一种基于BP神经网络的灵巧手规划方法技术

本发明专利技术提供了一种仿人灵巧手的规划方法，包括以下步骤：步骤S1，BP神经网络训练，通过对网络权值的修正与阈值的修正，使误差函数沿梯度方向下降；所述BP神经网络的输入是抓取目标的仿射不变矩，输出为与抓取手势相对应的抓取目标种类；步骤S2，识别未知模式，通过训练好的BP神经网络判断出相对应的抓取方式并给出仿人手各关节角度。本发明专利技术的方法能够满足机器人针对不同类型、尺寸的工具的抓取与操作需求。

A clever hand planning method based on BP neural network

The invention provides a planning method for a humanoid dexterous hand, which comprises the following steps: training with a BP neural network, the error function is reduced along the gradient direction by modifying the weights and thresholds of the network; the input of the BP neural network is an affine invariant moment of the grasping target, and the output is relative to the grasping gesture. The type of the target should be grasped, and the unknown pattern can be identified by means of the trained BP neural network. The corresponding grasping mode can be judged and the joint angles of the humanoid hand are given. The method of the invention can meet the grasping and operating requirements of the robot for different types and sizes of tools.

【技术实现步骤摘要】
一种基于BP神经网络的灵巧手规划方法
本专利技术涉及一种多自由度仿人灵巧手操作方式规划方法，特别是在抓取过程中能够适应不同抓取目标的操作规划，属于机器人系统

技术介绍
机器人作为20世纪人类最伟大的专利技术之一，经过长期的发展，应用在众多领域，尤其是危险领域，包括空间、水中和地下资源开采等，代替或协助人类的工作。面对复杂的劳动工具，机器人需要一双灵巧的手来完成各种各样的任务。近几十年国内外涌现出一大批集成了最先进科技的机械灵巧手，这些机械灵巧手有些已经成功应用在军事和太空领域，甚至有部分机械灵巧手率先迈入行业市场和义肢领域。这些灵巧手或是理论精湛或是简单灵活或是复杂多变。AaronM.DollarandRobertD.Howe在2010年提出了一种非常简单的机械手设计概念，虽然这个机械手无法完成精细的操作，但是这种设计理念能够使得机械手对抓取的目标表现出极高的适应性。德国宇航局研制出了仿人手DLRHandArmSystem，这种手的灵活性非常高，但由此带来了38个电机和复杂的运动学负担。NASA所研发的机器人宇航员Robonaut2拥有一双12个自由度的机械手。Shadow公司于2004年开始研发的五指仿人灵巧手，外形上接近人手，总计24个关节。仿人灵巧手机构复杂，自由度多，在完成抓取或操作过程中，对各关节进行规划是一个难点。
技术实现思路
本专利技术的目的在于提供一种基于BP神经网络的规划方法，能够使仿人灵巧手像人手一样使用种类繁多的工具，完成操作任务。。本专利技术的技术方案如下。一种仿人灵巧手的规划方法，包括以下步骤：步骤S1，BP神经网络训练，通过对网络权值的修正与阈值的修正，使误差函数沿梯度方向下降；所述BP神经网络的输入是抓取目标的仿射不变矩，输出为与抓取手势相对应的抓取目标种类；步骤S2，识别未知模式，通过训练好的BP神经网络判断出相对应的抓取方式并给出仿人手各关节角度。优选地，所述BP神经网络包括输入层、隐含层、输出层。优选地，所述隐含层的变换函数为非线性函数。优选地，所述非线性函数为S型函数或双曲线正切函数。优选地，所述输出层的变换函数为非线性的或线性的。优选地，通过对图像进行特征提取，得到不变距特征；分别将这些特征输入网络，实行样本采样训练，然后实行样本完整训练；所述BP网络的输出为属于各类物体的隶属度，其输出值最大的输出节点对应一个输出的具体物体类别，得到识别结果。优选地，所述BP神经网络的输入包括工具类型t、该工具平面内的最小包络圆半径R，以及工具开合状态b。优选地，所述BP神经网络的输出定义为仿人手指尖末端相对手腕的位置，仿人手指各关节角度通过逆运动学计算求解得到。优选地，所述输入层与所述隐含层之间的传输函数为log-sigmoid函数，所述隐含层与所述输出层之间的传输函数为线性函数，f(x)＝x。优选地，在迭代过程中，根据误差函数的变化采用变步长法对BP神经网络的学习率η进行调整：其中E(n)为BP神经网络的误差函数。通过以上技术方案，本专利技术能够提供多自由度仿人灵巧手在抓取过程中操作方式的规划，满足机器人针对不同类型、尺寸的工具的抓取与操作需求。附图说明图1是本专利技术的BP神经网络构型示意图。图2(a)-图2(b)是使用本专利技术的规划方法控制灵巧手抓取长筒形物体示意图。图3(a)-图3(b)是使用本专利技术的规划方法控制灵巧手抓取方形物体示意图。图4(a)-图4(b)是使用本专利技术的规划方法控制灵巧手抓取板状物体示意图。具体实施方式本专利技术提供的仿人灵巧手的规划方法包括以下步骤：步骤S1，BP神经网络训练，通过对网络权值的修正与阈值的修正，使误差函数沿梯度方向下降；所述BP神经网络的输入是抓取目标的仿射不变矩，输出为与抓取手势相对应的抓取目标种类；步骤S2，识别未知模式，通过训练好的BP神经网络判断出相对应的抓取方式并给出仿人手各关节角度。本专利技术使用的BP神经网络的典型结构如图1所示。其中隐含层的变换函数一般为非线性函数，如S型函数或双曲线正切函数。输出层的变换函数可以是非线性的，也可以是线性的，这由输入、输出映射关系的需要而定。BP神经网络学习的指导思想是，对网络权值的修正与阈值的修正，使误差函数沿梯度方向下降。该工具识别的神经网络的输入是工具的仿射不变矩，输出为与抓取手势相对应的工具种类。BP网络三层节点表示为：输入层有M个节点，隐含层有有Q个节点，ωjk是输入层和隐含层节点之间的连接权值，输出层有L个节点，ωij是隐含层和输出层节点之间的连接权值，隐含层和输出层节点的输入是前一层节点的输出的加权和，每个节点的激励程度由它的激发函数来决定的。通过对图像进行特征提取，得到不变距特征。分别将这些特征输入网络，实行样本采样训练，然后实行样本完整训练。当连续5次E<0.01时，训练结束。当训练次数超过5000次时为训练失败。实际中由于形状特征提取时可能会出现偏差，导致某物体的特征不能精确得到，为了增加系统的鲁棒性，BP网络的输出为属于各类物体的隶属度，其输出值最大的输出接点对应一个输出的具体物体类别，得到识别结果。若最大值小于阈值0.6，则对物体进行第二次特征提取并识别，以进一步确定目标。若输出的最大值扔小于0.6，则判断场景中没有待识别的目标。如果BP神经网络输出节点同时存在多个最大值，则拒绝判断。下面对BP神经网络模型参数确定进行说明。首先说明输入定义。在进行空间站仪器仪表安装与维修时，需要使用各种不同的工具，而工具种类决定仿人手抓取与操作的手势。因此，将工具进行分类，工具类型t(t＝1,2,3)作为BP神经网络的一个输入。其中t＝1时为钳式工具，t＝2时为锥式工具，t＝3时为枪式工具。而即使是同一种工具由于尺寸的不同，手掌的张开程度也不同。因此，将工具尺寸也作为神经网络的一个输入。由于工具尺寸主要在平面大小有显著差异，厚度差异不大，因此工具尺寸这一输入可设为该工具平面内的最小包络圆半径R。该最小包络圆仅包络仿人手需要抓取的地方即可，即钳式工具仅以把手尺寸作为输入，而不考虑钳子尖的尺寸。另外，钳式工具的开合状态也会影响手指抓取的角度，因此，将工具开合状态b也作为神经网络的输入。将由0°到180°等分为6个等级，用b等于0到6代表工具的开合角度，b等于0时代表工具完全闭合，对锥式与枪式工具来说，b为0。以下说明输出定义。将神经网络的输出定义为仿人手指尖末端相对手腕的位置，而手指各关节角度则通过逆运动学计算求解得到。以下说明网络结构设定。输入层节点数的确定：输入层包括工具种类、最小包络圆半径开合状态，故输入层的节点数m为3。输出层节点数的确定：输出层节点数与仿人手实际结构相关。为简化神经网络，将输出设为仿人手操作手势与手的开合状态。根据对机器人宇航员操作方式的分类，对每一个操作手势进行编码，有15个种类；将手的开合状态由完全闭合到完全分开进行1～6的分级。故输出层节点数n＝16。隐含层节点数的确定：根据单层隐含层的神经网络经验函数式和确定隐含层节点数s，其中a为1至10之间的整数。根据经验，设定隐含层节点数为10。传输函数的确定：输入层与隐含层之间的传输函数均为log-sigmoid函数，隐含层与输出层之间的传输函数为线性函数，f(x)＝x。以下说明网络权值调整。本专利技术的方本文档来自技高网...

【技术保护点】
1.一种仿人灵巧手的规划方法，包括以下步骤：步骤S1，BP神经网络训练，通过对网络权值的修正与阈值的修正，使误差函数沿梯度方向下降；所述BP神经网络的输入是抓取目标的仿射不变矩，输出为与抓取手势相对应的抓取目标种类；步骤S2，识别未知模式，通过训练好的BP神经网络判断出相对应的抓取方式并给出仿人手各关节角度。

【技术特征摘要】
1.一种仿人灵巧手的规划方法，包括以下步骤：步骤S1，BP神经网络训练，通过对网络权值的修正与阈值的修正，使误差函数沿梯度方向下降；所述BP神经网络的输入是抓取目标的仿射不变矩，输出为与抓取手势相对应的抓取目标种类；步骤S2，识别未知模式，通过训练好的BP神经网络判断出相对应的抓取方式并给出仿人手各关节角度。2.根据权利要求1所述的仿人灵巧手的规划方法，其特征在于，所述BP神经网络包括输入层、隐含层、输出层。3.根据权利要求2所述的仿人灵巧手的规划方法，其特征在于，所述隐含层的变换函数为非线性函数。4.根据权利要求3所述的仿人灵巧手的规划方法，其特征在于，所述非线性函数为S型函数或双曲线正切函数。5.根据权利要求2所述的仿人灵巧手的规划方法，其特征在于，所述输出层的变换函数为非线性的或线性的。6.根据权利要求2所述的仿人灵巧手的规划方法，其特征在于，通过对图像进行特征提取，得到不变距特征；分别将这些特征输入网...

【专利技术属性】
技术研发人员：魏博，杨德伟，周详宇，邓聪颖，胡磊，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50