申请/专利权人：北京大学

申请日：2023-02-06

公开（公告）日：2024-06-25

公开（公告）号：CN116079730B

主分类号：B25J9/16

分类号：B25J9/16

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2023.05.26#实质审查的生效;2023.05.09#公开

摘要：本发明公开一种提升机器人手臂操作精度的控制方法及系统，属于信息科学技术与机器人领域，利用正向模型生成的数据；使用正向模型生成的数据，训练由多层感知机或径向基网络构建的全局反向模型，控制机械臂移动到目标附近；再通过在线学习训练由多层感知机构建的基于相对位置的局部反向模型，在适应自身与环境变化的同时精确移动至目标位置。

主权项：1.一种提升机器人手臂操作精度的控制方法，其特征在于，包括以下步骤：1）采用正向模型根据机器人的关节角度计算出机器人手臂执行器的末端位置，生成关节角度与末端位置一一映射的数据；正向模型为用Denavit-Hartenberg参数法建立，使用关节-连杆形式刻画机器人，由位姿态变换矩阵计算各个关节间的位姿变换；通过各个关节间位姿变换矩阵的链乘，计算出机器人手臂末端位置与姿态；2）由多层感知机网络或径向基网络构建全局反向模型，用于根据输入的末端位置来反向预测各个关节角度；利用正向模型生成的数据训练该全局反向模型，得到训练好的全局反向模型；多层感知机网络采用一种前馈神经网络，使用一个非线性的激活函数对网络层的输出进行非线性的处理；使用误差反向传播的方法调整各个节点间的权重；误差反向传播的方法为：调整所述多层感知机网络内部神经元之间的连接权重，使与所需输出和实际输出之间的差异相关的损失函数最小化；通过小批量随机梯度下降法进行学习，对损失函数进行优化，对神经网络内部的参数进行微调；径向基网络为使用径向基函数作为隐藏层中采用的激活函数的一种前馈神经网络，采用高斯核函数进行构建；通过对损失函数进行优化，对该径向基网络内部的参数进行微调；3）由多层感知机网络构建基于相对位置的局部反向模型，用于根据输入的目标位置与末端位置之间的相对位置，来预测末端位置达到目标位置所需进行的角度变换量；4）给定目标位置，利用训练好的全局反向模型计算目标关节角度，使实体机器人执行该角度；实体机器人获取当前手臂执行器末端位置和各关节角度，并计算目标位置与当前末端位置之间的相对位置；5）若实体机器人计算出的相对位置大于某一个阈值，则通过将关节角度限制在一邻域，其中为当前关节角度，邻域大小为，再在当前位置使用正向模型生成数据，利用该数据通过在线学习算法训练局部反向模型，通过相对位置计算出关节角度变换量，再向实体机器人传入的角度命令，优化相对位置与角度变换量之间的关系，进而调整实体机器人的关节角度，直至所述相对位置小于所述阈值或达到最大规划次数。

全文数据：

权利要求：

百度查询： 北京大学 一种提升机器人手臂操作精度的控制方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD