基于雅可比矩阵估计的机械臂视觉检测深度保持控制方法技术

本发明专利技术公开了基于雅可比矩阵估计的机械臂视觉检测深度保持控制方法，该方法首先进行雅可比矩阵估计模型初始化，并实时通过双目摄像机获取深度值作为轨迹控制输入参数以获得期望路径和期望速度。其次获取机械臂末端实时位置、实时速度和实时关节角度，计算得到末端实时加速度以及关节加速度。然后使用基于雅可比估计的控制算法，通过实时数据计算关节角以及雅可比矩阵的更新信号。最后使用更新信号迭代更新关节角度及雅可比矩阵，实时完成机械臂视觉检测深度保持控制。本发明专利技术利用实时获取得到的深度值作为输入并利用带有不确定性机械臂的实时状态和数据，实现机械臂深度保持的精准跟踪控制。准跟踪控制。准跟踪控制。

【技术实现步骤摘要】
基于雅可比矩阵估计的机械臂视觉检测深度保持控制方法


[0001]本专利技术涉及机械臂运动控制算法以及归零神经网络算法领域，提出的一种基于雅可比矩阵估计的机械臂视觉检测深度保持控制方法。

技术介绍

[0002]现有的雅可比伪逆的控制方法是一种基于微分运动学的冗余机械臂控制方法，通过计算雅可比矩阵的伪逆对机械臂进行操控。但是，传统机械臂伪逆的控制方式主要有两个限制，第一由于传统方法的开环控制性质将会引起误差叠加的情况，第二传统方法依赖于先验的机械臂运动学模型。
[0003]在实际控制中，机械臂可能因为长期磨损而发生运动学模型改变，使用传统控制方法可能会使机械臂轨迹产生巨大偏差。因此，在控制方法中引入归零神经网络，归零神经网络是一种由递归神经网络演化而成的专门为求解时变问题而设计的动力学神经网络模型，可以看作是解决各种时变问题(包括时变跟踪控制问题)的系统方法。
[0004]基于雅可比估计的机械臂控制方法是将基于雅可比伪逆的控制方法和归零神经网络相结合，诞生的机械臂控制算法。对于带有不确定性的机械臂，在解决其实时视觉检测深度保持控制的问题上，将双目摄像机获取得到的深度值作为输入，再通过基于雅可比矩阵估计的算法完成机械臂的视觉检测深度保持的精准控制。

技术实现思路

[0005]本专利技术的目的是针对现有技术的不足，提出一种基于雅可比矩阵估计的机械臂视觉检测深度保持控制方法，主要解决的是机械臂因长期磨损而发生运动学模型改变后存在一定不确定性，导致机械臂轨迹控制出现一定误差的问题。
[0006]为了解决上述技术问题，本专利技术的技术方案为：
[0007]基于雅可比矩阵估计的机械臂视觉检测深度保持控制方法，包括如下步骤：
[0008]S1、雅可比矩阵估计模型初始化，设置模型参数，获取机械臂末端初始位置r
a
(0)。
[0009]S2、实时通过双目摄像机获取深度值r，作为控制输入轨迹参数；
[0010]计算得到期望轨迹r
d
，期望速度
[0011]S3、通过传感器实时获取数据，包括：机械臂末端实时位置r
a
、实时速度和实时关节角度θ；
[0012]通过差分法计算得到末端实时加速度以及关节加速度
[0013]S4、使用基于雅可比估计的算法模型利用S3得到的实时数据，计算关节角更新信号以及雅可比矩阵更新信号
[0014]S5、使用S4得到的更新信号迭代更新关节角度θ(t)及雅可比矩阵控制机械臂。
[0015]进一步的，基于雅可比估计的算法模型如下：
[0016][0017][0018]公式(1)是雅可比矩阵估计公式，利用实时数据对携带不确定性的雅可比矩阵进行实时的估计。其中为t时刻雅可比矩阵更新信号，为t时刻各关节的加速度，为t时刻雅可比矩阵，与分别表示t时刻末端执行器的实际速度与实际加速度，是设定用于控制自适应过程中收敛性的参数，上标表示向量或矩阵的伪逆矩阵结果。
[0019]公式(2)是关节控制信号的迭代公式，为t时刻关节控制信号，为t时刻雅可比矩阵，为t时刻末端执行器的目标期望速度，是设定用于控制追踪过程中收敛性的参数，r
d
(t)与r
a
(t)分别表示t时刻末端执行器的期望路径与实际路径。
[0020]本专利技术具有以下的特点和有益效果：
[0021]针对现有技术方案的没有充分考虑机械臂运动学模型误差的缺陷，本方法采用基于雅可比矩阵估计机械臂控制的方法，使得达到了即使存在运动学模型误差依旧可以精准控制机械臂的效果。
附图说明
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0023]图1为本专利技术的流程图；
[0024]图2为本专利技术控制算法的流程图；
[0025]图3为本专利技术仿真运行结果。
具体实施方式
[0026]本专利技术提供了一种基于雅可比矩阵估计的机械臂视觉检测深度保持控制方法，结合图1做进一步的描述，具体方法为：
[0027]S1、雅可比矩阵估计模型初始化，设置模型收敛参数，获取机械臂末端初始位置ra(0)。
[0028]S2、实时通过双目摄像机获取得到深度值r，作为控制输入轨迹参数；
[0029]计算得到期望轨迹r
d
，期望速度
[0030][0031][0032]其中公式(1)和公式(2)是机械臂轨迹计算公式，r
d
和分别是期望轨迹和期望速度。其中是先验的轨迹函数，轨迹函数的偏导。r
a
(0)是机械臂末端初始位置。
[0033]S3、通过末端传感器得到机械臂末端实时位置r
a
、实时速度和实时关节角度θ；
[0034]计算得到末端实时加速度以及关节加速度
[0035]S4、利用S3中的实时数据使用归零神经网络对雅可比矩阵进行实时估计得到
[0036][0037]公式(3)是雅可比矩阵估计公式，利用实时数据对携带不确定性的雅可比矩阵进行实时的估计。其中为t时刻雅可比矩阵更新信号，为t时刻各关节的加速度，为t时刻雅可比矩阵，与分别表示t时刻末端执行器的实际速度与实际加速度，是设定用于控制自适应过程中收敛性的参数，上标表示向量或矩阵的伪逆矩阵结果。
[0038]S5、采用雅可比伪逆的控制方法，得到实时的关节角速度
[0039][0040]公式(4)是关节控制信号的迭代公式，为t时刻关节控制信号，为t时刻雅可比矩阵，为t时刻末端执行器的目标期望速度，是设定用于控制追踪过程中收敛性的参数，r
d
(t)与r
a
(t)分别表示t时刻末端执行器的期望路径与实际路径。
[0041]S6、对关节角度进行迭代，实时控制机械臂完成视觉检测深度保持控制，整个过程如图2所示。
[0042]计算t时刻对应的机械臂各关节角和雅可比矩阵的迭代量。对于得到的迭代量，根据迭代公式：
[0043][0044]如图3所示为一次仿真实验的控制结果。实验中控制机械臂对目标圆柱进行环绕扫描并实时保持视觉深度，其中图中的轨迹为末端执行器运动轨迹。
[0045]归零神经网络是一种由递归神经网络演化得到的特殊神经网络，其独特的结构和算法使得它在处理离群点和异常数据时具有出色的鲁棒性和准确性。归零神经网络在处理噪声和数据缺失等问题时也表现出色，具有广泛的应用前景。
[0046]归零神经网络的核心是一种归零机制，它能够自适应地学习每个神经元的重要性，忽略那些对输出结果影响不大的神经元，从而提高网络的鲁棒性和准确性。归零神经网络在模式识别、异常检测、信号处理、图像处理等领域有广泛的应用。相比于传统的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于雅可比矩阵估计的机械臂视觉检测深度保持控制方法，其特征在于，包括如下步骤：S1、雅可比矩阵估计模型初始化，设置雅可比矩阵估计模型参数，获取机械臂末端初始位置r
a
(0)；S2、实时通过双目摄像机获取得到深度值r，作为控制输入轨迹参数以获得期望轨迹r
d
和期望速度S3、通过传感器实时获取数据，包括机械臂末端实时位置r
a
、实时速度和实时关节角度θ；通过差分法计算得到末端实时加速度以及关节加速度S4、使用基于雅可比矩阵估计的控制模型，利用S3得到的实时数据计算关节角更新信号以及雅可比矩阵更新信号S5、使用S4得到的更新信号迭代更新关节角度θ(t)及雅可比矩阵控制机械臂。2.根据权利要求1所述的基于雅可比矩阵估计的机械臂视觉检测深度保持控制方法，其特征在于，在S2中，所述获得期望轨迹r
d
和期望速度的具体计算如下：的具体计算如下：其中，是先验的轨迹函数，轨迹函数的偏导，...

【专利技术属性】
技术研发人员：邵逸凡，陈德潮，马晨聪，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：