一种具有示教学习能力的五指机械手抓取控制方法及系统技术方案

本发明专利技术涉及机器人学习技术领域，提供了一种具有示教学习能力的五指机械手抓取控制方法及系统。该方法包括，在三维运动捕捉系统下，建立世界坐标系，在佩戴数据手套情况下，采集人手抓握不同物体时的手部姿势信息数据；基于手部姿势信息数据，建立人手与五指机械手之间的映射关系；基于手部姿势信息数据，采用生成式对抗网络分析手部姿态，构建协同矩阵，根据不同的抓握物体，生成预抓握姿态；通过运动捕捉系统，识别出将要抓握的物体，基于人手与五指机械手之间的映射关系，为五指机械手当前的预抓握姿态匹配最接近的预设姿态，采用基于二次规划的逆动力学控制方法控制五指机械手抓握。握。握。

【技术实现步骤摘要】
一种具有示教学习能力的五指机械手抓取控制方法及系统


[0001]本专利技术涉及机器人学习
，尤其涉及一种具有示教学习能力的五指机械手抓取控制方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]目前机器人的技术发展日新月异，其应用领域已从传统的工业生产转向居家生活。机械手抓取控制是机器人发展的重要方向，主要涉及感知、规划与控制等多个方面，并已在制造业、物流等工业领域和假肢及外肢体辅助抓取等民用领域发挥重要作用。然而，在实际应用中，具有类人五手指的机械手的控制器设计仍具有挑战性，其抓取的准确率(如抓握成功率、抓取位姿稳定性等)和精确性(抓取力度精度、运行轨迹精度等)仍存在不足，严重影响了多指机械手的抓取效率和推广应用。因此，如何设计开发高性能的机械手抓取控制器以提高其抓取性能已成为当前研究的热点之一。
[0004]传统的机械手抓取控制方法大多基于规则和经验，并且依赖于人工参数调节，在面对非结构化环境时不能适应物体的物理属性(如材质、形状、表面光滑程度等)、初始状态(如平放、斜放、具有初始速度等)、运动状态(如在空间运行时的速度、加速度、角加速度等)和任务目标(如稳定保持、加速提升、两点间移动等)，造成抓握控制的灵活性差、稳定性低、适应性弱。
[0005]近年来，随着深度学习、强化学习等人工智能技术的发展，基于数据驱动的机械手抓取控制方法受到了广泛关注。这些方法可以通过大量数据训练机械手抓取的策略，并能够自适应地调整抓取策略，提高抓取的准确率和精确性。但是，这些方法仍存在较多缺点，主要表现在需大量的训练数据、数据需要准确标注、训练时间过长、学习泛化能力差、在线控制性能低等。
[0006]为了解决上述仿人五指机械手抓取控制中存在的问题，更多的控制方法被不断提出，包括：基于视觉感知的机械手抓取控制方法、基于物体形状特征的机械手抓取控制方法、基于力反馈的机械手抓取控制方法等。这些方法可以有效地提高机械手抓取的准确率和精确性，但仍存在不足，特别是如何控制机械手在抓取复杂物体时获得拟人化的控制策略，如何在抓取过程中使控制器具有较短的暂态转换和较高的控制精度等。因此，五指机械手抓取控制方法的研究仍然极具挑战性。

技术实现思路

[0007]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种具有示教学习能力的五指机械手抓取控制方法及系统，旨在能够完成拟人抓取的同时实现自主学习抓取控制方法，提高控制效果。
[0008]为了实现上述目的，本专利技术采用如下技术方案：
[0009]本专利技术的第一个方面提供一种具有示教学习能力的五指机械手抓取控制方法。
[0010]一种具有示教学习能力的五指机械手抓取控制方法，包括：
[0011]在三维运动捕捉系统下，建立世界坐标系，在佩戴数据手套情况下，采集人手抓握不同物体时的手部姿势信息数据；
[0012]基于手部姿势信息数据，建立人手与五指机械手之间的映射关系；
[0013]基于手部姿势信息数据，采用生成式对抗网络(Generative adversarial network,GAN)分析手部姿态，构建协同矩阵，根据不同的抓握物体，生成预抓握姿态；
[0014]通过运动捕捉系统，识别出将要抓握的物体，基于人手与五指机械手之间的映射关系，为五指机械手当前的预抓握姿态匹配最接近的预设姿态，采用基于二次规划的逆动力学控制方法控制五指机械手抓握；
[0015]其中，所述采用基于二次规划的逆动力学控制方法的过程包括：构建五指机械手的运动方程和约束方程，引入成本函数，定义五指机械手手指末端关节的期望加速度；基于所述期望加速度和反馈项，以成本函数最小为目标，计算五指机械手手指末端关节的加速度；根据关节所需的扭矩和所述加速度控制五指机械手抓握。
[0016]进一步地，所述手部姿势信息数据包括所有抓取姿势中各手指关节的位置、手腕所在世界坐标系中的位置以及手指与手掌连接关节的角度位置。
[0017]进一步地，所述采用生成式对抗网络的过程包括：对手部姿势信息数据进行扩充，构建输入数据；基于输入数据，采用生成器，得到生成数据；以生成数据和手部姿势信息数据的差异最小化为目标，采用判别器，对生成器网络不断优化；其中，所述生成式对抗网络包括生成器和判别器。
[0018]进一步地，所述采用生成式对抗网络分析手部姿态，构建协同矩阵的过程包括：基于手部姿势信息数据，采用优化后的生成器网络，得到手部姿势主成分数据；对手部姿势主成分数据进行主成分分析，构建协同矩阵，其中，所述协同矩阵为协同权重与协同效应子空间的乘积。
[0019]进一步地，所述运动方程和约束方程为
[0020][0021][0022]其中，q∈R
j
表示系统的状态，j表示五指机械手的连杆自由度，x∈R
l
是所有接触点在笛卡尔空间中的姿态的级联，M(q)∈R
j
×
j
表示惯性矩阵，表示重力、离心力和科氏力的总和，S∈R
j
×
j
是一个选择矩阵，，是所有接触力矩向量的级联，是所有接触点的雅可比矩阵的级联，τ∈R
j
是包含系统所有自由度的控制力矩的向量。
[0023]进一步地，所述二次规划的数学模型表达式为：
[0024][0025]s.t.A
E
θ＝a
E
[0026]A
I
θ≥a
I
[0027]所优化的成本函数为1/2||Aθ
‑
a||2，其中，A
E
和a
E
表示等式约束，A
I
和a
I
表示不等式约束，且G＝A
T
A，g＝
‑
A
T
a，A与a均为期望行为的列向量。
[0028]进一步地，求解五指机械手手指末端关节的输入
[0029][0030]其中，为末端关节期望加速度，为闭环控制回路地反馈项。
[0031]进一步地，所述反馈项的求解过程包括：建立五指机械手手指末端关节需要遵循的期望参考模型和末端关节的动力学模型；依据预设的控制规则，使所述动力学模型跟随期望参考模型，求解所述反馈项。
[0032]更进一步地，所述期望参考模型为：
[0033][0034]其中，r(t)是一个有界调节信号，B
r
,C
r
,r(t)是参考模型的设计参数，从Lyapunov观点出发，则有t
→
∞，||ζ
r
‑
ζ
d
||
→
0；
[0035]更进一步地，所述末端关节的动力学模型为：
[0036][0037]其中，参数B,C均是未知的，由自适应律决定；F(
·
)∈R
n
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有示教学习能力的五指机械手抓取控制方法，其特征在于，包括：在三维运动捕捉系统下，建立世界坐标系，在佩戴数据手套情况下，采集人手抓握不同物体时的手部姿势信息数据；基于手部姿势信息数据，建立人手与五指机械手之间的映射关系；基于手部姿势信息数据，采用生成式对抗网络分析手部姿态，构建协同矩阵，根据不同的抓握物体，生成预抓握姿态；通过运动捕捉系统，识别出将要抓握的物体，基于人手与五指机械手之间的映射关系，为五指机械手当前的预抓握姿态匹配最接近的预设姿态，采用基于二次规划的逆动力学控制方法控制五指机械手抓握；其中，所述采用基于二次规划的逆动力学控制方法的过程包括：构建五指机械手的运动方程和约束方程，引入成本函数，定义五指机械手手指末端关节的期望加速度；基于所述期望加速度和反馈项，以成本函数最小为目标，计算五指机械手手指末端关节的加速度；根据关节所需的扭矩和所述加速度控制五指机械手抓握。2.根据权利要求1所述的具有示教学习能力的五指机械手抓取控制方法，其特征在于，所述手部姿势信息数据包括所有抓取姿势中各手指关节的位置、手腕所在世界坐标系中的位置以及手指与手掌连接关节的角度位置。3.根据权利要求1所述的具有示教学习能力的五指机械手抓取控制方法，其特征在于，所述采用生成式对抗网络的过程包括：对手部姿势信息数据进行扩充，构建输入数据；基于输入数据，采用生成器，得到生成数据；以生成数据和手部姿势信息数据的差异最小化为目标，采用判别器，对生成器网络不断优化；其中，所述生成式对抗网络包括生成器和判别器。4.根据权利要求1所述的具有示教学习能力的五指机械手抓取控制方法，其特征在于，所述采用生成式对抗网络分析手部姿态，构建协同矩阵的过程包括：基于手部姿势信息数据，采用优化后的生成器网络，得到手部姿势主成分数据；对手部姿势主成分数据进行主成分分析，构建协同矩阵，其中，所述协同矩阵为协同权重与协同效应子空间的乘积。5.根据权利要求1所述的具有示教学习能力的五指机械手抓取控制方法，其特征在于，所述运动方程和约束方程为所述运动方程和约束方程为其中，q∈R
j
表示系统的状态，j表示五指机械手的连杆自由度，x∈R
l
是所有接触点在笛卡尔空间中的姿态的级联，M(q)∈R
j
×
j
表示惯性矩阵，表示重力、离心力和科氏力的总和，S∈R
j
×
j
是一个选择矩阵，，是所有接触力矩向量的级联，是所有接触点的雅可比矩阵的级联，τ∈R
j
是包含系统所有自由度的控制力矩的向量。6.根据权利要求1所述的具有示教学习能力的五指机械手抓取控制方法，其特征在于，所述二次规划的数学模型表达式为：s.t.A
E
θ＝a
E
A
I
θ≥a
I
所优化的成本函数为1/2||Aθ
‑
a||2，其中，A
E
和a
E
表示等式约束，A
I
和a
I...

【专利技术属性】
技术研发人员：李可，王加帅，李光林，魏娜，
申请(专利权)人：山东大学，
类型：发明
国别省市：