一种基于大脑情感学习的机械臂控制方法技术

本发明专利技术公开了一种基于大脑情感学习的机械臂控制方法，应用于机械臂控制器，包括：计算出感官输入SI和奖励信号REW；利用大脑情感学习模型对感官输入SI与奖励信号REW进行处理，并将杏仁体输出值与眶额皮质输出值的差值作为机械臂控制器的输出u，以控制机械臂运作；检测机械臂实际速度，并将其反馈到步骤A中进行感官输入SI和奖励信号REW的计算，用以实现机械臂的闭环控制。本发明专利技术能够实现机械臂在非线性系统中的精确控制。

A manipulator control method based on emotional learning of the brain

The invention discloses a manipulator control method based on brain emotional learning, which is applied to mechanical arm controller: calculate the sensory input SI and reward signal REW; use the brain emotion learning model of sensory input SI and reward signal REW, and amygdala output value and the output value of the orbitofrontal cortex as the output of the U manipulator controller, to control the manipulator operation; detection of mechanical arm and calculate the actual speed feedback to step A sensory input SI and reward signal REW, to achieve closed-loop control of mechanical arm. The invention can achieve precise control of a mechanical arm in a nonlinear system.

【技术实现步骤摘要】
一种基于大脑情感学习的机械臂控制方法
本专利技术涉及机械臂控制领域，尤其涉及一种基于大脑情感学习的机械臂控制方法。
技术介绍
大脑情感学习(BrainEmotionalLearning，简称BEL)是Moren等于2000年基于大脑中杏仁体组织和眶额皮层组织间信息传递方式而提出的计算模型，该大脑情感学习模型主要包括杏仁核和眶额皮质两部分，其基本工作原理如图1所示。随后，大脑情感学习模型迅速发展并并广泛应用于控制工程，实际应用表明大脑情感学习模型在非线性系统控制中具有优良性能和巨大潜能。机械臂控制系统是一个机械结构复杂具有时变、耦合以及不确定干扰的非线性系统。随着对机械臂控制要求的不断提高，传统的机械臂控制方法很难满足控制精度要求较高的非线性模型的实际需求，例如：传统PD(P表示比例控制，D表示微分控制)控制方法广泛应用于控制精度要求不高的工业现场中，而对于控制精度要求较高的非线性模型控制效果很不理想。
技术实现思路
针对现有技术中的上述不足之处，本专利技术提供了一种基于大脑情感学习的机械臂控制方法，能够实现机械臂在非线性系统中的精确控制。本专利技术的目的是通过以下技术方案实现的：一种基于大脑情感学习的机械臂控制方法，应用于机械臂控制器，包括：步骤一、按照以下公式计算出感官输入SI和奖励信号REW；在公式一和公式二中：SI表示感官输入；REW表示奖励信号；e表示给定速度与机械臂实际速度的差值，机械臂实际速度的初始值为0；u表示机械臂控制器的输出，u的初始值为0；K1、K2、K3、K4和K5均表示调节系数；步骤二、利用大脑情感学习模型对感官输入SI与奖励信号REW进行处理，并将杏仁体输出值与眶额皮质输出值的差值作为机械臂控制器的输出u，以控制机械臂运作；步骤三、检测机械臂实际速度，并将其反馈到步骤一中进行感官输入SI和奖励信号REW的计算，用以实现机械臂的闭环控制。由上述本专利技术提供的技术方案可以看出，本专利技术提供的基于大脑情感学习的机械臂控制方法将机械臂给定速度与机械臂实际速度的差值通过特定函数计算出感官输入，同时将机械臂给定速度与机械臂实际速度的差值以及机械臂控制器的输出通过特定函数计算出奖励信号，然后采用大脑情感学习模型对感官输入和奖励信号进行处理，并将杏仁体输出值与眶额皮质输出值的差值作为机械臂控制器的输出，用以控制机械臂运作。整个控制过程为闭环控制，通过反馈的机械臂实际速度以及大脑情感学习模型能够对非线性信号快速响应，从而实现了机械臂的精确控制。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。图1为现有技术中大脑情感学习模型的基本工作原理示意图。图2为本专利技术实施例中基于大脑情感学习的机械臂控制方法的原理示意图。具体实施方式下面结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，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，都属于本专利技术的保护范围。下面对本专利技术所提供的基于大脑情感学习的机械臂控制方法进行详细描述。本专利技术实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。如图2所示，一种基于大脑情感学习的机械臂控制方法，应用于机械臂控制器，其具体可以包括以下步骤：步骤一、按照以下公式计算出感官输入SI和奖励信号REW：在公式一和公式二中：SI表示感官输入；REW表示奖励信号；e表示机械臂给定速度与机械臂实际速度的差值，机械臂实际速度的初始值为0；u表示机械臂控制器的输出，u的初始值为0；K1、K2、K3、K4和K5均表示调节系数。在实际应用中，K1、K2、K3、K4、K5这几个调节系数的初始值可按本领域技术人员的经验来设定，在对机械臂进行多次实验后可获得大量各调节系数设定值，最终通过最小二乘法进行辨识即可获得针对特定机械臂的各调节系数设定值。步骤二、利用大脑情感学习模型对感官输入SI与奖励信号REW进行处理，并将杏仁体输出值与眶额皮质输出值的差值作为机械臂控制器的输出u，以控制机械臂运作。具体地，所述的利用大脑情感学习模型对感官输入SI与奖励信号REW进行处理，并将杏仁体输出值与眶额皮质输出值的差值作为机械臂控制器的输出u包括：(1)丘脑接收感官输入SI，并将感官输入SI中的最大值传输到杏仁体，同时将接收到的感官输入信号全部输入到感觉皮层。(2)按照以下公式计算杏仁体输出值：Ai＝Vi·Si公式三Ath＝Vth·max(Si)公式四在公式三和公式四中：Si表示感官输入，Vi表示杏仁体的预置可变连接权重，Ai表示对应每个Si的杏仁体输出值，Vth表示杏仁体的预置可变连接权重最大值，Ath表示根据丘脑的最大刺激信号计算出的杏仁体输出值，i为大于0的整数值；其中，杏仁体的预置可变连接权重Vi可通过以下公式五来确定：在公式五中：常数α表示杏仁体的学习速率，Si表示感官输入，Sth表示感官输入最大值，REW表示奖励信号，Ai表示对应每个Si的杏仁体输出值，Ath表示根据丘脑的最大刺激信号计算出的杏仁体输出值，max表示杏仁体的预置可变连接权重Vi不能减少。奖励信号REW与杏仁体输出值的差值决定了杏仁体的预置可变连接权重Vi的更新，进而促使了杏仁体学习过程的进行，一旦杏仁体学习到特定赋值，就会保持下去。(3)按照以下公式计算眶额皮质输出值：Oi＝Wi·Si公式六在公式六中：Si表示感官输入，Wi表示眶额皮质的预置可变连接权重，Oi表示对应每个Si的眶额皮质输出值，i为大于0的整数值；其中，眶额皮质的预置可变连接权重Wi可通过以下公式七来确定：ΔWi＝β[Si(E*-REW)]公式七在公式七和公式八中：常数β表示眶额皮质的学习速率，Si表示感官输入，E*表示不含有丘脑连接信号的杏仁体输出与眶额皮质的差值，REW表示奖励信号，Ai表示对应每个Si的杏仁体输出值，Oi表示对应每个Si的眶额皮质输出值，Ath表示根据丘脑的最大刺激信号计算出的杏仁体输出值。眶额皮质的预置可变连接权重Wi与杏仁体的预置可变连接权重Vi的更新规则类似，只是眶额皮质的预置可变连接权重Wi可以减小或增大，以调整杏仁体的预置可变连接权重Vi不合适的响应。(4)按照以下公式计算机械臂控制器的输出u：在公式九中：Ai表示对应每个Si的杏仁体输出值，Oi表示对应每个Si的眶额皮质输出值，u表示机械臂控制器的输出。步骤三、检测机械臂实际速度，并将其反馈到步骤一中进行感官输入SI和奖励信号REW的计算，用以实现机械臂的闭环控制。依次循环下去，从而继续整个控制过程。进一步地，如图2所示，本专利技术所提供的基于大脑情感学习的机械臂控制方法，其信号数据流向如下：机械臂给定速度与机械臂实际速度的差值e经特定函数计算得到感官输入SI，同时机械臂给定速度与机械臂实际速度的差值e以及机械臂控制器的输出u通过特定函数计算出奖励信号REW，然后采用大脑情感学习模型对感官输入SI和奖励信号REW进行处理。在大脑情感学习模型中，感官信号SI输入到丘脑，丘脑将本文档来自技高网...

【技术保护点】
一种基于大脑情感学习的机械臂控制方法，应用于机械臂控制器，其特征在于，包括：步骤一、按照以下公式计算出感官输入SI和奖励信号REW；SI＝K1e+K2∫edt    公式一REW＝K3e+K4∫edt+K5u    公式二在公式一和公式二中：SI表示感官输入；REW表示奖励信号；e表示给定速度与机械臂实际速度的差值，机械臂实际速度的初始值为0；u表示机械臂控制器的输出，u的初始值为0；K1、K2、K3、K4和K5均表示调节系数；步骤二、利用大脑情感学习模型对感官输入SI与奖励信号REW进行处理，并将杏仁体输出值与眶额皮质输出值的差值作为机械臂控制器的输出u，以控制机械臂运作；步骤三、检测机械臂实际速度，并将其反馈到步骤一中进行感官输入SI和奖励信号REW的计算，用以实现机械臂的闭环控制。

【技术特征摘要】
1.一种基于大脑情感学习的机械臂控制方法，应用于机械臂控制器，其特征在于，包括：步骤一、按照以下公式计算出感官输入SI和奖励信号REW；SI＝K1e+K2∫edt公式一REW＝K3e+K4∫edt+K5u公式二在公式一和公式二中：SI表示感官输入；REW表示奖励信号；e表示给定速度与机械臂实际速度的差值，机械臂实际速度的初始值为0；u表示机械臂控制器的输出，u的初始值为0；K1、K2、K3、K4和K5均表示调节系数；步骤二、利用大脑情感学习模型对感官输入SI与奖励信号REW进行处理，并将杏仁体输出值与眶额皮质输出值的差值作为机械臂控制器的输出u，以控制机械臂运作；步骤三、检测机械臂实际速度，并将其反馈到步骤一中进行感官输入SI和奖励信号REW的计算，用以实现机械臂的闭环控制。2.根据权利要求1所述的基于大脑情感学习的机械臂控制方法，其特征在于，所述的利用大脑情感学习模型对感官输入SI与奖励信号REW进行处理，并将杏仁体输出值与眶额皮质输出值的差值作为机械臂控制器的输出u包括：(1)丘脑接收感官输入SI，并将感官输入SI中的最大值传输到杏仁体，同时将接收到的感官输入信号全部输入到感觉皮层；(2)按照以下公式计算杏仁体输出值：Ai＝Vi·Si公式三Ath＝Vth·max(Si)公式四在公式三和公式四中：Si表示感官输入，Vi表示杏仁体的预置可变连接权重...

【专利技术属性】
技术研发人员：宋玉宝，王安，王展鹏，赵国新，
申请(专利权)人：北京石油化工学院，
类型：发明
国别省市：北京,11