一种基于机器学习的自适应机械臂控制方法技术

本发明专利技术涉及自适应机械臂技术领域，公开了一种基于机器学习的自适应机械臂控制方法，包括以下步骤：步骤一：在机械臂外壁表面安装多个3D摄像头，利用多个3D摄像头综合3D图像，将3D图像传输到控制终端内，利用控制终端对机械臂周围的环境进行实时3D建模。本发明专利技术通过利用多个3D摄像头综合3D图像，将3D图像传输到控制终端内，利用控制终端对机械臂周围的环境进行实时3D建模，并在环境模型中建立机械臂模型，控制终端内的深度学习模块，会不断的记录3D建模的变化数据进行深度学习，在进行深度学习的过程中，利用控制终端能够根据不同的工作状态和工作环境，自动化的进行机械臂的自适应操控，从而提升了机械臂的自动化操控能力。从而提升了机械臂的自动化操控能力。从而提升了机械臂的自动化操控能力。

【技术实现步骤摘要】
一种基于机器学习的自适应机械臂控制方法


[0001]本专利技术涉及自适应机械臂
，具体为一种基于机器学习的自适应机械臂控制方法。

技术介绍

[0002]自适应动态规划的柔性机械臂是一种能够自动根据动态规划进行自身调节的柔性机械臂，刚性机械臂相比较,柔性机械臂具有结构轻、载重比高等特性,因而具有较低的能耗、较大的操作空间和很高的效率,其响应快速而准确,有着很多潜在的优点,在工业、国防等应用领域中占有十分重要的地位.随着宇航业及机器人业的飞速发展,越来越多地采用由若干个柔性构件组成的多柔体系统。传统的多刚体动力学的分析方法及控制方法己不能满足多柔体系统的动力分析及控制的要求.柔性机械臂作为最简单的非平凡多柔体系统,被广泛地用作多柔体系统的研究模型，随着对柔性机械臂的深入研究，柔性机械臂的控制方法也逐渐受到重视。
[0003]专利号CN201910140183.X，公开了一种自适应动态规划的柔性机械臂控制方法，所述控制方法包括以下步骤：步骤1、建立柔性机械臂的的动力学模型；步骤2、设计基于动态模式的柔性机械臂的控制器；步骤3、对柔性机械臂的角度运动进行控制：步骤3.1、对柔性机械臂的不定性参数进行分析建模；步骤3.2、对柔性机械臂的角度的位移和转动进行控制；步骤3.3、对柔性机械臂各关节的角度位置矢量进行控制；步骤3.4、对柔性机械臂的智能角度空间差进行集合控制柔性机械臂的位姿。该自适应动态规划的柔性机械臂控制方法，较好的提高了对柔性机械臂的控制精度，操作简单方便，能够有效的缩短控制时间，提高了控制效率/>[0004]但是，在自适应机械臂的控制过程中，无法主动式的对控制数据进行记录并深度学习，导致自适应机械臂的控制自动化程度较低，同时，自适应机械臂在运行的过程中，会发生一些故障，现有的自适应机械臂，无法对这些故障进行记录分析，在下一次出现满足故障的条件时，还是会出现自适应机械臂的故障，影响到了机械臂的使用。

技术实现思路

[0005]本专利技术的目的在于提供一种基于机器学习的自适应机械臂控制方法，解决了
技术介绍
中所提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于机器学习的自适应机械臂控制方法，包括以下步骤：
[0007]步骤一：在机械臂外壁表面安装多个3D摄像头，利用多个3D摄像头综合3D图像，将3D图像传输到控制终端内，利用控制终端对机械臂周围的环境进行实时3D建模，并在环境模型中建立机械臂模型；
[0008]步骤二：机械臂在不断工作的过程中，3D建模会跟随机械臂和物体环境建模不断的变化，控制终端内的深度学习模块，会不断的记录3D建模的变化数据进行深度学习，在进
行深度学习的过程中，利用控制终端能够根据不同的工作状态和工作环境，自动化的进行机械臂的自适应操控；
[0009]步骤三：并且在机械臂故障时，将当时的环境数据和工作状态数据输入到控制终端内部，经过深度学习模块记录故障数据，当机械臂再次出现满足故障数据库中的故障条件时，会经过控制终端提醒工作人员；
[0010]步骤四：利用卷积神经网络建立预判模型，利用预判模型与3D建模数据端连接，在3D模型不断记录机械臂运行数据的过程中，预判模型能够对机械臂不同的运行方式进行预先模拟，从而从机械臂不同的运行工作方式中，挑选出最优的运行工作方式，能够主动式的对机械臂的运行工作方式进行优化；
[0011]步骤五：利用机械臂上的3D摄像头，对机械臂夹持的工件进行记录摄像，并将数据传输给控制终端，控制终端能够对工件进行图像标记，并根据图像标记记录不同的操作脚本，在进行不断的图像标记后，识别到对应的工件，控制终端能够调出图像标记，直接自动进行不同的机械臂操作方式。
[0012]作为本专利技术的一种优选实施方式，所述步骤一中的3D摄像头，位于机械臂的前后两侧以及左右两侧。
[0013]作为本专利技术的一种优选实施方式，所述步骤一中的深度学习模块的框架，为ensorFlow、Keras、Caffe、PyTorch、Theano、CNTK、MXNet、PaddlePaddle、Deeplearning4j和ONNX中的一种。
[0014]作为本专利技术的一种优选实施方式，所述步骤三中的故障数据，为温度数据、压力数据、环境数据、操作数据和工件数据。
[0015]作为本专利技术的一种优选实施方式，所述步骤一种的3D摄像头，为3D结构光摄像头、TOF3D摄像头和双目立体视觉摄像头中的一种。
[0016]作为本专利技术的一种优选实施方式，所述步骤一中的机械臂内部设置有温度传感器。
[0017]作为本专利技术的一种优选实施方式，所述步骤一中的机械臂与夹持头之间设置有压力传感器。
[0018]与现有技术相比，本专利技术的有益效果如下：
[0019]1.本专利技术通过利用多个3D摄像头综合3D图像，将3D图像传输到控制终端内，利用控制终端对机械臂周围的环境进行实时3D建模，并在环境模型中建立机械臂模型，控制终端内的深度学习模块，会不断的记录3D建模的变化数据进行深度学习，在进行深度学习的过程中，利用控制终端能够根据不同的工作状态和工作环境，自动化的进行机械臂的自适应操控，从而提升了机械臂的自动化操控能力。
[0020]2.本专利技术在机械臂故障时，将当时的环境数据和工作状态数据输入到控制终端内部，经过深度学习模块记录故障数据，当机械臂再次出现满足故障数据库中的故障条件时，会经过控制终端提醒工作人员，从而主动式降低机械臂故障的产生。
[0021]3.本专利技术通过利用卷积神经网络建立预判模型，利用预判模型与3D建模数据端连接，在3D模型不断记录机械臂运行数据的过程中，预判模型能够对机械臂不同的运行方式进行预先模拟，从而从机械臂不同的运行工作方式中，挑选出最优的运行工作方式，能够主动式的对机械臂的运行工作方式进行优化。
[0022]4.本专利技术通过利用机械臂上的3D摄像头，对机械臂夹持的工件进行记录摄像，并将数据传输给控制终端，控制终端能够对工件进行图像标记，并根据图像标记记录不同的操作脚本，在进行不断的图像标记后，识别到对应的工件，控制终端能够调出图像标记，直接自动进行不同的机械臂操作方式。
附图说明
[0023]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0024]图1为本专利技术一种基于机器学习的自适应机械臂控制方法的流程示意图。
具体实施方式
[0025]请参阅图1，本专利技术提供一种技术方案：一种基于机器学习的自适应机械臂控制方法，包括以下步骤：
[0026]步骤一：在机械臂外壁表面安装多个3D摄像头，利用多个3D摄像头综合3D图像，将3D图像传输到控制终端内，利用控制终端对机械臂周围的环境进行实时3D建模，并在环境模型中建立机械臂模型；
[0027]步骤二：机械臂在不断工作的过程中，3D建模会跟随机械臂和物体环境建模不断的变化，控制终端内的深度学习模块，会不断的记录3D建模的变化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的自适应机械臂控制方法，其特征在于，包括以下步骤：步骤一：在机械臂外壁表面安装多个3D摄像头，利用多个3D摄像头综合3D图像，将3D图像传输到控制终端内，利用控制终端对机械臂周围的环境进行实时3D建模，并在环境模型中建立机械臂模型；步骤二：机械臂在不断工作的过程中，3D建模会跟随机械臂和物体环境建模不断的变化，控制终端内的深度学习模块，会不断的记录3D建模的变化数据进行深度学习，在进行深度学习的过程中，利用控制终端能够根据不同的工作状态和工作环境，自动化的进行机械臂的自适应操控；步骤三：并且在机械臂故障时，将当时的环境数据和工作状态数据输入到控制终端内部，经过深度学习模块记录故障数据，当机械臂再次出现满足故障数据库中的故障条件时，会经过控制终端提醒工作人员；步骤四：利用卷积神经网络建立预判模型，利用预判模型与3D建模数据端连接，在3D模型不断记录机械臂运行数据的过程中，预判模型能够对机械臂不同的运行方式进行预先模拟，从而从机械臂不同的运行工作方式中，挑选出最优的运行工作方式，能够主动式的对机械臂的运行工作方式进行优化；步骤五：利用机械臂上的3D摄像头，对机械臂夹持的工件进行记录摄像，并将数据传输给控制终端，控制终端能够对工件进行图像标记，并根据图像标记记录不同的操作...

【专利技术属性】
技术研发人员：方泽邈，刘涛，张向良，韩毅，
申请(专利权)人：南京浙溧智能制造研究院有限公司，
类型：发明
国别省市：