【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 ...
【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...
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。