【技术实现步骤摘要】
一种基于偏差重定义神经网络的机械臂运动规划方法
本专利技术涉及冗余度机械臂运动规划领域，具体涉及一种基于偏差重定义神经网络的机械臂运动规划方法。
技术介绍
冗余度机械臂是指具有冗余关节数的机械臂，由于相比于非冗余度机械臂具有更多的自由度，可以解决在非冗余度机械臂所产生的任务关节角单一、实用性不强的问题，为机械臂运动规划提供更多种关节角组合选择。冗余度机械臂在完成末端执行器的主要任务时，还可以完成诸如躲避障碍物、关机极限位置、机械臂奇异状态等额外任务。在自动化工业生产中，机械臂通常被要求进行批量的生产活动，经常需要根据目标对机械臂进行路径规划，如果能够快速完成机械臂的路径规划，将能够提高生产效率。因此对冗余度机械臂路径规划的研究很有意义。人工神经网络是模拟动物神经系统的一种并行分布式信号处理数学模型方法。作为人工神经网络中的一种重要网络形式，经过多年发展，递归神经网络方法被广泛应用在许多领域中，譬如语音识别，非凸最优化，代数问题，时变问题，无人机以及机器人等。而在机器人方面，机械臂运动规划问题可构造为一个时变二次规划求...
【技术保护点】
1.一种基于偏差重定义神经网络的机械臂运动规划方法，其特征在于，包括以下步骤：/n根据实际冗余度机械臂的模型与参数，建立冗余度机械臂运动学方程；/n将所述冗余度机械臂运动学方程转化为速度层运动学方程，且将所述速度层运动学方程描述为一个光滑时变线性方程；/n通过冗余度机械臂上的机载传感器获取机械臂关节角度和末端轨迹信息，根据所述机械臂的参数、机械臂关节角度和末端轨迹信息构造时变参数矩阵，并获取相应的时间导数；/n根据所述光滑时变线性方程，设计完成运动规划任务的偏差函数；/n采用所述偏差函数重定义递归神经网络，结合所述时变参数矩阵及其时间导数，设计针对冗余度机器人手臂的时变线性...
【技术特征摘要】
1.一种基于偏差重定义神经网络的机械臂运动规划方法，其特征在于，包括以下步骤：
根据实际冗余度机械臂的模型与参数，建立冗余度机械臂运动学方程；
将所述冗余度机械臂运动学方程转化为速度层运动学方程，且将所述速度层运动学方程描述为一个光滑时变线性方程；
通过冗余度机械臂上的机载传感器获取机械臂关节角度和末端轨迹信息，根据所述机械臂的参数、机械臂关节角度和末端轨迹信息构造时变参数矩阵，并获取相应的时间导数；
根据所述光滑时变线性方程，设计完成运动规划任务的偏差函数；
采用所述偏差函数重定义递归神经网络，结合所述时变参数矩阵及其时间导数，设计针对冗余度机器人手臂的时变线性方程求解器；
求解所述时变线性方程求解器得到的网络状态解即为该冗余度机器人系统完成运动规划任务的最优解，所述最优解即为冗余度机器人系统的期望运动轨迹。
2.根据权利要求1所述的一种基于偏差重定义神经网络的机械臂运动规划方法，其特征在于：所述冗余度机械臂运动学方程表示为：
r(t)＝f(θ(t))(1)
其中，θ(t)是冗余度机械臂关节角矢量，r(t)为冗余度机械臂期望末端轨迹矢量，f(·)为定义在笛卡尔坐标系中的冗余度机械臂关节角度到末端轨迹坐标的非线性映射函数。
3.根据权利要求2所述的一种基于偏差重定义神经网络的机械臂运动规划方法，其特征在于，所述将冗余度机械臂运动学方程转化为速度层运动学方程，具体为将所述冗余度机械臂运动学方程两边对时间求导得到冗余度机械臂在速度层运动学方程：
其中J(θ(t))∈Rm×n为实数域上的m×n维矩阵，n表示机械臂的自由度数，m表示机械臂末端轨迹的空间维数，为冗余度机械臂的雅克比矩阵，和分别为冗余度机械臂关节角度和末端轨迹关于时间t的导数；
根据方程(2)可以得到冗余度机械臂关节角度导数的运动学方程，即下面的公式(3)，通过所述冗余度机械臂关节角度导数的运动学方程来实现对冗余度机械臂关节角度的规划，
其中，J-1(θ(t))∈Rn×m为实数域上的J(θ(t))的逆矩阵，为了求解J-1(θ(t))，将冗余度机械臂在速度层运动学方程(2)描述为所述光滑时变线性方程：
t表示时间变量，A(t)＝J(θ(t))JT(θ(t))，C＝-JT(θ(t))，此时，JT(θ(t))表示J(θ)的转置，A(t)∈Rm×m以及C(t)∈Rm×n是时变参数矩阵，使得方程(4)成立的唯一解X*(t)即为方程(3)中需要求解的J-1(θ(t))，即X*(t)＝J-1(θ(t))。
4.根据权利要求3所述的一种基于偏差重定义神经网络的机械臂运动规划...
【专利技术属性】
技术研发人员：张智军，郑陆楠，苏铄淼，李泽扬，崔耀威，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44
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。