一种类人机器人上肢运动模型的类神经精准控制方法技术

本发明专利技术提出的一种类人机器人上肢运动模型的类神经精准控制方法，包括类人机器人的上肢动力学模型、运动模板库的构建，以及运动模板的选择和控制输出的步骤，还包括参照生物中大脑的群体向量编码机制设计的基于运动结果进行离线修正的权重修正方法，参照小脑在运动控制中的修正作用而提出的实时的权重修正模型以及更新该权重修正模型的方法。该方法避免了实时的逆动力学求解，大幅减少了计算量，加快了反应速度，使类人机器人能同时具备高精度、学习能力和快速反应能力。与已有类神经控制方法相比，该方法可以在不增加模板点数目的情况下通过建立和更新权重修正模型来提高运动精度，而且该权重修正模型具有一定的泛化能力。

【技术实现步骤摘要】

本专利技术涉及一种类人机器人运动模型的控制方法，尤其涉及一种类人机器人上肢运动模型的类神经精准控制方法。背景传统机器人采用以关节电机为主的驱动方式，在控制过程中需要通过对各个关节的精确控制来完成运动任务，当运动的自由度很高时，控制会变得很复杂。而且，传统机器人大多根据特定任务设计，功能单一，不具有广泛的应用能力，无法很好地应对新的运动任务。参照人体运动系统，采用仿人的肌肉-关节结构的类人机器人与传统机器人相比，在灵活性、通用性和可靠性上具有显著的改善。但由于其特殊的结构设计，增加了运动模型的自由度和非线性性，也使得对模型的反向求解计算过程繁琐，计算量大，因此对传统的控制方法提出了更高的要求。现有一种技术方案如下：现有技术1：H.Qiao,C.Li,P.J.Yin,W.WuandZ.-Y.Liu,Human-inspiredmotionmodelofupper-limbwithfastresponseandlearningability-Apromisingdirectionforrobotsystemandcontrol,AssemblyAutomation,inpublication.现有技术1公开了一种类人机器人上肢运动的类神经控制方法，该方法是基于将习惯计划理论应用于类人机器人控制而提出的，可以根据学习所得的运动模板来完成新的运动任务。该方法大幅地减少了机器人控制过程中的计算量，与传统控制方法相比提高了运动速度，还可以通过不断地积累更多的运动模板点来提高运动精度。但是该方法在提高控制精度时所需的模板点数量大，因此在学习过程中可能存在计算量大，学习过程缓慢，且对存储要求高等问题。而且该方法所提高的运动精度局限在所习得的运动模板范围内，缺乏泛化能力。在神经认知领域，生物学家提出了群体向量编码的机制，可以根据相关运动神经元的放电情况，预测生物上肢的运动方向。通过对人体运动通路的研究，生物学家们发现小脑对运动控制的修正作用。本专利技术的类人机器人上肢运动模型的类神经精准控制方法就是基于以上生物机制提出的。
技术实现思路
针对以上问题，本专利技术提出了一种类人机器人上肢运动模型的类神经精准控制方法，通过较小的样本点更新权重修正模型，降低存储要求，而且习得的权重修正模型具有一定的泛化能力。本专利技术提出的一种类人机器人上肢运动模型的类神经精准控制方法，包括模型及模板的构建、模板的选择和控制输出两大部分，模型及模板的构建包括类人机器人的上肢动力学模型、运动模板库的构建，模型及模板的构建还包括权重修正模型的建立，模板的选择和控制输出部分之前设置有更新权重修正模型的步骤：建立权重修正模型：步骤A1：设定一组运动目标点，依次对各运动目标点，基于习惯计划理论的类神经控制方法从运动模板库中选择k个运动模板并计算各模板点的权重值wi，进一步计算运动目标点的控制信号u，依据控制信号u执行第一轮上肢运动，计算该轮执行结果中终点位置与对应运动目标点的误差error1；步骤A2：依据第一轮上肢运动的每一个终点位置与对应运动目标点和各模板下的运动参考点的坐标的相对位置，对权重值wi进行离线修正，得到修正后的权重值w′i；步骤A3：依次对各运动目标点，根据修正后的各权重值w′i计算各运动目标点的控制信号u′，依据控制信号u′执行第二轮上肢运动，计算该轮执行结果中终点位置与对应运动目标点的误差error2；步骤A4：依据误差error1和误差error2的变化趋势进行样本筛选，保存误差减小的运动目标点的运动信息，建立样本库；步骤A5：根据样本库中的信息建立初始的权重修正模型；更新权重修正模型：步骤B1：指定一批新的运动目标点，基于习惯计划理论的类神经控制方法，并结合权重修正模型执行一轮上肢运动，计算该轮运动中运动终点坐标与运动目标点坐标的误差的平均值errormean；步骤B2：若errormean>设定的误差阈值errorthreshold，则权重修正模型还未满足控制要求，需要执行步骤B3进行模型更新；若errormean≤设定的误差阈值errorthreshold，则权重修正模型已满足控制要求，结束模型的更新过程；步骤B3：若已有的权重修正模型不能满足控制要求，则建立新的权重修正模型，并根据新的权重修正模型再次执行步骤B1。优选的，所述步骤A1中每一个运动目标点的第一轮上肢运动相关参数的计算方法包括以下步骤：步骤A11：根据给定的运动目标点位置pnew，选择k个合适的运动模板点pi，计算各模板点权重wi，wi=1diΣj=1k1dj,j∈N]]>di=(xi-xnew)2+(yi-ynew)2]]>其中，di、dj均表示目标点位置与模板点位置的距离，i、j表示选定的模板点的序号，(xi,yi)表示模板点位置的坐标，(xnew,ynew)表示给定目标点位置的坐标；步骤A12：根据各模板点的权重wi及控制信号upi，计算目标点的控制信号u，u=Σi=1kwiupi]]>步骤A13：根据控制信号执行运动，得到运动终点位置p′，并计算运动终点位置与运动目标点位置之间的误差error1，error1=(x′-xnew)2+(y′-ynew)2]]>其中，(x′,y′)为运动终点位置p′的坐标。优选的，步骤A2中对权重值wi修正的方法是参照生物大脑中的群体向量编码机制而设计的，其具体一下步骤：步骤A21：根据步骤A1中第一轮上肢运动执行结果中终点位置计算相关参数：计算模板点位置pi与坐标系原点的距离dpi=xi2+yi2]]>计算运动目标点位置pnew与坐标系原点的距离dpnew=xnew2+ynew2]]>计算运动终点位置p′与坐标系原点的距离dp′，dp′=x′2+y′2]]>计算目标点位置与运动终点位置的距离作为误差距离derror，derror=(x′-xnew)2+(y′-ynew)2]]>计算与的夹角θi；步骤A22：计算修正系数ki：ki=derrordp′·[1+n·(dpnew-dpidpi)]]]>其中，n∈N；步骤A23：计算权重修正值Δwi和修正后的权重值w′iΔwi＝kicosθiw′i＝wi+Δwi步骤A3中每一个运动本文档来自技高网...

【技术保护点】
一种类人机器人上肢运动模型的类神经精准控制方法，包括模型及模板的构建、模板的选择和控制输出两大部分，模型及模板的构建包括类人机器人的上肢动力学模型、运动模板库的构建，其特征在于，模型及模板的构建还包括权重修正模型的建立，模板的选择和控制输出部分之前设置有更新权重修正模型的步骤：建立权重修正模型：步骤A1：设定一组运动目标点，依次对各运动目标点，基于习惯计划理论的类神经控制方法从运动模板库中选择k个运动模板并计算各模板点的权重值wi，进一步计算运动目标点的控制信号u，依据控制信号u执行第一轮上肢运动，计算该轮执行结果中终点位置与对应运动目标点的误差error1；步骤A2：依据第一轮上肢运动的每一个终点位置与对应运动目标点和各模板下的运动参考点的坐标的相对位置，对权重值wi进行离线修正，得到修正后的权重值w′i；步骤A3：依次对各运动目标点，根据修正后的各权重值w′i计算各运动目标点的控制信号u′，依据控制信号u′执行第二轮上肢运动，计算该轮执行结果中终点位置与对应运动目标点的误差error2；步骤A4：依据误差error1和误差error2的变化趋势进行样本筛选，保存误差减小的运动目标点的运动信息，建立样本库；步骤A5：根据样本库中的信息建立初始的权重修正模型；更新权重修正模型：步骤B1：指定一批新的运动目标点，基于习惯计划理论的类神经控制方法，并结合权重修正模型执行一轮上肢运动，计算该轮运动中运动终点坐标与运动目标点坐标的误差的平均值errormean；步骤B2：若errormean>设定的误差阈值errorthreshold，则权重修正模型还未满足控制要求，需要执行步骤B3进行模型更新；若errormean≤设定的误差阈值errorthreshold，则权重修正模型已满足控制要求，结束模型的更新过程；步骤B3：若已有的权重修正模型不能满足控制要求，则建立新的权重修正模型，并根据新的权重修正模型再次执行步骤B1。...

【技术特征摘要】
1.一种类人机器人上肢运动模型的类神经精准控制方法，包括模型及
模板的构建、模板的选择和控制输出两大部分，模型及模板的构建包括
类人机器人的上肢动力学模型、运动模板库的构建，其特征在于，模型
及模板的构建还包括权重修正模型的建立，模板的选择和控制输出部分
之前设置有更新权重修正模型的步骤：
建立权重修正模型：
步骤A1：设定一组运动目标点，依次对各运动目标点，基于习惯
计划理论的类神经控制方法从运动模板库中选择k个运动模板并计算
各模板点的权重值wi，进一步计算运动目标点的控制信号u，依据控制
信号u执行第一轮上肢运动，计算该轮执行结果中终点位置与对应运动
目标点的误差error1；
步骤A2：依据第一轮上肢运动的每一个终点位置与对应运动目标
点和各模板下的运动参考点的坐标的相对位置，对权重值wi进行离线修
正，得到修正后的权重值w′i；
步骤A3：依次对各运动目标点，根据修正后的各权重值w′i计算各
运动目标点的控制信号u′，依据控制信号u′执行第二轮上肢运动，计算
该轮执行结果中终点位置与对应运动目标点的误差error2；
步骤A4：依据误差error1和误差error2的变化趋势进行样本筛选，
保存误差减小的运动目标点的运动信息，建立样本库；
步骤A5：根据样本库中的信息建立初始的权重修正模型；
更新权重修正模型：
步骤B1：指定一批新的运动目标点，基于习惯计划理论的类神经
控制方法，并结合权重修正模型执行一轮上肢运动，计算该轮运动中运
动终点坐标与运动目标点坐标的误差的平均值errormean；
步骤B2：若errormean>设定的误差阈值errorthreshold，则权重修
正模型还未满足控制要求，需要执行步骤B3进行模型更新；若
errormean≤设定的误差阈值errorthreshold，则权重修正模型已满足控
制要求，结束模型的更新过程；
步骤B3：若已有的权重修正模型不能满足控制要求，则建立新的
权重修正模型，并根据新的权重修正模型再次执行步骤B1。
2.根据权利要求1所述的方法，其特征在于，所述步骤A1中每
一个运动目标点的第一轮上肢运动相关参数的计算方法包括以下步骤：
步骤A11：根据给定的运动目标点位置pnew，选择k个合适的运动
模板点pi，计算各模板点权重wi，
Wi=1diΣj=1k1dj,j∈N]]>di=(xi-xnew)2+(yi-ynew)2]]>其中，di、dj均表示目标点位置与模板点位置的距离，i、j表示
选定的模板点的序号，(xi,yi)表示模板点位置的坐标，(xnew,ynew)
表示给定目标点位置的坐标；
步骤A12：根据各模板点的权重wi及控制信号upi，计算目标点的
控制信号u，
u=Σi=1kWiupi]]>步骤A13：根据控制信号执行运动，得到运动终点位置p′，并计算
运动终点位置与运动目标点位置之间的误差error1，
error1=(x′-xnew)2+(y′-ynew)2]]>其中，(x′,y′)为运动终点位置p′的坐标。
3.根据权利要求2所述的方法，其特征在于，步骤A2中对权重
值wi修正的方法是参照生物大脑中的群体向量编码机制而设计的，其具
体一下步骤：
步骤A21：根据步骤A1中第一轮上肢运动执行结果中终点位置计
算相关参数：
计算模板点位置pi与坐标系原点的距离dpi=xi2+yi2]]>计算运动目标点位置pnew与坐标系原点的距离dpnew=xnew2+ynew2]]>计算运动终点位置p′与坐标系原点的距离dp′，
dp′=x′2+y′2]]>计算目标点位置与运动终点位置的距离作为误差距离derror，
derror=(x′-xnew)...

【专利技术属性】
技术研发人员：乔红，吴伟，陈嘉浩，尹沛劼，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11