【技术实现步骤摘要】
本专利技术涉及机械臂控制，尤其是涉及一种基于轨迹预测控制的机械臂目标捕捉方法、设备及介质。
技术介绍
1、使用机械臂捕捉运动中的物体，特别是不规则形状的，被认为是一项极具挑战的任务。控制系统要完成物体运动轨迹预测，落点位置计算，并规划机械臂运动等多层级任务。
2、通过预测并计算物体的落点，让机械臂提前调整为捕捉姿态，考虑空气动力学设计的复杂运动轨迹预测模型，或基于牛顿法将物体运动轨迹等效为一般的抛物线的方法，该方法的系统建模和调参工作是比较复杂的，而且现有方法通常是针对单一种类物体的轨迹预测，不利于实际部署环境中。另外，对于机械臂实时姿态调整问题，传统pid控制方法不能够有效处理约束问题，导致跟踪运动物体的落点不稳定。
3、chen j等人的发表的论文hitting flying objects with learning fromdemonstration(通过示范学习击中飞行物体)中公开了运动物体落点计算方法，但是该方法仅可实现单步预测，机械臂的姿态调整较为受限。李季等人发表的论文《基于改进rrt算法的6-dof机器人路径规划》和lampariello r等人发表的论文trajectory planning foroptimal robot catching in real-time(实时最优机器人捕获轨迹规划)采用离线式轨迹规划方法用于机械臂的运动控制，但是这类方法难以实现机械臂的实时在线位姿调整。
4、因此，综上所述，亟需一种方法能够解决多种物体的轨迹预测，以及能够有效地处理约束问题以
技术实现思路
1、本专利技术的目的就是为了提供一种提高捕捉成功率的基于轨迹预测控制的机械臂目标捕捉方法、设备及介质。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种基于轨迹预测控制的机械臂目标捕捉方法，包括以下步骤：
4、实时获取目标物体的运动状态信息；
5、将目标物体的运动状态信息输入至预先构建好的运动轨迹预测模型中，输出目标物体的预测运动轨迹；
6、基于目标物体的预测运动轨迹，采用模型预测控制策略构建机械臂视觉伺服控制器并求解；
7、根据求解结果控制机械臂实时修正位姿，以捕捉目标物体。
8、进一步地，所述运动轨迹预测模型包括循环神经网络和卡尔曼滤波网络。
9、进一步地，所述循环神经网络为lstm网络。
10、进一步地，采用单步预测损失函数和多步预测损失函数用于训练所述lstm网络，所述单步预测损失函数和多步预测损失函数分别为：
11、
12、
13、式中，l1为单步预测损失，l2为多步预测损失，t为时刻，t+k为未来时刻，k为步长，为真实序列，μ'i为预测序列。
14、进一步地，所述输出目标物体的预测运动轨迹的步骤包括：
15、将所述目标物体的运动状态信息输入预先训练好的循环神经网络中，输出目标物体的初始预测运动轨迹；
16、基于所述初始预测运动轨迹，采用卡尔曼滤波网络进行处理，得到最终的目标物体的预测运动轨迹。
17、进一步地，所述采用卡尔曼滤波网络进行处理的步骤包括：
18、计算目标物体运动状态的先验估计值和先验估计斜方差，计算表达式分别为：
19、
20、
21、基于所述先验估计斜方差计算卡尔曼增益，计算表达式为：
22、
23、基于所述卡尔曼增益，将所述初始预测运动轨迹作为观测值与先验估计值进行融合，得到最终的预测运动轨迹，融合表达式为：
24、
25、式中，为t时刻的先验估计值，μt-1为t-1时刻的最优估计，为状态转移矩阵，δt为时间间隔，为t时刻的先验估计协方差，σt-1为t-1时刻的后验估计协方差，q为预定义的过程噪声协方差矩阵，kt为卡尔曼增益，c＝i6×6为观测矩阵，i为单位矩阵，r为测量噪声协方差矩阵，μt为t时刻的优化后的预测运动状态，zt为t时刻初始预测运动状态。
26、进一步地，所述构建机械臂视觉伺服控制器的步骤包括：
27、构建机械臂的状态方程，所述状态方程的表达式为：
28、p(k+1)＝p(k)+δt·u(k)
29、y(k)＝p(k)；
30、基于所述状态方程和目标物体的预测运动轨迹，采用模型预测控制策略构建机械臂捕捉任务代价函数并作为视觉伺服控制器，所述代价函数的表达式为：
31、
32、式中，p(k+1)为k+1时刻的状态，δt为控制周期，y(k)为机械臂系统输出，j为代价函数，y(k+i)为k+i时刻的机械臂预测输出，为k+i时刻的机械臂预测位姿，wδu为输入权重系数，δu(k)＝u(k)-u(k-1)为控制输入增量，u(k)为笛卡尔空间下机械臂末端执行器的速度。
33、进一步地，求解过程中，将所述视觉伺服控制器转化为二次凸优化求解问题：
34、
35、满足约束条件：
36、δumin≤δu(k)≤δumax
37、umin≤u(k)≤umax
38、式中，δu*(k)为k时刻最优的控制输入增量，δu(k)为控制输入增量，j为代价函数，δumin与δumax分别为加速度最小值和最大值约束，umin和umax分别为笛卡尔空间下机械臂末端执行器的速度最大值和最小值约束。
39、本专利技术还提供一种电子设备，包括：一个或多个处理器；存储器；和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于轨迹预测控制的机械臂目标捕捉方法的指令。
40、本专利技术还一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权上所述基于轨迹预测控制的机械臂目标捕捉方法的指令。
41、与现有技术相比，本专利技术具有以下有益效果：
42、(1)本专利技术通过设计改进的运动轨迹预测模型，实现动态目标的落点计算，其次采用基于模型预测方法的位置视觉伺服控制，以实时修正机械臂的姿态，从而实现高成功率的运动物体捕捉。
43、(2)本专利技术采用长短时记忆神经网络与卡尔曼滤波相结合，设计了一种改进的运动轨迹预测模型，相比于考虑空气动力学设计的复杂运动轨迹预测模型，或基于牛顿法将物体运动轨迹等效为一般的抛物线的方法，该运动轨迹预测模型通过学习不同形状物体的运动轨迹，以实现多种物体的轨迹预测，从而避免了复杂的系统建模和调参工作，也具有更好的泛化性能。
44、(3)本专利技术的运动轨迹预测模型可实现多步连续预测，相较于单次的运动物体落点计算，其通过连续预测物体落点，多次调整机械臂的姿态，进一步提高目标物体的捕获成功率。
45、(4)本专利技术的模型预测控制通过限制机械臂的运动状态，相比离线本文档来自技高网...
【技术保护点】
1.一种基于轨迹预测控制的机械臂目标捕捉方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于轨迹预测控制的机械臂目标捕捉方法，其特征在于，所述运动轨迹预测模型包括循环神经网络和卡尔曼滤波网络。
3.根据权利要求2所述的一种基于轨迹预测控制的机械臂目标捕捉方法，其特征在于，所述循环神经网络为LSTM网络。
4.根据权利要求3所述的一种基于轨迹预测控制的机械臂目标捕捉方法，其特征在于，采用单步预测损失函数和多步预测损失函数训练所述LSTM网络，所述单步预测损失函数和多步预测损失函数分别为：
5.根据权利要求2所述的一种基于轨迹预测控制的机械臂目标捕捉方法，其特征在于，所述输出目标物体的预测运动轨迹的步骤包括：
6.根据权利要求5所述的一种基于轨迹预测控制的机械臂目标捕捉方法，其特征在于，所述采用卡尔曼滤波网络进行处理的步骤包括：
7.根据权利要求1所述的一种基于轨迹预测控制的机械臂目标捕捉方法，其特征在于，所述构建机械臂视觉伺服控制器的步骤包括：
8.根据权利要求1所述的一种基于轨迹预测
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于轨迹预测控制的机械臂目标捕捉方法的指令。
...【技术特征摘要】
1.一种基于轨迹预测控制的机械臂目标捕捉方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于轨迹预测控制的机械臂目标捕捉方法，其特征在于，所述运动轨迹预测模型包括循环神经网络和卡尔曼滤波网络。
3.根据权利要求2所述的一种基于轨迹预测控制的机械臂目标捕捉方法，其特征在于，所述循环神经网络为lstm网络。
4.根据权利要求3所述的一种基于轨迹预测控制的机械臂目标捕捉方法，其特征在于，采用单步预测损失函数和多步预测损失函数训练所述lstm网络，所述单步预测损失函数和多步预测损失函数分别为：
5.根据权利要求2所述的一种基于轨迹预测控制的机械臂目标捕捉方法，其特征在于，所述输出目标物体的预测运动轨迹的步骤包括：...
【专利技术属性】
技术研发人员：冒建亮，李双圻，朱天启，周海昌，张传林，夏飞，
申请(专利权)人：上海电力大学，
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。