System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及机器人领域,尤其涉及一种关节角度控制方法、装置、模型、计算机设备及存储介质。
技术介绍
1、随着人工智能技术的发展,人形机器人由于能模仿人类行为,以及具备执行复杂任务方面的潜力,应用越来越广泛。
2、人形机器人模仿人类行为和执行复杂任务的能力体现在其手腕部。人类手腕的运动可以归结为双自由度关节角,而人形机器人可以归结为将人类手腕部的双自由度关节角映射到双直线丝杆电机的控制长度,从而实现模拟人类手腕的俯仰和偏航运动。
3、在传统的机器人控制方法中,将人类手腕部的双自由度关节角映射到双直线丝杆电机的控制长度是一个极具挑战性的问题。这主要是因为需要建立一个准确的数学模型来描述关节角度与丝杆电机位移之间的复杂关系,而这个过程求解难度大、耗时长,并且控制速度慢。这种传统方法通常需要手动编程或调整,以适应不同的任务或环境条件。
4、可见,现有的人形机器人关节角度控制方法控制速度慢,难以应用于多种环境。
技术实现思路
1、为了解决上述技术问题或者至少部分地解决上述技术问题,本专利技术提供了一种关节角度控制方法、装置、模型、计算机设备及存储介质。
2、第一方面,本专利技术提供了一种关节角度控制方法,所述方法应用于机器人手腕关节,所述机器人手腕关节角度包括俯仰角度和偏航角度,所述俯仰角度和偏航角度由第一直线丝杠的第一长度和第二直线丝杠的第二长度共同控制,所述方法包括:
3、获取初始数据集,所述初始数据集包括第一节点集,所述第一
4、根据所述初始数据集获取训练样本集;
5、获取初始神经网络模型;
6、根据所述训练样本集对所述初始神经网络模型进行训练,获得优化参数;
7、将训练后的所述初始神经网络模型作为关节角度控制模型,所述关节角度控制模型包括所述优化参数;
8、将获待求解俯仰角度和待求解偏航角度输入所述关节角度控制模型,获得对应的第一长度和第二长度。
9、可选的,所述第一节点集中的每一个第一节点还包括长度参数,所述长度参数包括:第一长度,第二长度;
10、所述获取初始数据集包括:
11、在所述第一直线丝杠的预设长度范围内获取n个第一采样点,每一个所述第一采样点对应一个初始第一长度;
12、在所述第二直线丝杠的预设长度范围内获取m个第二采样点,每一个所述第二采样点对应一个初始第二长度;
13、获取任一个所述初始第一长度作为参考第一长度,获取任一个所述初始第二长度作为参考第二长度;
14、使所述第一直线丝杠和第二直线丝杠分别按照所述参考第一长度和所述参考第二长度运动,获取对应的参考俯仰角度和参考偏航角度;
15、将所述参考第一长度和参考第二长度作为参考节点的长度参数,将对应的所述参考俯仰角度和所述参考偏航角度作为所述参考节点的角度参数;
16、将所述参考节点作为所述第一节点,获取多个所述第一节点作为所述第一节点集。
17、可选的,所述根据所述初始数据集获取训练样本集,包括:
18、将所述初始数据集归一化处理,
19、将归一化处理后的所述初始数据集按照预设比例进行划分,一部分作为所述训练样本集;
20、在所述根据所述初始数据集获取训练样本集之后,所述方法还包括:
21、将归一化处理后的所述初始数据集根据所述预设比例进行划分,一部分作为所述训练样本集后,剩余的部分作为测试样本集。
22、可选的,所述初始神经网络模型包括:
23、输入层,用于接收所述输入数据,所述输入数据为输入节点,所述输入节点为第一节点中的俯仰角度和偏航角度;
24、隐藏层,用于使所述输入数据依次通过所述隐藏层中的每一层,以获取输出数据;
25、输出层,用于根据所述输出数据输出所述俯仰角度和所述偏航角度对应的第一长度和第二长度。
26、可选的,所述隐藏层的激活函数为:
27、
28、其中xp为输入节点,ci为高斯函数的中心,i为隐含层节点数,σ高斯函数的方差。
29、可选的,所述优化参数包括优化基函数中心,
30、所述根据所述训练样本集对所述初始神经网络模型进行训练,获得优化参数,包括:
31、从所述训练样本集中选取h个训练样本作为当前初始聚类中心,当前初始聚类中心有h个;
32、将所述训练样本集中的所有训练样本按最近邻规则分组,根据每个训练样本与所述当前初始聚类中心之间的欧式距离,将每个所述训练样本分配至最接近的聚类集合中;
33、计算每个所述聚类集合中的所述训练样本的平均值,获取当前更新聚类中心;
34、获取所述当前更新聚类中心与上一更新聚类中心之间的第一差值;
35、若所述第一差值小于等于预设差值,则将所述当前更新聚类中心作为所述优化基函数中心;
36、若所述第一差值大于所述预设差值,则重新从所述训练样本集中选取h个所述训练样本作为所述当前初始聚类中心,获取所述当前更新聚类中心,直到所述第一差值小于等于所述预设差值。
37、可选的,所述优化参数还包括优化权重值,
38、所述根据所述训练样本集对所述初始神经网络模型进行训练,获得优化参数,包括:
39、根据所述当前更新聚类中心,获取当前权重值;
40、根据所述当前权重值,获取总损失函数;
41、若所述总损失函数小于等于预设损失阈值,则将所述当前权重值作为优化权重值;
42、若所述总损失函数大于等于所述预设损失阈值,则反向传播所述训练样本集,修正所述当前权重值,直到所述总损失函数小于等于所述预设损失阈值。
43、可选的,所述根据所述训练样本集对所述初始神经网络模型进行训练,获得优化参数,包括:
44、从所述训练样本集中选取h个训练样本作为当前初始聚类中心,当前初始聚类中心有h个;
45、将所述训练样本集中的所有训练样本按最近邻规则分组,根据每个训练样本与所述当前初始聚类中心之间的欧式距离,将每个所述训练样本分配至最接近的聚类集合中;
46、计算每个所述聚类集合中的所述训练样本的平均值,获取当前更新聚类中心;
47、获取所述当前更新聚类中心与上一更新聚类中心之间的第一差值;
48、根据所述当前更新聚类中心,获取当前权重值和总损失函数;
49、若所述第一差值小于等于预设差值,且所述总损失函数小于等于预设损失阈值,则:
50、将所述当前更新聚类中心作为所述优化基函数中心,将所述当前权重值作为优化权重值。
51、可选的,若所述第一差值小于等于预设差值,所述总损失函数大于所述预设损失阈值,则:
52、重新从所述训练样本文档来自技高网...
【技术保护点】
1.一种关节角度控制方法,其特征在于,所述方法应用于机器人手腕关节,所述机器人手腕关节角度包括俯仰角度和偏航角度,所述俯仰角度和偏航角度由第一直线丝杠的第一长度和第二直线丝杠的第二长度共同控制,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述第一节点集中的每一个第一节点还包括长度参数,所述长度参数包括:第一长度,第二长度;
3.根据权利要求2所述的方法,其特征在于,所述根据所述初始数据集获取训练样本集,包括:
4.根据权利要求1所述的方法,其特征在于,所述初始神经网络模型包括:
5.根据权利要求4所述的方法,其特征在于,所述隐藏层的激活函数为:
6.根据权利要求4所述的方法,其特征在于,所述优化参数包括优化基函数中心,
7.根据权利要求6所述的方法,其特征在于,所述优化参数还包括优化权重值,
8.根据权利要求4所述的方法,其特征在于,所述根据所述训练样本集对所述初始神经网络模型进行训练,获得优化参数,包括:
9.根据权利要求8所述的方法,其特征在于,若所述第一差值小于等于
10.根据权利要求4所述的方法,其特征在于,所述优化参数还包括方差,所述方差为:
11.根据权利要求8所述的方法,其特征在于,所述权重值为:
12.根据权利要求8所述的方法,其特征在于,所述方法还包括:
13.根据权利要求12所述的方法,其特征在于,增加所述初始神经网络模型的输入节点,包括:
14.根据权利要求13所述的方法,其特征在于,在所述初始数据集中增加第二节点集之后,所述隐藏层的激活函数为:
15.根据权利要求12所述的方法,其特征在于,所述增加所述初始神经网络模型的输入节点,包括:
16.根据权利要求12所述的方法,其特征在于,修正后的损失函数为:
17.一种关节角度控制装置,其特征在于,所述装置应用于机器人手腕关节,所述机器人手腕关节角度包括俯仰角度和偏航角度,所述俯仰角度和偏航角度由第一直线丝杠的第一长度和第二直线丝杠的第二长度共同控制,所述装置包括:
18.一种关节角度控制模型,其特征在于,应用于如权利要求1至16中任一项所述的方法。
19.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至16中任一项所述的方法。
20.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至16中任一项所述的方法。
...【技术特征摘要】
1.一种关节角度控制方法,其特征在于,所述方法应用于机器人手腕关节,所述机器人手腕关节角度包括俯仰角度和偏航角度,所述俯仰角度和偏航角度由第一直线丝杠的第一长度和第二直线丝杠的第二长度共同控制,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述第一节点集中的每一个第一节点还包括长度参数,所述长度参数包括:第一长度,第二长度;
3.根据权利要求2所述的方法,其特征在于,所述根据所述初始数据集获取训练样本集,包括:
4.根据权利要求1所述的方法,其特征在于,所述初始神经网络模型包括:
5.根据权利要求4所述的方法,其特征在于,所述隐藏层的激活函数为:
6.根据权利要求4所述的方法,其特征在于,所述优化参数包括优化基函数中心,
7.根据权利要求6所述的方法,其特征在于,所述优化参数还包括优化权重值,
8.根据权利要求4所述的方法,其特征在于,所述根据所述训练样本集对所述初始神经网络模型进行训练,获得优化参数,包括:
9.根据权利要求8所述的方法,其特征在于,若所述第一差值小于等于预设差值,所述总损失函数大于所述预设损失阈值,则:
10.根据权利要求4所述的方法,其特征在于,所述优化参数还包括方差,所述方差为:
11.根据权利要求8所...
【专利技术属性】
技术研发人员:请求不公布姓名,
申请(专利权)人:上海开普勒探索机器人有限公司,
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。