlling movement of a mobile robot |
US20240045435A1 (en) * | 2020-12-24 | 2024-02-08 | Ocado Innovation Limited | Motion Control of a Robotic Load Handling Device |
WO2023000946A1 (zh) * | 2021-07-19 | 2023-01-26 | 上海捷勃特机器人有限公司 | 一种机器人系统的控制单元、机器人系统及机器人系统的控制方法 |
CN116672031A (zh) * | 2023-08-02 | 2023-09-01 | 北京壹点灵动科技有限公司 | 机器人的控制方法、装置、处理器及电子设备 |
Non-Patent Citations (1)
Title |
---|
李文龙: "基于非侵入式运动想象脑电的机械臂混合连续控制系统研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, 15 June 2022 (2022-06-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huynh et al. | Modelling the dynamics of industrial robots for milling operations | |
De Luca et al. | Robots with flexible elements | |
Östring et al. | Closed-loop identification of an industrial robot containing flexibilities | |
Huynh et al. | Direct method for updating flexible multibody systems applied to a milling robot | |
US20150112487A1 (en) | Robot control system, robot system, and sensor information processing apparatus | |
Flacco et al. | On-line estimation of variable stiffness in flexible robot joints | |
KR101086361B1 (ko) | 로봇의 자세 제어 방법 및 그 장치 | |
US11950970B2 (en) | Medical support arm system, medical support arm control method, and medical support arm control device | |
US10967505B1 (en) | Determining robot inertial properties | |
CN115946131B (zh) | 一种柔性关节机械臂运动控制仿真计算方法及装置 | |
Belotti et al. | An Updating Method for Finite Element Models of Flexible‐Link Mechanisms Based on an Equivalent Rigid‐Link System | |
Bettega et al. | Trajectory tracking in an underactuated, non-minimum phase two-link multibody system through model predictive control with embedded reference dynamics | |
CN114191791B (zh) | 康复机器人主动控制方法、装置及康复机器人 | |
Fisette et al. | Fully symbolic generation of complex multibody models | |
Naerum et al. | The effect of interaction force estimation on performance in bilateral teleoperation | |
Bettega et al. | Stable inverse dynamics for feedforward control of nonminimum-phase underactuated systems | |
JPH09123077A (ja) | ロボットの剛性同定方法及びその装置 | |
CN117921684A (zh) | 机械臂的控制方法、装置、存储介质及电子设备 | |
JP3396425B2 (ja) | 振動台制御装置 | |
CN116330297A (zh) | 一种柔性机械臂关节系统的自适应控制器、模块及机器人 | |
JP3383282B2 (ja) | 6自由度シミュレーション方法 | |
Raouf et al. | Workspace trajectory tracking control for two-flexible-link manipulator through output redefinition | |
JP2011067884A (ja) | 高速高精度な接触作業に適用するロボット制御システム、ロボット制御方法、ロボット制御装置、およびプログラム | |
Mishra et al. | Dynamic modelling and control of flexible link manipulators: Methods and scope-Part-1 | |
Saldarriaga et al. | Design of damping matrices for cartesian impedance control of robotic manipulators |
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 |