一种运载机器人手臂操控多点映射智能控制方法及系统技术方案
Multi point mapping intelligent control method and system for arm control of a carrier robot
The invention discloses a carrying robot arm manipulation of multi point mapping intelligent control method and system, the method comprises the following steps: Step 1: training many times to carry crawling robot arm, was carrying the robot in different fixed grasping points complete grasp task grab samples; step 2: Based on the a% variation of the arm joint control value to grab samples of the joint classification, access to all kinds of joint samples; step 3: using the step joint sample of 2 sets obtained to construct prediction model of robot arm joint launch control value; step 4: the carrier robot base and capture the distance between the bottom edge of Taiwan as the input value, the prediction model, all under control the joint and the output value of the control value, respectively, to complete the grasping task control. By establishing the mapping between the robot base, the distance between the grab table and the posture of the robot arm, the complex kinematics equation is avoided, and the accurate joint control value is obtained, and the control is flexible.
【技术实现步骤摘要】
一种运载机器人手臂操控多点映射智能控制方法及系统
本专利技术属于机器人控制领域，特别涉及一种运载机器人手臂操控多点映射智能控制方法及系统。
技术介绍
近些年来，移动机器人被广泛应用于室内运输，如医院利用移动机器人运输医疗设备、超市的服务型机器人、工厂制造环境下的机器人等。而机器人手臂是机器人机械系统的重要组成部分，也是机器人实现其服务功能的主要载体。机械手臂的控制问题一直是该行业的难点问题。早期，大部分手臂采用PID控制，能够实现中等以下速度的跟踪，但是在高精度、快速的场合下，传统的PID控制并不能满足其控制要求。在这种情况下，出现了模糊控制、神经网络控制、模糊神经网络控制、专家控制等智能控制方法。如今神经网络广泛应用于机器人手臂控制：通过求解运动学方程来获得训练样本，利用神经网络建立手臂关节空间坐标与笛卡尔空间坐标的映射关系。然而通过求解运动学方程获得大量样本的方法并不实用，而且机器人手臂关节处的电机更换会使得之前构建的神经网络需重新训练。因此，机器人的维护存在着极大的不便。基于上述原因，迫切地需要一种更为智能的手臂控制方法。
技术实现思路
本专利技术提供了一种运载...
【技术保护点】
一种运载机器人手臂操控多点映射智能控制方法，其特征在于,包括以下步骤：步骤1：当运载机器人位于指定抓取距离区间内的固定抓取点时，利用远程服务器控制运载机器人手臂进行多次抓取训练，获得运载机器人在不同固定抓取点完成抓取任务的抓取样本集；每个抓取样本包括运载机器人基座所在固定抓取点与抓取台底端边缘之间的距离和完成抓取任务过程中所有关节的控制值矩阵，所述所有关节的控制值矩阵大小为N*M，N表示运载机器人手臂关节个数，M表示抓取过程手臂动作次数；步骤2：依据各手臂关节控制值的变化幅度a％对抓取样本集中进行关节分类，获得各类关节样本集；从每个抓取样本中提取出各个关节样本，每个关节样本...
【技术特征摘要】
1.一种运载机器人手臂操控多点映射智能控制方法，其特征在于,包括以下步骤：步骤1：当运载机器人位于指定抓取距离区间内的固定抓取点时，利用远程服务器控制运载机器人手臂进行多次抓取训练，获得运载机器人在不同固定抓取点完成抓取任务的抓取样本集；每个抓取样本包括运载机器人基座所在固定抓取点与抓取台底端边缘之间的距离和完成抓取任务过程中所有关节的控制值矩阵，所述所有关节的控制值矩阵大小为N*M，N表示运载机器人手臂关节个数，M表示抓取过程手臂动作次数；步骤2：依据各手臂关节控制值的变化幅度a％对抓取样本集中进行关节分类，获得各类关节样本集；从每个抓取样本中提取出各个关节样本，每个关节样本包括距离和控制值向量，所述关节样本中的距离是指运载机器人基座所在的固定抓取点与抓取台底端边缘之间的距离，所述关节样本中的控制向量，是指运载机器人基座位于固定抓取点时，完成抓取任务过程中对应的关节控制值向量，向量大小为1*M；依据关节控制值变化幅度a％，对抓取样本集对应的所有关节样本进行分类：若a％<20％，该类关节作为第一类关节；若20％≤a％≤50％，该类关节作为第二类关节；若a％>50％，该类关节作为第三类关节每个关节样本的关节控制值变化幅度a％是指每个关节在一次抓取过程所有动作中的最大控制值和最小控制值之差与对应关节的控制量程之比；步骤3：利用步骤2得到的关节样本集构建运载机器人手臂关节控制值的预测模型；依次各类关节样本集中的每个关节样本的距离和控制值向量分别作为训练模型的输入数据和输出数据进行训练，构建预测模型，包括第一类关节预测模型、第二类关节预测模型以及第三类关节预测模型；其中，第一类关节预测模型使用的训练模型为基于Elman神经网络模型；第二类关节预测模型使用的训练模型为多核支持向量机MKSVM模型；第三类关节预测模型使用的训练模型为小波神经网络模型；步骤4：利用运载机器人基座所在固定抓取点与抓取台底端边缘之间的距离作为三类关节预测模型的输入值，分别得到各个关节的控制值，输出运载机器人手臂所有关节的控制值，完成抓取任务。2.根据权利要求1所述的方法，其特征在于，所述第一类关节预测模型以第一类关节样本集中各关节样本的距离和控制值向量分别作为Elman神经网络模型的输入数据和输出数据进行训练后，获得的基于Elman神经网络的第一类关节控制预测模型；所述基于Elman神经网络的第一类关节控制预测模型输入层节点个数为2，隐含层个数为5，输出层节点个数为2，承接层节点个数为5；隐含层函数采用tansig函数，输出层神经元的传递函数采用logsig函数，最大迭代次数设置为100，训练学习率为0.1，阈值为0.001；所述基于Elman神经网络的第一类关节控制预测模型的权值和阈值采用自适应惯性权重磷虾群算法AKH寻优获得。3.根据权利要求2所述的方法，其特征在于，所述基于Elman神经网络的第一类关节控制预测模型的权值和阈值采用自适应惯性权重磷虾群算法AKH寻优获得的过程如下：步骤3.1：以磷虾个体位置作为基于Elman神经网络的第一类关节控制预测模型的权值和阈值，初始化磷虾种群并设置磷虾种群参数；磷虾种群规模的取值范围为[20，200]，诱导惯性权重wn的取值范围为[0.5,0.7]，觅食惯性权重wf的取值范围为[0.5,0.7]，最大诱导速度的取值范围为[0.02,0.08]，最大觅食速度的取值范围为[0.02,0.08]，最大扩散速度的取值范围为[0.002,0.01]，步长缩放因子的取值范围为[0.1,0.5]，最大迭代次数T的取值范围为[200，1000]，搜索精度的取值范围为[0.001,0.1]；步骤3.2：设定适应度函数，并确定初始最优磷虾个体位置和迭代次数t，t＝1；将磷虾个体位置对应的权值和阈值代入基于Elman神经网络的第一类关节控制预测模型中，并利用磷虾位置确定的基于Elman神经网络的第一类关节控制预测模型计算第一类关节样本集中每个关节样本的关节控制预测值，将所有关节样本的控制预测值和实际值的均方差MSE的倒数作为第一适应度函数f1(x)；利用第一适应度函数计算每个磷虾个体位置的适应度，以最大适应度对应的磷虾个体位置作为初始最优磷虾个体位置步骤3.3：利用每个磷虾个体的当前的诱导速度、觅食速度以及扩散速度，更新每个磷虾个体的运动速度和位置；步骤3.4：对每个更新后的磷虾个体位置进行基于遗传算法的交叉操作，交叉因子的取值范围为[0.3，0.5]；步骤3.5：计算当前磷虾种群中每个磷虾个体位置的适应度，以当前磷虾种群中最大适应度对应的磷虾个体位置作为当前最优磷虾个体位置步骤3.6：依据当前最优磷虾个体的适应度值和前一次迭代过程中的最优磷虾个体的适应度值按照以下公式，对磷虾个体的惯性权重进行动态调整，并更新磷虾个体的诱导速度和觅食速度：其中，所述磷虾个体的惯性权重包括诱导速度惯性权重和觅食速度惯性权重，wn和wf分别表示初始化的诱导速度惯性权重和觅食速度惯性权重，和分别表示在第t次迭代后，磷虾个体的诱导速度惯性权重和觅食速度惯性权重；步骤3.7：判断是否满足达到搜索精度或者最大迭代次数，若不满足，则令t＝t+1，返回步骤3.3，否则，输出当前最优的磷虾个体位置，得到基于Elman神经网络的第一类关节控制预测模型的最优权值和阈值；所述达到搜索精度是指当前最优磷虾个体的适应度值和前一次迭代过程中的最优磷虾个体的适应度值。4.根据权利要求1所述的方法，其特征在于，所述第二类关节预测模型以第二类关节样本集中各关节样本的距离和控制值向量分别作为多核支持向量机MKSVM模型的输入数据和输出数据进行训练后，获得的基于多核支持向量机MKSVM的第二类关节控制预测模型；所述基于多核支持向量机MKSVM的第二类关节控制预测模型的核函数为高斯函数，参数c、g和d采用改进狼群算法寻优获得。5.根据权利要求4所述的方法，其特征在于，所述基于多核支持向量机MKSVM的第二类关节控制预测模型的参数c、g和d采用改进狼群算法寻优获得的过程如下：步骤5.1：以个体狼的位置作为基于多核支持向量机MKSVM的第二类关节控制预测模型的参数c、g和d，初始化狼群并设置狼群参数；狼群规模的取值范围为[20，200]，狼的视觉半径的取值范围[1,5]，可记忆步数为1，逃跑概率的取值范围为[0.02，0.08]，最大搜索精度的取值范围为[0.005,0.1]，最大迭代次数的取值范围[500,1000]；步骤5.2：设定适应度函数，并确定初始最优头狼位置和迭代次数t，t＝1；将个体狼位置对应的参数c、g和d代入基于多核支持向量机MKSVM的第二类关节控制预测模型中，并利用个体狼位置确定的基于多核支持向量机MKSVM的第二类关节控制预测模型计算第二类关节样本集中每个关节样本的关节控制预测值，将所有关节样本的控制预测值和实际值的均方差MSE的倒数作为第二适应度函数f2(x)；利用第二适应度函数计算每匹个体狼位置的适应度，以最大适应度对应的个体狼位置作为初始最优头狼位置；步骤5.3：寻找每匹个体狼的第一次更新位置，以第一次更新位置更新个体狼位置，并以所有个体狼的第一次更新位置，更新狼群最优头狼位置，j＝1，j表示个体狼位置更新次数；按照公式(1)计算每匹个体狼的第一次更新位置x1(t)，并判断计算得到的第一次更新位置是否为从未达到过的新位置，若到达过，则重复步骤5.3直到重新获得第一次更新位置，若未到达过，则利用个体狼的第一个更新位置计算得适应度；xj(t)＝xj-1(t)+β(r)(P(t)-xj-1(t))+rand()(1)其中，xj-1(t)和xj(t)表示个体狼在第t次迭代过程中的第j-1次更新位置和第j次更新位置，x0(t)表示个体狼在第t次迭代过程中迭代操作开始前的初始位置；β(r)为中间计算量，t和Gen分别表示当前迭代次数和最大迭代次数，w为大于2的常数，β0为最大激励因子，取正数，r表示当前个体狼位置x0(t)的视野范围内适应度最好的同伴个体狼位置的适应度f2(P(t))与当前个体狼位置的适应度f2(x0(t))之差的绝对值，r＝|f2(P(t)-f2(x0(t))|；rand()为[0,1]中的一个随机数；步骤5.4：判断每个个体狼的第一次更新位置...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。