蛇形机器人的攀爬控制方法、系统、装置及存储介质制造方法及图纸

本发明专利技术公开了一种蛇形机器人的攀爬控制方法、系统、装置及存储介质，其中方法包括以下步骤：构建改进的正弦波函数，根据改进的正弦波函数获取训练数据；设计双层的长短期记忆神经网络模型，采用训练数据对长短期记忆神经网络模型进行训练，获得最优的长短期记忆神经网络模型；根据长短期记忆神经网络模型控制蛇形机器人自适应的攀爬运动；长短期记忆神经网络模型用于对蛇形机器人的每个关节角度值进行预测，预测结果用于控制蛇形机器人的运动。本发明专利技术实现蛇形机器人杆径自适应攀爬运动，将反馈的角度信息融合到步态控制当中，形成闭环的反馈控制系统，提高了蛇形机器人在攀爬运动中的准确性以及柔顺性，可广泛应用于机器人的运动控制领域。

【技术实现步骤摘要】
蛇形机器人的攀爬控制方法、系统、装置及存储介质
本专利技术涉及机器人的运动控制领域，尤其涉及一种蛇形机器人的攀爬控制方法、系统、装置及存储介质。
技术介绍
蛇形机器人在直径发生变化的管道外壁进行攀爬时为了实现高效且柔性的运动，通常引入复杂的控制策略，例如高斯滤波、扩展卡尔曼滤波等等算法。而当机器人的关节参数过多时，复杂的计算策略会导致一定程度上的运动延时。而蛇形机器人传统的控制策略多为简单高效的开环控制，机器人每个模块均包含一个舵机，能够将机器人的各个关节驱动到指定的角度并进行实际角度的反馈。但是对于蛇形机器人，复杂的环境以及其独特的运动方式使得反馈的角度不能很好地作用于控制器。故蛇形机器人在攀爬过程中存在无反馈回路、无法自适应调整参数等问题。术语解释：LSTM：长短期记忆网络(LSTM，LongShort-TermMemory)是一种时间循环神经网络。
技术实现思路
为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种蛇形机器人的攀爬控制方法、系统、装置及存储介质。本专利技本文档来自技高网...

【技术保护点】
1.一种蛇形机器人的攀爬控制方法，其特征在于，包括以下步骤：/n构建改进的正弦波函数，根据所述改进的正弦波函数获取训练数据；/n设计双层的长短期记忆神经网络模型，采用所述训练数据对所述长短期记忆神经网络模型进行训练，获得最优的长短期记忆神经网络模型；/n根据所述最优的长短期记忆神经网络模型控制蛇形机器人自适应的攀爬运动；/n其中，所述长短期记忆神经网络模型用于对所述蛇形机器人的每个关节角度值进行预测，预测结果用于控制蛇形机器人的运动。/n

【技术特征摘要】
1.一种蛇形机器人的攀爬控制方法，其特征在于，包括以下步骤：
构建改进的正弦波函数，根据所述改进的正弦波函数获取训练数据；
设计双层的长短期记忆神经网络模型，采用所述训练数据对所述长短期记忆神经网络模型进行训练，获得最优的长短期记忆神经网络模型；
根据所述最优的长短期记忆神经网络模型控制蛇形机器人自适应的攀爬运动；
其中，所述长短期记忆神经网络模型用于对所述蛇形机器人的每个关节角度值进行预测，预测结果用于控制蛇形机器人的运动。


2.根据权利要求1所述的一种蛇形机器人的攀爬控制方法，其特征在于，所述改进的正弦波函数通过结合Sigmoid函数和所述蛇形机器人的攀爬步态控制函数获得；
所述蛇形机器人为正交链接的蛇形机器人，包括N个俯仰关节与N个偏航关节，所述N为大于2的整数。


3.根据权利要求2所述的一种蛇形机器人的攀爬控制方法，其特征在于，所述改进的正弦波函数的数学表达式为：






所述训练数据通过对所述改进的正弦波函数函数进行采样获得。


4.根据权利要求1所述的一种蛇形机器人的攀爬控制方法，其特征在于，所述长短期记忆神经网络模型包括输入层、隐藏层和输出层；
所述输入层由基于时序的蛇形机器人关节角度值构成；
所述隐藏层采用两层LSTM结构，同时使用Dropout算法防止过拟合；
所述输出层由神经元构成，表示基于输出角度特征得到的下一时刻关节角度变化的预测值。


5.根据权利要求1所述的一种蛇形机器人的攀爬控制方法，其特征在于，采用均方误差作为所述长短期记忆神经网络模型的损失函数；
所述均方误差的表达式为：



采用相对误差进行模型精度的判定，所述相对误差的表达式为：



其中，a1和a2为通过模型分别预测管径变化前后的机器人控制函数的幅值均值，b1和b2为通过测试给定的管径变化前后的标准攀爬幅值。


6.根据权利要求1所述的一种蛇形机器人的攀爬控制方法，其特征在于，所述根据所述最优的...

【专利技术属性】
技术研发人员：肖文煜，魏武，欧阳升，张杰，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44