The invention relates to a robot positioning control method, a terminal device and a storage medium. The method includes: S1: collecting image features of the robot at different times, constructing a wavelet Elman network model, taking the collected image features as the input of the model, the state vector of the system positioning as the output of the model, training the parameters of the model, so as to make the state vector of the model output Tracking the state vector predicted by Kalman filter algorithm, taking the trained model as the final model; S2: input the image feature I (T) of robot into the final model to get the final state vector x
【技术实现步骤摘要】
一种机器人定位控制方法、终端设备及存储介质
本专利技术涉及机器人
,尤其涉及一种机器人定位控制方法、终端设备及存储介质。
技术介绍
机器人技术日新月异,应用领域不断推广,特别是智能服务型机器臂工作环境特殊,此类机器人要求执行多样任务,应对多变环境,以致自身定位控制技术面临挑战。视觉传感利用视觉反馈信息调整机器人姿态,由此构成视觉闭环反馈控制技术,有利于提高机器人任务操作的灵活性,与环境自适应性,在机器人操作研究中具有重要地位。机器人视觉反馈控制技术广泛分为基于位置的视觉伺服(PBVS)和基于图像的视觉伺服(IBVS)。PBVS方法其计算基础是视觉测量技术,视觉系统通过图像特征计算目标物3D笛卡尔坐标位置,并根据已知的目标几何模型,与机器人系统标定参数估计目标姿态,伺服控制器再根据机器人与目标之间的相对位姿进行轨迹规划并实施任务操作。与PBVS过分依赖于目标3D重建技术不同,IBVS视觉伺服直接以2D图像特征为反馈信息,将当前图像特征与期望特征之间的图像误差映射到机器人运动空间中,由图像误差计算机器人控制量并实施 ...
【技术保护点】
1.一种机器人定位控制方法,其特征在于,包括以下步骤:/nS1:采集不同时刻机器人的图像特征,构建小波Elman网络模型,将采集的图像特征作为模型的输入,系统定位的状态向量作为模型的输出,对模型的参数进行训练,以使模型输出的状态向量跟踪通过卡尔曼滤波算法预测的状态向量,将训练后的模型作为最终模型;/nS2:将机器人的图像特征I(t)输入最终模型得到最终状态向量X
【技术特征摘要】
1.一种机器人定位控制方法,其特征在于,包括以下步骤:
S1:采集不同时刻机器人的图像特征,构建小波Elman网络模型,将采集的图像特征作为模型的输入,系统定位的状态向量作为模型的输出,对模型的参数进行训练,以使模型输出的状态向量跟踪通过卡尔曼滤波算法预测的状态向量,将训练后的模型作为最终模型;
S2:将机器人的图像特征I(t)输入最终模型得到最终状态向量X1(t),将最终状态向量X1(t)转换为微分矩阵G(t),其中,xn*m(t)=gnm(t),xn*m表示向量X1(t)的第n×m个元素,gnm表示矩阵G(t)的第n行中第m列的元素;
S3:根据微分矩阵G(t)计算机器人的控制量UR(t):
UR(t)=λΔtG(t)T(G(t)G(t)T)-1Ie(t)+UR(t-1)
Ie(t)=I(t)-I*
其中,上标T表示矩阵的转置,λ为控制系数,Δt表示时刻t和时刻t-1的时间差,Ie(t)为t时刻的图像特征误差,I*为机器人的期望图像特征;
S4:根据机器人的控制量UR(t)对机器人的运动进行控制。
2.根据权利要求1所述的机器人定位控制方法,其特征在于:步骤S1具体包括以下步骤:
S11:将t时刻的图像特征I(t)作为小波Elman网络模型的输入,模型输出机器人系统定位的次优状态向量X'(t);
S12:设定系统的状态转移方程为:
其中,X(t)和X(t-1)分别为t时刻和t-1时刻的状态向量,Ψ(t/t-1)为t-1至t时刻的状态转移矩阵,为系统噪声;
令X(t-1)=X'(t),根据系统的状态转移方程计算获得系统的状态向量X(t);
S13:根据t时刻系统的状态向量X(t)和系统的状态观测方程,计算t时刻的状态观测值Z(t);
状态观测方程为:
Z(t)=Φ(t)X(t)+ψ(t)
其中,Φ(t)为观测矩阵,ψ(t)为观测噪声;
S14:采用卡尔曼滤波算法,并根据系统的状态转移方程和状态观测方程,对系统定位状态进行预测,得到t时刻机器人系统定位的最优状态估计向量
S15:以图像特征I(t)为输入量,以步骤S14得到的最优状态估计向量为参考值,采用梯度下降法对t时刻小波Elman网络模型的权值进行调整,以实现小波Elman网络模型的输出X'(t)跟踪卡尔曼滤波算法的输出
3.根据权利要求1所述的机器人定位控制方法,其特征在于:小波Elman网络模型的构建方法为:
步骤1:输入层神经元将输入的图像特征传递至隐含层,输入层神经元的传输函数为线性函数,输入层每个神经元节点i的输入和输出分别为:
其中,和分别为输入层第i个节点的输入和输出值,上标表示层,下标i=1,2,...,m(1)表示神经元的序号,m(1)表示输入层神经元的总数;
步骤2:关联层对隐含...
【专利技术属性】
技术研发人员:仲训杲,周承仙,徐敏,
申请(专利权)人:厦门理工学院,
类型:发明
国别省市:福建;35
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。