一种机械手运动学逆解方法及系统技术方案

本申请公开了一种机械手运动学逆解方法，包括：利用径向基函数神经网络算法的数学模型，计算出机械手的运动参数；其中，数学模型的训练过程包括：在历史末端位姿参数域中生成2k个初始中心点；对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点，进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量；利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量；利用中心值向量、基宽向量和预设的高斯函数，通过梯度下降法，计算出中心点的权值。可见，本发明专利技术使经过上述训练的数学模型能够快速且精确的高效求解机械手运动学逆解问题。另外，本申请还公开了一种机械手运动学逆解系统。

Manipulator kinematics inverse solution method and system

The invention discloses a manipulator inverse kinematics method, including: using mathematical model of radial basis function neural network algorithm, calculates the motion parameters of the manipulator; the training process mathematical model includes: generating a 2K initial center point in the history of the end pose parameters for each domain; initial center points are update, update the 2K to the center point, the two mean treatment, K centers, and get the value vector of each center center; use linear distance and the center point between the 22 centers of the preset number k, to calculate the base width value vector, matrix vector; wide vector and preset function by the Gauss center, through the gradient descent method, calculate the center point weight. The present invention makes it possible to efficiently and accurately solve the inverse kinematics problem of the manipulator by the mathematical model described above. In addition, a reverse kinematics system of manipulator is also disclosed.

【技术实现步骤摘要】
一种机械手运动学逆解方法及系统
本专利技术涉及运动学领域，特别涉及一种机械手运动学逆解方法及系统。
技术介绍
随着科技的进步，人工智能逐渐在生产中的应用越来越广，机械手逐渐被研发和使用，机械手可通过编程来完成各种预期的作业任务，在构造和性能上兼有人和机器各自的优点，尤其体现了人的智能和适应性，机械手作业的准确性和各种环境中完成作业的能力，在国民经济各领域有着广阔的发展前景。现有技术中，生产线机械手运动学描述了其关节与组成的各刚体之间的运动关系。它包括两类问题：一类是给定机械手各关节角度,求解机械手末端执行器的位置和姿态,称为运动学正问题，正问题解单一且确定。另一类是已知终端执行器的位置和姿态,求机械手对应于这个位姿的全部关节角,称为运动学逆问题。机械手运动学逆问题中又涉及到逆解的求法，这一点是机械手路径规划和编写控制算法的基础，而其精度的保证又是实时控制的关键。通常，逆解的数量与机械手的连杆的个数、关节个数、关节杆件转动角度范围等多个方面有关系。一般说来，机械手运动学逆解的数量随着关节和连杆的参数的增多而增多。多关节机械手运动学逆解出现多个解的情况是十分常见的，而且又有存在性的制约，所以选择一种高效求解的方法在工程实验中是很有必要的。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种机械手运动学逆解方法及系统，以达到快速且精确的高效求解机械手运动学逆解问题。其具体方案如下：一种机械手运动学逆解方法，包括：获取机械手的末端位姿参数，利用径向基函数神经网络算法的数学模型和所述末端位姿参数，计算出机械手的运动参数；其中，所述数学模型的训练过程包括：在历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点；其中，每个初始中心点对应一个区域，每个区域内包括个数据点，N和k均为正整数；对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点；将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量；利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量；利用中心值向量、所述基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导；利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值；其中，对每个初始中心点均进行迭代更新的过程，包括：选择初始中心点区域内距离目标输出最近的数据点作为新的初始中心点。优选的，所述历史末端位姿参数域为利用预设机械手的杆件参数和关节变量值，通过正运动学计算出的末端位姿参数得到的。优选的，所述利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量的过程，包括：利用预设的两两中心点之间的直线距离和中心点个数k，通过基宽向量计算公式，计算出所述基宽向量；其中所述基宽向量计算公式为：式中，D为两两中心点之间的直线距离，k为中心点个数，b为所述基宽向量。优选的，所述利用中心值向量、所述基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导的过程，包括：利用中心值向量、所述基宽向量和预设的高斯函数，通过权值偏导公式，求出代价函数对中心点的权值的偏导；其中，所述权值偏导公式为：式中，J为代价函数，wk为第k个中心点的权值，X为输入，即，末端位姿参数，Ck为第k个中心点的中心值向量。优选的，所述利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值的过程包括：利用代价函数对中心点的权值的偏导，通过梯度下降公式，进行迭代，计算出中心点的权值；其中，所述梯度下降公式为：式中，w(g+1)为第g+1次迭代后的中心点的权值，w(g)为第g次迭代后的中心点权值，α为学习速率。本专利技术还公开了一种机械手运动学逆解系统，包括：参数获取模块，用于获取机械手的末端位姿参数；参数计算模块，用于利用径向基函数神经网络算法的数学模型和所述末端位姿参数，计算出机械手的运动参数；其中，所述参数计算模块包括：中心点预设单元，用于在历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点；其中，每个初始中心点对应一个区域，每个区域内包括N/2k个数据点，N和k均为正整数；中心点迭代单元，用于对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点；均值化单元，用于将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量；基宽计算单元，用于利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量；偏导计算单元，用于利用中心值向量、所述基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导；权值计算单元，用于利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值；其中，对每个初始中心点均进行迭代更新的过程，包括：选择初始中心点区域内距离目标输出最近的数据点作为新的初始中心点。优选的，所述基宽计算单元，具体用于利用预设的两两中心点之间的直线距离和中心点个数k，通过基宽向量计算公式，计算出所述基宽向量；其中所述基宽向量计算公式为：式中，D为两两中心点之间的直线距离，k为中心点个数，b为所述基宽向量。优选的，所述偏导计算单元，具体用于利用中心值向量、所述基宽向量和预设的高斯函数，通过权值偏导公式，求出代价函数对中心点的权值的偏导；其中，所述权值偏导公式为：式中，J为代价函数，wk为第k个中心点的权值，X为输入，即，末端位姿参数，Ck为第k个中心点的中心值向量。优选的，所述权值计算单元，具体用于利用代价函数对中心点的权值的偏导，通过梯度下降公式，进行迭代，计算出中心点的权值；其中，所述梯度下降公式为：式中，w(g+1)为第g+1次迭代后的中心点的权值，w(g)为第g次迭代后的中心点权值，α为学习速率。本专利技术中，机械手运动学逆解方法，包括：获取机械手的末端位姿参数，利用径向基函数神经网络算法的数学模型和末端位姿参数，计算出机械手的运动参数；其中，数学模型的训练过程包括：在历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点；其中，每个初始中心点对应一个区域，每个区域内包括N/2k个数据点，N和k均为正整数；对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点；将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量；利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量；利用中心值向量、基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导；利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值；其中，对每个初始中心点均进行迭代更新的过程，包括：选择初始中心点区域内距离目标输出最近的数据点作为新的初始中心点。可见，本专利技术利用径向基函数神经网络算法，计算出机械手的运动参数，在对径向基函数神经网络算法的数学模型训练过程中，利用历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点，设定初始状态，通过对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点，寻找目标输出，将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，以使中心值向量更加平滑，并得到每个中心点的中心值向量，利用预设的两两中心点之本文档来自技高网...

【技术保护点】
一种机械手运动学逆解方法，其特征在于，包括：获取机械手的末端位姿参数，利用径向基函数神经网络算法的数学模型和所述末端位姿参数，计算出机械手的运动参数；其中，所述数学模型的训练过程包括：在历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点；其中，每个初始中心点对应一个区域，每个区域内包括2Nk个数据点，N和k均为正整数；对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点；将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量；利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量；利用中心值向量、所述基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导；利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值；其中，对每个初始中心点均进行迭代更新的过程，包括：选择初始中心点区域内距离目标输出最近的数据点作为新的初始中心点。

【技术特征摘要】
1.一种机械手运动学逆解方法，其特征在于，包括：获取机械手的末端位姿参数，利用径向基函数神经网络算法的数学模型和所述末端位姿参数，计算出机械手的运动参数；其中，所述数学模型的训练过程包括：在历史末端位姿参数域中随机生成N个数据点，并在N个数据点中选择2k个初始中心点；其中，每个初始中心点对应一个区域，每个区域内包括2Nk个数据点，N和k均为正整数；对每个初始中心点均进行迭代更新，得到更新后的2k个拟中心点；将2k个拟中心点中两两最近的拟中心点进行二次均值化处理，得到k个中心点，并得到每个中心点的中心值向量；利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量；利用中心值向量、所述基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导；利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值；其中，对每个初始中心点均进行迭代更新的过程，包括：选择初始中心点区域内距离目标输出最近的数据点作为新的初始中心点。2.根据权利要求1所述的机械手运动学逆解方法，其特征在于，所述历史末端位姿参数域为利用预设机械手的杆件参数和关节变量值，通过正运动学计算出的末端位姿参数得到的。3.根据权利要求1所述的机械手运动学逆解方法，其特征在于，所述利用预设的两两中心点之间的直线距离和中心点个数k，计算出基宽向量的过程，包括：利用预设的两两中心点之间的直线距离和中心点个数k，通过基宽向量计算公式，计算出所述基宽向量；其中所述基宽向量计算公式为：式中，D为两两中心点之间的直线距离，k为中心点个数，b为所述基宽向量。4.根据权利要求1所述的机械手运动学逆解方法，其特征在于，所述利用中心值向量、所述基宽向量和预设的高斯函数，求出代价函数对中心点的权值的偏导的过程，包括：利用中心值向量、所述基宽向量和预设的高斯函数，通过权值偏导公式，求出代价函数对中心点的权值的偏导；其中，所述权值偏导公式为：式中，J为代价函数，wk为第k个中心点的权值，X为输入，即，末端位姿参数，Ck为第k个中心点的中心值向量。5.根据权利要求1所述的机械手运动学逆解方法，其特征在于，所述利用代价函数对中心点的权值的偏导，通过梯度下降法，计算出中心点的权值的过程包括：利用代价函数对中心点的权值的偏导，通过梯度下降公式，进行迭代，计算出中心点的权值；其中，所述梯度下降公式为：...

【专利技术属性】
技术研发人员：蔡天威，杨昌铸，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44