本申请提供了一种机器人控制模型的建立方法以及机器人的控制方法，该方法包括：获取机器人控制数据样本；获取极限学习机神经网络的初始权重和初始阈值；利用粒子群PSO算法，对所述初始权重和初始阈值进行优化，得到优化后的权重和优化后的阈值；利用所述机器人控制数据样本、所述优化后的权重和所述优化后的阈值，对所述极限学习机神经网络进行训练，得到机器人控制模型。解决了现有技术中机器人的行为控制执行效率低的技术问题。为控制执行效率低的技术问题。为控制执行效率低的技术问题。
【技术实现步骤摘要】
一种机器人控制模型的建立方法及机器人的控制方法
[0001]本申请属于计算机软件领域，具体涉及机器人模型的建立方法、机器人的控制方法、计算机设备以及计算机可读存储介质。
技术介绍
[0002]机器人技术迅速发展，其应用场景更加精细化，功能性要求越来越高，控制精度和实时反馈等需求明显提升。随着模式识别技术发展与深度学习算法的日趋成熟，机器人控制迎来了新的发展机遇，传统的被动接受指令，亦步亦趋的机器人控制模式正在被改变，半自动和全自动自主学习逐步嵌入到机器人控制系统中。当前，不论是在机器人应用环境感知方面，还是动作行为多样化及控制方法精细化等方面，都有了更先进的技术支持，比如指令操作的多样加权融合能够让机器人实现更加复杂且精准的行为操作，灵敏感知周围环境，能够在复杂环境中实现功能应用等。
[0003]目前，关于机器人的控制研究较多，主要集中在前端的环境感知研究和后端的定位和控制算法策略研究。
[0004]需要说明的是，现有技术中的机器人的行为控制执行效率低。
技术实现思路
[0005]为至少在一定程度上克服相关技术中存在的问题，本申请提供了一种机器人控制模型的建立方法、机器人控制方法、计算机设备以及存储介质，能够解决现有技术中机器人的行为控制执行效率低的技术问题。
[0006]为实现以上目的，本申请采用如下技术方案：
[0007]根据本申请的一个方面，提供了一种机器人控制模型的建立方法，包括：获取机器人控制数据样本；获取极限学习机神经网络的初始权重和初始阈值；利用粒子群PSO算法，对所述初始权重和初始阈值进行优化，得到优化后的权重和优化后的阈值；利用所述机器人控制数据样本、所述优化后的权重和所述优化后的阈值，对所述极限学习机神经网络进行训练，得到机器人控制模型。
[0008]可选的，所述利用所述机器人控制数据样本、所述优化后的权重和所述优化后的阈值，对所述极限学习机神经网络进行训练，得到机器人控制模型，包括：基于所述优化后的权重和所述优化后的阈值，利用极限学习机算法，求解最优权重和最优阈值；利用所述机器人控制数据样本、所述最优权重和所述最优阈值，对所述极限学习机神经网络进行训练，得到所述机器人控制模型。
[0009]可选的，所述利用所述机器人控制数据样本、所述最优权重和所述最优阈值，对所述极限学习机神经网络进行训练，得到所述机器人控制模型，包括：将所述机器人控制数据样本、所述最优权重和所述最优阈值输入所述极限学习机神经网络，获取预测准确率；基于所述预测准确率，对所述极限学习机神经网络的参数进行更新，以得到所述机器人控制模型。
[0010]可选的，所述利用粒子群PSO算法，对所述初始权重和初始阈值进行优化，得到优化后的权重和优化后的阈值，包括：根据所述初始权重和所述初始阈值建立粒子群；计算所述粒子群中各粒子的适应度值；利用所述各粒子的适应度值更新所述各粒子的参数；基于更新后的各粒子的参数，获取所述优化后的权重和所述优化后的阈值。
[0011]可选的，所述利用所述各粒子的适应度值更新所述各粒子的参数，包括：获取所述利用所述各粒子的适应度值更新所述各粒子的参数的更新执行次数；在所述更新执行次数达到次数阈值的情况下，结束更新所述所述各粒子的参数。
[0012]可选的，所述各粒子的参数包括以下至少之一：极值；运动速度；运动位置。
[0013]可选的，所述获取极限学习机神经网络的初始权重和初始阈值，包括：随机获取极限学习机神经网络的初始权重和初始阈值。
[0014]根据本申请另一方面，还提供了一种机器人的控制方法，包括：基于第一方面所述的任一项所述的机器人控制模型的建立方法获取机器人控制模型；基于所述机器人控制模型对目标机器人执行控制。
[0015]可选的，所述基于所述机器人控制模型对目标机器人执行控制，包括：基于所述机器人控制模型获取机器人各行为动作对应的目标权重；基于各目标权重对所述机器人各行为动作进行加权求和，得到行为结果；根据所述行为结果对所述目标机器人执行控制。
[0016]根据本申请另一方面，还提供了一种机器人的控制模型的建立装置，包括：样本获取单元，用于获取机器人控制数据样本；初始权重和初始阈值获取单元，用于获取极限学习机神经网络的初始权重和初始阈值；优化单元，用于利用粒子群PSO算法，对所述初始权重和初始阈值进行优化，得到优化后的权重和优化后的阈值；训练单元，用于利用所述机器人控制数据样本、所述优化后的权重和所述优化后的阈值，对所述极限学习机神经网络进行训练，得到机器人控制模型。
[0017]可选的，所述训练单元包括：最优权重和最优阈值求解模块，用于基于所述优化后的权重和所述优化后的阈值，利用极限学习机算法，求解最优权重和最优阈值；训练模块，用于利用所述机器人控制数据样本、所述最优权重和所述最优阈值，对所述极限学习机神经网络进行训练，得到所述机器人控制模型。
[0018]可选的，所述训练模块，包括：预测准确率获取子模块，用于将所述机器人控制数据样本、所述最优权重和所述最优阈值输入所述极限学习机神经网络，获取预测准确率；更新子模块，用于基于所述预测准确率，对所述极限学习机神经网络的参数进行更新，以得到所述机器人控制模型。
[0019]可选的，所述优化单元包括：粒子群建立模块，用于根据所述初始权重和所述初始阈值建立粒子群；计算模块，用于计算所述粒子群中各粒子的适应度值；粒子参数更新模块，用于利用所述各粒子的适应度值更新所述各粒子的参数；优化模块，用于基于更新后的各粒子的参数，获取所述优化后的权重和所述优化后的阈值。
[0020]可选的，所述粒子参数更新模块包括：更新执行次数获取模块，用于获取所述利用所述各粒子的适应度值更新所述各粒子的参数的更新执行次数；更新控制模块，用于在所述更新执行次数达到次数阈值的情况下，结束更新所述所述各粒子的参数。
[0021]可选的，所述各粒子的参数包括以下至少之一：极值；运动速度；运动位置。
[0022]可选的，所述初始权重和初始阈值获取单元包括：随机获取模块，用于随机获取极
限学习机神经网络的初始权重和初始阈值。
[0023]根据本申请另一方面，还提供了一种机器人的控制装置，包括：机器人控制模型获取单元，用于基于第三方面所述的任一项所述的机器人控制模型的建立装置获取机器人控制模型；机器人控制单元，用于基于所述机器人控制模型对目标机器人执行控制。
[0024]可选的，所述机器人控制单元包括：目标权重获取模块，用于基于所述机器人控制模型获取机器人各行为动作对应的目标权重；加权求和模块，用于基于各目标权重对所述机器人各行为动作进行加权求和，得到行为结果；机器人控制模块，用于根据所述行为结果对所述目标机器人执行控制。
[0025]根据本申请另一方面，还提供了一种计算机设备，包括存储器和处理器，所述存储器上存储有计算机指令，所述计算机指令在由所述处理器执行时导致第一方面任一项所述的方法被执行。
[0026]根据本申请另一方面，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种机器人控制模型的建立方法，其特征在于，包括：获取机器人控制数据样本；获取极限学习机神经网络的初始权重和初始阈值；利用粒子群PSO算法，对所述初始权重和初始阈值进行优化，得到优化后的权重和优化后的阈值；利用所述机器人控制数据样本、所述优化后的权重和所述优化后的阈值，对所述极限学习机神经网络进行训练，得到机器人控制模型。2.根据权利要求1所述的方法，其特征在于，所述利用所述机器人控制数据样本、所述优化后的权重和所述优化后的阈值，对所述极限学习机神经网络进行训练，得到机器人控制模型，包括：基于所述优化后的权重和所述优化后的阈值，利用极限学习机算法，求解最优权重和最优阈值；利用所述机器人控制数据样本、所述最优权重和所述最优阈值，对所述极限学习机神经网络进行训练，得到所述机器人控制模型。3.根据权利要求2所述的方法，其特征在于，所述利用所述机器人控制数据样本、所述最优权重和所述最优阈值，对所述极限学习机神经网络进行训练，得到所述机器人控制模型，包括：将所述机器人控制数据样本、所述最优权重和所述最优阈值输入所述极限学习机神经网络，获取预测准确率；基于所述预测准确率，对所述极限学习机神经网络的参数进行更新，以得到所述机器人控制模型。4.根据权利要求1所述的方法，其特征在于，所述利用粒子群PSO算法，对所述初始权重和初始阈值进行优化，得到优化后的权重和优化后的阈值，包括：根据所述初始权重和所述初始阈值建立粒子群；计算所述粒子群中各粒子的适应度值；利用所述各粒子的适应度值更新所述各粒子的参数；基于更新后的各粒子的参数，获取所述优化...
【专利技术属性】
技术研发人员：程宁，高小云，张志波，万文洁，冯仕伟，
申请(专利权)人：珠海格力电器股份有限公司，
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。