本发明专利技术公开了一种基于回声状态网络的冗余机械臂追踪控制方法，包括：初始化机械臂关节角度和基于回声状态网络的类小脑模型的参数，并输入目标轨迹信息；训练前馈神经网络控制器；根据输入的当前时刻关节角变化量和机械臂末端执行器下一时刻目标位置计算目标轨迹补偿信息；计算下一时刻的期望轨迹；测量机械臂末端执行器位置和机械臂关节角度，并输入至训练完成的前馈神经网络，输出下一时刻关节角度；根据下一时刻关节角度控制机械臂运动并追踪目标轨迹；更新基于回声状态网络的类小脑模型的输出权重。本发明专利技术方法不需要知道冗余机械臂的模型信息即可实现追踪控制，且具备较高的追踪控制精确度。本发明专利技术可广泛应用于机械臂追踪控制领域。踪控制领域。踪控制领域。
【技术实现步骤摘要】
一种基于回声状态网络的冗余机械臂追踪控制方法
[0001]本专利技术涉及机械臂追踪控制领域，尤其涉及一种基于回声状态网络的冗余机械臂追踪控制方法。
技术介绍
[0002]当机械臂的驱动自由度(如机械臂的关节角个数)多于完成任务所需要的自由度时，机械臂可以被称为冗余机械臂。由于其额外的自由度，冗余机械臂具备更高的灵活性和安全性，因此他们在各个领域中有着广阔的潜在应用前景。然而该类机械臂的额外自由度和结构特点也给机械臂的控制带来了挑战，已有的冗余机械臂控制方法，基于雅可比矩阵伪逆的方法存在的缺点是，该方法需要知道准确的机械臂模型信息(如连杆长度)，从而计算雅可比矩阵的值，而各种不确定性因素的存在会影响模型信息的准确性，从而影响控制方案的准确性。
技术实现思路
[0003]为了解决上述问题，本专利技术的目的是提供一种基于回声状态网络的冗余机械臂追踪控制方法，不需要知道冗余机械臂的模型信息，仅需将末端执行器位置信息作为反馈，不需要末端执行器的速度和加速度信息，并且具备较高的追踪控制精确度。
[0004]本专利技术所采用的第一技术方案是：一种基于回声状态网络的冗余机械臂追踪控制方法，包括以下步骤：
[0005]S1、初始化机械臂关节角度θ(0)和基于回声状态网络的类小脑模型的参数，并输入目标轨迹信息p
d
；
[0006]S2、采集机械臂数据并训练前馈神经网络控制器，得到训练完成的前馈神经网络；
[0007]S3、基于回声状态网络的类小脑模型根据输入的当前时刻关节角变化量Δθ和机械臂末端执行器下一时刻目标位置p
d
(n+1)计算目标轨迹补偿信息y(n+1)；
[0008]S4、根据目标轨迹补偿信息y(n+1)计算下一时刻的期望轨迹并输入至训练完成的前馈神经网络；
[0009]S5、测量机械臂末端执行器位置p
a
(n)和机械臂关节角度θ(n)，并输入至训练完成的前馈神经网络，输出下一时刻关节角度θ(n+1)；
[0010]S6、根据下一时刻关节角度θ(n+1)控制机械臂运动并追踪目标轨迹；
[0011]S7、测量机械臂末端执行器当前位置p
a
(n+1)并更新声状态网络的类小脑模型的输出权重W
out
；
[0012]S8、循环步骤S2～S7直至完成目标轨迹的追踪控制。
[0013]进一步，所述采集机械臂数据并训练前馈神经网络控制器，得到训练完成的前馈神经网络这一步骤，其具体还包括，其具体还包括：
[0014]S21、记录第k个时刻的关节角度θ(k)和机械臂末端执行器位置p
a
(k)；
[0015]S22、控制机械臂随机运动并得到关节角度变化量Δθ；
[0016]S23、更新第k+1个时刻的关节角度θ(k+1)＝θ(k)+Δθ，并使用第k+1个时刻关节角θ(k+1)控制机械臂运动，测量末端执行器位置p
a
(k+1)；
[0017]S24、存储一组训练数据，其中输入为[p
a
(k)；θ(k)；p
a
(k+1)]，训练的输出为θ(k+1)，修改计时变量k＝k+1；
[0018]S25、循环步骤S21～S24直至k大于预设阈值，得到训练集；
[0019]S26、以第k个时刻的关节角度θ(k)、第k个时刻的末端执行器实际位置p
a
(k)以及第k+1个时刻的末端执行器位置p
a
(k+1)为输入，以第k+1个时刻的机械臂关节角度θ(k+1)为输出，基于训练集训练前馈神经网络控制器，得到训练完成的前馈神经网络。
[0020]进一步，所述基于回声状态网络的类小脑模型包括传入单元、粒状细胞、浦肯野细胞和传出单元。
[0021]进一步，所述基于回声状态网络的类小脑模型根据输入的当前时刻关节角变化量Δθ和机械臂末端执行器下一时刻目标位置p
d
(n+1)计算目标轨迹补偿信息y(n+1)这一步骤，其具体包括：
[0022]S31、将第n个时刻的机械臂关节角变化量Δθ(n)和机械臂末端执行器第n+1个时刻目标位置p
d
(n+1)拼接，作为类小脑模型的传入单元；
[0023]S32、更新粒状细胞在第n+1个时刻的状态x(n+1)；
[0024]S33、通过平行纤维将粒状细胞在第n+1个时刻的状态传递给浦肯野细胞；
[0025]S34、计算传出单元在第n+1个时刻的状态y(n+1)，得到第n+1个时刻的目标轨迹补偿量。
[0026]进一步，所述更新粒状细胞在第n+1个时刻的状态的更新x(n+1)公式如下：
[0027]x(n+1)＝f(W
in
u(n+1)+Wx(n)),
[0028]上式中，f(
·
)＝[f1,f2,
…
,f
N
]T
表示粒状细胞的输出激活函数，W
in
表示传入单元和粒状细胞之间输入连接权重，W表示粒状细胞内部节点之间连接权重。
[0029]进一步，所述计算传出单元在第n+1个时刻的状态y(n+1)的计算公式如下：
[0030]y(n+1)＝tanh(W
out
p(n+1)).
[0031]上式中，tanh表示双曲正切激活函数，W
out
表示浦肯野细胞和传出单元之间的输出连接权重，p(n+1)表示浦肯野细胞在第n+1个时刻的状态。
[0032]进一步，所述测量机械臂末端执行器当前位置p
a
(n+1)并更新声状态网络的类小脑模型的输出权重W
out
这一步骤，其具体包括：
[0033]测量机械臂末端执行器当前位置p
a
(n+1)并根据目标位置p
d
(n+1)和末端执行器当前位置p
a
(n+1)计算末端执行器的位置误差e；
[0034]根据位置误差e计算类小脑模型输出权重的变化量ΔW
out
；
[0035]根据输出权重的变化量ΔW
out
对类小脑模型的输出权重W
out
进行更新。
[0036]进一步，所述计算类小脑模型输出权重的变化量ΔW
out
的计算公式：
[0037]ΔW
out
＝ep
T
(n+1)
[0038]上式中，T表示向量转置。
[0039]本专利技术方法的有益效果是：本专利技术通过本专利技术将类小脑控制器与数据驱动的学习方法进行融合，使得本方案能够不需要知道机械臂的模型参数信息，在一定程度上应对各种不确定性因素的影响，从而有效地完成冗余机械臂的追踪控制任务。
附图说明
[0040]图1是本专利技术一种基于回声状态网络的冗余机械臂追本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于回声状态网络的冗余机械臂追踪控制方法，其特征在于，包括以下步骤：S1、初始化机械臂关节角度θ(0)和基于回声状态网络的类小脑模型的参数，并输入目标轨迹信息p
d
；S2、采集机械臂数据并训练前馈神经网络控制器，得到训练完成的前馈神经网络；S3、基于回声状态网络的类小脑模型根据输入的当前时刻关节角度变化量Δθ和机械臂末端执行器下一时刻目标位置p
d
(n+1)计算目标轨迹补偿信息y(n+1)；S4、根据目标轨迹补偿信息y(n+1)计算下一时刻的期望轨迹并输入至训练完成的前馈神经网络；S5、测量机械臂末端执行器位置p
a
(n)和机械臂关节角度θ(n)，并输入至训练完成的前馈神经网络，输出下一时刻关节角度θ(n+1)；S6、根据下一时刻关节角度θ(n+1)控制机械臂运动并追踪目标轨迹；S7、测量机械臂末端执行器当前位置p
a
(n+1)并更新声状态网络的类小脑模型的输出权重W
out
；S8、循环步骤S2～S7直至完成目标轨迹的追踪控制。2.根据权利要求1所述一种基于回声状态网络的冗余机械臂追踪控制方法，其特征在于，所述采集机械臂数据并训练前馈神经网络控制器，得到训练完成的前馈神经网络这一步骤，其具体还包括：S21、记录第k个时刻的关节角度θ(k)和机械臂末端执行器位置p
a
(k)；S22、控制机械臂随机运动并得到关节角度变化量Δθ；S23、更新第k+1个时刻的关节角度θ(k+1)＝θ(k)+Δθ，并使用第k+1个时刻关节角θ(k+1)控制机械臂运动，测量末端执行器位置p
a
(k+1)；S24、存储一组训练数据，其中输入为[p
a
(k)；θ(k)；p
a
(k+1)]，训练的输出为θ(k+1)，修改计时变量k＝k+1；S25、循环步骤S21～S24直至k大于预设阈值，得到训练集；S26、以第k个时刻的关节角度θ(k)、第k个时刻的末端执行器实际位置p
a
(k)以及第k+1个时刻的末端执行器位置p
a
(k+1)为输入，以第k+1个时刻的机械臂关节角度θ(k+1)为输出，基于训练集训练前馈神经网络控制器，得到训练完成的前馈神经网络。3.根据权利要求2所述一种基于回声状态网络的冗余机械臂跟踪控制方法，其特征在于，所述基于回声状态网络的类小脑模型包括传入单元u(t)、粒状细胞x(t)、浦肯野细胞p(t)和传出单元y(t)。4.根据权利要求3所述一种基于回声状态网络的冗余机械臂追踪控制方法，其特征在于，所述基于回声状态网络的类小脑模型根据输入的当前时刻关节角度变化量Δ...
【专利技术属性】
技术研发人员：谭宁，余鹏，
申请(专利权)人：中山大学，
类型：发明
国别省市：
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。