一种基于双神经网络的机器人动力学运动控制方法及装置制造方法及图纸

本发明专利技术公开了一种基于双神经网络的机器人动力学运动控制方法及装置，其中，所述方法包括：建立机器人数学模型，基于机器人数学模型和期望位置进行机器人末端执行器的速度修正，获得修正速度；设计第一神经网络模型，并基于机器人的关节角速度和所述机器人的末端速度在第一神经网络模型中实时输出当前机器人的关节角速度指令；在线计算机器人的参考关节角速度指令；基于关节角速度指令与参考关节角速度指令获得跟踪误差指令；设计第二神经网络模型，并基于跟踪误差指令在所述第二神经网络模型中实时输出机器人的关节控制力矩。在本发明专利技术实施例中，解决机器人动力学运动控制中空间不一致、系统非线性强耦合、传统方法依赖精确模型的问题。模型的问题。模型的问题。

【技术实现步骤摘要】
一种基于双神经网络的机器人动力学运动控制方法及装置


[0001]本专利技术涉及机器人控制
，尤其涉及一种基于双神经网络的机器人动力学运动控制方法及装置。

技术介绍

[0002]机器人运动控制能够实现机器人对给定轨迹任务的高精度跟踪，是机器人完成一切任务的基础。目前机器人的运动可以分为运动学控制与动力学控制两大类。运动学控制旨在求解运动层面的指令，达到控制机器人的目的，如关节角度指令、关节角速度指令等；动力学控制则考虑机器人的动力学特性，此时机器人的控制量一般为控制力矩。随着机器人的应用日益广泛，在人机交互、多机协作等任务中，纯运动指令的控制方式可能导致机器人的刚度过大，进而导致人员受伤或任务失败。相对而言动力学控制的方式直接提供机器人关节的力矩，具备天然的柔顺性。因此，基于动力学的机器人运动控制是现在机器人运动控制的重要方向。
[0003]对机器人的运动控制而言，目前存在以下几方面的挑战：一方面，机器人的运动控制问题通常关注机器人末端执行器的运动任务，而机器人的控制量则施加在各个关节，需要克服这种空间的不一致性，从而得到与末端执行器对应的关节运动指令；另一方面，由于机器人动力学模型的高度非线性、强耦合性，如何求解机器人的控制力矩实现机器人对关节运动的高精度跟踪，也是一个富有挑战性的问题。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于双神经网络的机器人动力学运动控制方法及装置，解决机器人动力学运动控制中空间不一致、系统非线性强耦合、传统方法依赖精确模型的问题。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种基于双神经网络的机器人动力学运动控制方法，所述方法包括：
[0006]建立机器人数学模型，基于所述机器人数学模型和期望位置进行所述机器人末端执行器的速度修正，获得修正速度；
[0007]设计第一神经网络模型，并基于所述机器人的关节角速度和所述机器人的末端速度在所述第一神经网络模型中实时输出当前机器人的关节角速度指令；
[0008]基于所述修正速度和所述机器人的关节角速度在线计算所述机器人的参考关节角速度指令；
[0009]基于所述关节角速度指令与所述参考关节角速度指令获得跟踪误差指令；
[0010]设计第二神经网络模型，并基于所述跟踪误差指令在所述第二神经网络模型中实时输出所述机器人的关节控制力矩。
[0011]可选的，所述机器人数学模型如下：
[0012]x＝f(θ)
ꢀꢀꢀ
(1)；
[0013][0014]其中，θ表示机器人的关节角度；表示机器人的关节角速度；x表示机器人的末端位置；表示机器人的末端速度；f(θ)表示从机器人关节空间到末端任务空间的映射；J(θ)表示与机器人的关节角度相关的雅克比矩阵。
[0015]可选的所述基于所述机器人数学模型和期望位置进行所述机器人末端执行器的速度修正的计算公式如下：
[0016][0017]其中，表示机器人末端执行的修正速度；表示机器人末端的期望速度；x
d
表示机器人末端的期望位置；x表示机器人的末端位置；k>0，表示控制常数。
[0018]可选的，所述第一神经网络模型依次包括输入层、模糊隶属度计算层、归一化运算层和输出层；
[0019]所述输出层的神经元个数为所述修正速度和所述机器人实际末端速度的差值的维数；所述模糊隶属度计算层的神经元个数为n1；所述归一化运算层的神经元个数为n2。
[0020]可选的，所述归一化运算层中的第j个神经元的输出如下：
[0021][0022]其中，l
j
表示归一化运算层中的第j个神经元的输出；n1表示模糊隶属度计算层的神经元个数；n2表示归一化运算层中的神经元个数；表示模糊奇函数的中心；表示模糊奇函数的宽度；均为定值；且i＝1,
…
,n1；j＝1,
…
,n2；x
i
表示第i个神经元的输入。
[0023]可选的，所述输出层表示为：
[0024][0025]将式(5)以矩阵形式描述时，为：
[0026]Y＝W
FNN1
L
FNN1
ꢀꢀꢀ
(6)
[0027]所述第一神经网络模型的在线更新率为：
[0028][0029]其中，y
i
表示输出层中的第i个神经元输出结果；l
j
表示归一化运算层中的第j个神经元的输出；n2表示归一化运算层中的神经元个数；表示权值；i＝1,
…
,n1；j＝1,
…
,n2；Y＝[y1；y2；...y
i
]为第一神经网络模型的输出向量；W
FNN1
表示第一神经网络模型的权值矩阵；L
FNN1
＝[l1,...l
n2
]，表示第一神经网络的输出基向量；表示第一神经网络模型的输出基向量的转置；表示一神经网络模型的权值矩阵的一阶导数；s表示修正速
度和机器人实际末端速度的差值；Γ表示正定对角矩阵。
[0030]可选的，基于所述修正速度和所述机器人的关节角速度在线计算所述机器人的参考关节角速度指令，包括：
[0031]设置与所述第一神经网络模型相同的第一相同神经网络模型，将所述关节角速度指令与所所述修正速度输入所述第一相同神经网络模型中进行在线计算并输出所述机器人的参考关节角速度指令。
[0032]可选的，所述基于所述机器人的关节角速度和所述机器人的末端速度在所述第一神经网络模型中实时输出当前机器人的关节角速度指令，包括：
[0033]将所述机器人的关节角速度和所述机器人的末端速度输入所述第一神经网络模型中，并在所述第一神经网络模型中基于所述机器人的关节角速度和所述机器人的末端速度输出当前机器人的关节角速度指令。
[0034]可选的，所述基于所述跟踪误差指令在所述第二神经网络模型中实时输出所述机器人的关节控制力矩如下：
[0035][0036]其中，ε表示跟踪误差指令；τ表示机器人的关节控制力矩；L
FNN2
表示第二神经网络模型的输出基向量；表示第二神经网络模型的权值矩阵；K、K
r
均表示正控制参数；sgn(ε)表示ε的符号函数；表示第二神经网络模型的输出基向量的转置；表示二神经网络模型的权值矩阵的一阶导数；Γ表示正定对角矩阵。
[0037]另外，本专利技术实施例还提供了一种基于双神经网络的机器人动力学运动控制装置，所述装置包括：
[0038]速度修正模块：用于建立机器人数学模型，基于所述机器人数学模型和期望位置进行所述机器人末端执行器的速度修正，获得修正速度；
[0039]第一输出模块：用于设计第一神经网络模型，并基于所述机器人的关节角速度和所述机器人的末端速度在所述第一神经网络模型中实时输出当前机器人的关节角速度指令；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双神经网络的机器人动力学运动控制方法，其特征在于，所述方法包括：建立机器人数学模型，基于所述机器人数学模型和期望位置进行所述机器人末端执行器的速度修正，获得修正速度；设计第一神经网络模型，并基于所述机器人的关节角速度和所述机器人的末端速度在所述第一神经网络模型中实时输出当前机器人的关节角速度指令；基于所述修正速度和所述机器人的关节角速度在线计算所述机器人的参考关节角速度指令；基于所述关节角速度指令与所述参考关节角速度指令获得跟踪误差指令；设计第二神经网络模型，并基于所述跟踪误差指令在所述第二神经网络模型中实时输出所述机器人的关节控制力矩。2.根据权利要求1所述的机器人动力学运动控制方法，其特征在于，所述机器人数学模型如下：x＝f(θ)
ꢀꢀꢀꢀꢀꢀꢀ
(1)；其中，θ表示机器人的关节角度；表示机器人的关节角速度；x表示机器人的末端位置；表示机器人的末端速度；f(θ)表示从机器人关节空间到末端任务空间的映射；J(θ)表示与机器人的关节角度相关的雅克比矩阵。3.根据权利要求1所述的机器人动力学运动控制方法，其特征在于，所述基于所述机器人数学模型和期望位置进行所述机器人末端执行器的速度修正的计算公式如下：其中，表示机器人末端的修正速度；表示机器人末端的期望速度；x
d
表示机器人末端的期望位置；x表示机器人的末端位置；k>0，表示控制常数。4.根据权利要求1所述的机器人动力学运动控制方法，其特征在于，所述第一神经网络模型依次包括输入层、模糊隶属度计算层、归一化运算层和输出层；所述输出层的神经元个数为所述修正速度和所述机器人实际末端速度的差值的维数；所述模糊隶属度计算层的神经元个数为n1；所述归一化运算层的神经元个数为n2。5.根据权利要求4所述的机器人动力学运动控制方法，其特征在于，所述归一化运算层中的第j个神经元的输出如下：其中，l
j
表示归一化运算层中的第j个神经元的输出；n1表示模糊隶属度计算层的神经元个数；n2表示归一化运算层中的神经元个数；表示模糊奇函数的中心；表示模糊奇函数的宽度；均为定值；且i＝1,
…
,n1；j＝1,
…
,n2；x
i
表示第i个神经元的输入。6.根据权利要求4所述的机器人动力学运动控制方法，其特征在于，所述输出层表示
为：将式(5)以矩阵形式描述时，为：Y＝W
FNN1
L
FNN1
ꢀꢀꢀꢀꢀ
(6)所述第一神经网络模型的在线更新率为：其中，y
i
表示输出层中的第i个神经元输出结果；l
j
表示归一化运算层中的第j个神经元的输出；n2表...

【专利技术属性】
技术研发人员：徐智浩，李晓晓，吴鸿敏，周雪峰，苏泽荣，唐观荣，
申请(专利权)人：广东省科学院智能制造研究所，
类型：发明
国别省市：