一種運載機器人手臂操控多點映射智能控制方法及系統(tǒng)與流程
本發(fā)明屬于機器人控制領域，特別涉及一種運載機器人手臂操控多點映射智能控制方法及系統(tǒng)。
背景技術：
近些年來，移動機器人被廣泛應用于室內(nèi)運輸，如醫(yī)院利用移動機器人運輸醫(yī)療設備、超市的服務型機器人、工廠制造環(huán)境下的機器人等。而機器人手臂是機器人機械系統(tǒng)的重要組成部分，也是機器人實現(xiàn)其服務功能的主要載體。
機械手臂的控制問題一直是該行業(yè)的難點問題。早期，大部分手臂采用pid控制，能夠?qū)崿F(xiàn)中等以下速度的跟蹤，但是在高精度、快速的場合下，傳統(tǒng)的pid控制并不能滿足其控制要求。在這種情況下，出現(xiàn)了模糊控制、神經(jīng)網(wǎng)絡控制、模糊神經(jīng)網(wǎng)絡控制、專家控制等智能控制方法。
如今神經(jīng)網(wǎng)絡廣泛應用于機器人手臂控制：通過求解運動學方程來獲得訓練樣本，利用神經(jīng)網(wǎng)絡建立手臂關節(jié)空間坐標與笛卡爾空間坐標的映射關系。然而通過求解運動學方程獲得大量樣本的方法并不實用，而且機器人手臂關節(jié)處的電機更換會使得之前構建的神經(jīng)網(wǎng)絡需重新訓練。因此，機器人的維護存在著極大的不便?；谏鲜鲈?，迫切地需要一種更為智能的手臂控制方法。
技術實現(xiàn)要素：
本發(fā)明提供了一種運載機器人手臂操控多點映射智能控制方法及系統(tǒng)，其目的在于，克服上述現(xiàn)有技術中存在的問題，通過建立機器人基座、抓取臺之間距離與機器人手臂姿態(tài)之間的映射，避免繁瑣的運動學方程建立；結合抓取中關節(jié)控制值變化幅度并將關節(jié)分為三類，并且對這三類關節(jié)采用了不同的優(yōu)化算法和神經(jīng)網(wǎng)絡組合進行訓練和預測，提高了手臂關節(jié)的控制精度。
一種運載機器人手臂操控多點映射智能控制方法，包括以下步驟：
步驟1：當運載機器人位于指定抓取距離區(qū)間內(nèi)的固定抓取點時，利用遠程服務器控制運載機器人手臂進行多次抓取訓練，獲得運載機器人在不同固定抓取點完成抓取任務的抓取樣本集；
每個抓取樣本包括運載機器人基座所在固定抓取點與抓取臺底端邊緣之間的距離和完成抓取任務過程中所有關節(jié)的控制值矩陣，所述所有關節(jié)的控制值矩陣大小為n*m，n表示運載機器人手臂關節(jié)個數(shù)，m表示抓取過程手臂動作次數(shù)；
運載機器人在指定抓取距離區(qū)間中某個固定點抓取點時，運載機器人基座不移動，只有手臂進行運動，完成抓取任務；
利用遠程服務器控制運載機器人手臂進行抓取，同時自動記錄距離和對應的控制值矩陣，獲取樣本的方法不同于傳統(tǒng)反求運動學方程的復雜方法，避免了復雜的建模和求解過程。
步驟2：依據(jù)各手臂關節(jié)控制值的變化幅度a％對抓取樣本集中進行關節(jié)分類，獲得各類關節(jié)樣本集；
從每個抓取樣本中提取出各個關節(jié)樣本，每個關節(jié)樣本包括距離和控制值向量，所述關節(jié)樣本中的距離是指運載機器人基座所在的固定抓取點與抓取臺底端邊緣之間的距離，所述關節(jié)樣本中的控制向量，是指運載機器人基座位于固定抓取點時，完成抓取任務過程中對應的關節(jié)控制值向量，向量大小為1*m；
依據(jù)關節(jié)控制值變化幅度a％，對抓取樣本集對應的所有關節(jié)樣本進行分類：
若a％<20％，該類關節(jié)作為第一類關節(jié)；
若20％≤a％≤50％，該類關節(jié)作為第二類關節(jié)；
若a％>50％，該類關節(jié)作為第三類關節(jié)；
每個關節(jié)樣本的關節(jié)控制值變化幅度a％是指每個關節(jié)在一次抓取過程所有動作中的最大控制值和最小控制值之差與對應關節(jié)的控制量程之比；
n組關節(jié)樣本被劃分成三類；
步驟3：利用步驟2得到的關節(jié)樣本集構建運載機器人手臂關節(jié)控制值的預測模型；
依次各類關節(jié)樣本集中的每個關節(jié)樣本的距離和控制值向量分別作為訓練模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓練，構建預測模型，包括第一類關節(jié)預測模型、第二類關節(jié)預測模型以及第三類關節(jié)預測模型；
其中，第一類關節(jié)預測模型使用的訓練模型為基于elman神經(jīng)網(wǎng)絡模型；
第二類關節(jié)預測模型使用的訓練模型為多核支持向量機mksvm模型；
第三類關節(jié)預測模型使用的訓練模型為小波神經(jīng)網(wǎng)絡模型；
運用多種優(yōu)化算法和神經(jīng)網(wǎng)絡的組合對手臂的抓取進行控制，針對不同關節(jié)選擇精度更加高的組合進行預測，提高了系統(tǒng)的穩(wěn)定性；
步驟4：利用運載機器人基座所在固定抓取點與抓取臺底端邊緣之間的距離作為三類關節(jié)預測模型的輸入值，分別得到各個關節(jié)的控制值，輸出運載機器人手臂所有關節(jié)的控制值，完成抓取任務控制。
進一步的，所述第一類關節(jié)預測模型以第一類關節(jié)樣本集中各關節(jié)樣本的距離和控制值向量分別作為elman神經(jīng)網(wǎng)絡模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓練后，獲得的基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型；
所述基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型輸入層節(jié)點個數(shù)為2，隱含層個數(shù)為5，輸出層節(jié)點個數(shù)為2，承接層節(jié)點個數(shù)為5；隱含層函數(shù)采用tansig函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)采用logsig函數(shù)；訓練過程中的最大迭代次數(shù)設置為100，訓練學習率為0.1，閾值為0.001；
所述基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型的權值和閾值采用自適應慣性權重磷蝦群算法akh尋優(yōu)獲得。
進一步的，所述基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型的權值和閾值采用自適應慣性權重磷蝦群算法akh尋優(yōu)獲得的過程如下：
步驟3.1：以磷蝦個體位置作為基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型的權值和閾值，隨機初始化磷蝦種群并設置磷蝦種群參數(shù)；
磷蝦種群包含多個磷蝦個體；
磷蝦種群規(guī)模的取值范圍為[20，200]，誘導慣性權重wn的取值范圍為[0.5,0.7]，覓食慣性權重wf的取值范圍為[0.5,0.7]，最大誘導速度的取值范圍為[0.02,0.08]，最大覓食速度的取值范圍為[0.02,0.08]，最大擴散速度的取值范圍為[0.002,0.01]，步長縮放因子的取值范圍為[0.1,0.5]，最大迭代次數(shù)t的取值范圍為[200，1000]，搜索精度的取值范圍為[0.001,0.1]；步驟3.2：設定適應度函數(shù)，并確定初始最優(yōu)磷蝦個體位置和迭代次數(shù)t，t＝1；
將磷蝦個體位置對應的權值和閾值代入基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型中，并利用磷蝦位置確定的基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型計算第一類關節(jié)樣本集中每個關節(jié)樣本的關節(jié)控制預測值，將所有關節(jié)樣本的關節(jié)控制預測值和實際值的均方差mse的倒數(shù)作為第一適應度函數(shù)f1(x)；
利用第一適應度函數(shù)計算每個磷蝦個體位置的適應度，以最大適應度
步驟3.3：利用每個磷蝦個體的當前的誘導速度、覓食速度以及擴散速度，更新每個磷蝦個體的運動速度和位置；
步驟3.4：對每個更新后的磷蝦個體位置進行基于遺傳算法的交叉操作，交叉因子的取值范圍為[0.3，0.5]；
進行交叉操作，以增加種群的多樣性；
步驟3.5：計算當前磷蝦種群中每個磷蝦個體位置的適應度，以當前磷蝦種群中最大適應度
步驟3.6：依據(jù)當前最優(yōu)磷蝦個體的適應度值
其中，所述磷蝦個體的慣性權重包括誘導速度慣性權重和覓食速度慣性權重，wn和wf分別表示初始化的誘導速度慣性權重和覓食速度慣性權重，
步驟3.7：判斷是否滿足達到搜索精度或者最大迭代次數(shù)，若不滿足，則令t＝t+1，返回步驟3.3，否則，輸出當前最優(yōu)的磷蝦個體位置，得到基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型的最優(yōu)權值和閾值；
所述達到搜索精度是指當前最優(yōu)磷蝦個體的適應度值和前一次迭代過程中的最優(yōu)磷蝦個體的適應度值之差小于設定的搜索精度。
進一步的，所述第二類關節(jié)預測模型以第二類關節(jié)樣本集中各關節(jié)樣本的距離和控制值向量分別作為多核支持向量機mksvm模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓練后，獲得的基于多核支持向量機mksvm的第二類關節(jié)控制預測模型；
所述基于多核支持向量機mksvm的第二類關節(jié)控制預測模型的核函數(shù)為高斯函數(shù)，參數(shù)c、g和d采用改進狼群算法尋優(yōu)獲得。
進一步的，所述基于多核支持向量機mksvm的第二類關節(jié)控制預測模型的參數(shù)c、g和d采用改進狼群算法尋優(yōu)獲得的過程如下：
步驟5.1：以個體狼的位置作為基于多核支持向量機mksvm的第二類關節(jié)控制預測模型的參數(shù)c、g和d，初始化狼群并設置狼群參數(shù)；
狼群包含多只個體狼；
狼群規(guī)模的取值范圍為[20，200]，狼的視覺半徑的取值范圍[1,5]，可記憶步數(shù)為1，逃跑概率的取值范圍為[0.02，0.08]，最大搜索精度的取值范圍為[0.005,0.1]，最大迭代次數(shù)的取值范圍[500,1000]；
步驟5.2：設定適應度函數(shù)，并確定初始最優(yōu)頭狼位置和迭代次數(shù)t，t＝1；
將個體狼位置對應的參數(shù)c、g和d代入基于多核支持向量機mksvm的第二類關節(jié)控制預測模型中，并利用個體狼位置確定的基于多核支持向量機mksvm的第二類關節(jié)控制預測模型計算第二類關節(jié)樣本集中每個關節(jié)樣本的關節(jié)控制預測值，將所有關節(jié)樣本的控制預測值和實際值的均方差mse的倒數(shù)作為第二適應度函數(shù)f2(x)；
利用第二適應度函數(shù)計算每匹個體狼位置的適應度，以最大適應度對應的個體狼位置作為初始最優(yōu)頭狼位置；
步驟5.3：尋找每匹個體狼的第一次更新位置，以第一次更新位置更新個體狼位置，并以所有個體狼的第一次更新位置，更新狼群最優(yōu)頭狼位置，j＝1，j表示個體狼位置更新次數(shù)；
按照公式(1)計算每匹個體狼的第一次更新位置x1(t)，并判斷計算得到的第一次更新位置是否為從未達到過的新位置，若到達過，則重復步驟5.3直到重新獲得第一次更新位置，若未到達過，則利用個體狼的第一個更新位置計算得適應度；
xj(t)＝xj-1(t)+β(r)(p(t)-xj-1(t))+rand()(1)
其中，xj-1(t)和xj(t)表示個體狼在第t次迭代過程中的第j-1次更新位置和第j次更新位置，x0(t)表示個體狼在第t次迭代過程中迭代操作開始前的初始位置；β(r)為中間計算量，
更新個體狼最優(yōu)位置是指個體狼最新的位置的適應度優(yōu)于個體狼當前個體最優(yōu)位置的適應度，則以最新的位置作為個體最優(yōu)位置；
更新狼群頭狼最優(yōu)位置是指狼群中某匹狼最新的位置的適應度優(yōu)于當前狼群最優(yōu)頭狼位置的適應度，則以最新的位置作為狼群最優(yōu)頭狼位置；
步驟5.4：判斷每個個體狼的第一次更新位置是否滿足以下條件，進行第二次位置更新，更新個體狼最優(yōu)位置，j＝2：
第一次更新位置在其視野范圍內(nèi)且第一次更新位置的適應度優(yōu)于其初始位置的適應度；
若滿足，則令個體狼按照公式(1)尋找第二次更新位置x2(t)，當?shù)诙胃挛恢玫倪m應度優(yōu)于當前個體狼最優(yōu)位置的適應度，利用第二次更新位置作為個體狼最優(yōu)位置，進入步驟5.5獲取第三次更新位置；
若不滿足，則第二次更新位置與第一次更新位置相同，個體狼位置不變，并轉(zhuǎn)到步驟5.6，獲取第三次更新位置；
步驟5.5：按公式(2)尋找滿足步驟5.4中所述條件的個體狼在其視野范圍內(nèi)的第三次更新位置，更新個體狼最優(yōu)位置和狼群頭狼最優(yōu)位置，j＝3，進入步驟5.7；
x3(t)＝x2(t)+rand().v.(gbest-x2(t))(2)
其中：x2(t)、x3(t)表示個體狼在第t次迭代過程中的第二次更新位置和第三次更新位置；gbest為狼群當前最優(yōu)頭狼位置；v為狼的視覺半徑；rand()為[-1,1]中的一個隨機數(shù)；
步驟5.6:按照公式(3)尋找不滿足步驟5.4中所述條件的個體狼的第三次更新位置x3(t)，更新狼群頭狼最優(yōu)位置，j＝3，進入步驟5.7；
x3(t)＝x2(t)+escape().s.(xc(t)-x2(t))(3)
其中，xc(t)表示第t次迭代過程中，所有個體狼進行第二次更新后，狼群的質(zhì)心位置；s為狼的移動步長，s≤v；escape()為隨機函數(shù)；
步驟5.7依適應度值將經(jīng)過三次更新后的所有個體狼從低到高進行排序；
步驟5.8將排在前面的n+1個個體狼按非線性單純法nm方法搜索每個個體的最優(yōu)位置，其余的個體重復步驟5.4-步驟5.6搜索每個個體狼最優(yōu)位置，得到最優(yōu)狼群；從最優(yōu)狼群中選取全局最優(yōu)頭狼位置；
其中，n為隨機正整數(shù)；
步驟5.9判斷是否達到最大迭代次數(shù)或者達到最大搜索精度，若達到，則輸出全局最優(yōu)頭狼位置對應的基于多核支持向量機mksvm的第二類關節(jié)控制預測模型的參數(shù)c、g和d；否則，令t+1，轉(zhuǎn)到步驟5.3，進行下一次迭代。
進一步的，所述第三類關節(jié)預測模型以第三類關節(jié)樣本集中各關節(jié)樣本的距離和控制值向量分別作為小波神經(jīng)網(wǎng)絡模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓練后，獲得的基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型；
所述基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型的輸入層節(jié)點個數(shù)為2，隱含層小波元個數(shù)為4，輸出層節(jié)點個數(shù)為4，隱層小波神經(jīng)元采用mexicanhat小波函數(shù)，輸出層節(jié)點采用sigmoid函數(shù)；訓練過程中的最大迭代次數(shù)設置為1000，訓練學習率為0.1，閾值為0.00004；
所述基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型的權值、閾值和伸縮平移系數(shù)采用混沌蝙蝠算法尋優(yōu)獲得。
進一步的，所述基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型的權值、閾值和伸縮平移系數(shù)采用混沌蝙蝠算法尋優(yōu)獲得的過程如下：
步驟7.1：以蝙蝠個體位置作為基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型的權值、閾值和伸縮平移系數(shù)，初始化蝙蝠種群，并設置蝙蝠種群參數(shù)；
蝙蝠種群規(guī)模的取值范圍為[200，500]，蝙蝠個體最大脈沖頻度r0的取值范圍為[0.25,0.5]，最大脈沖聲音強度a0的取值范圍為[0.25,0.5]，最大迭代次數(shù)的取值范圍為[150，300]，搜索精度的取值范圍為[0.001,0.1]，脈沖頻率的取值范圍為[0,1.5]，蝙蝠搜索頻度增加系數(shù)的取值范圍為[0.02,0.08]，聲音強度衰減系數(shù)的取值范圍為[0.8，0.96]，最大迭代次數(shù)的取值范圍為[100,500]，最大搜索精度的取值范圍為[0.01,0.1]；
步驟7.2:設定適應度函數(shù)，并確定初始最優(yōu)蝙蝠個體位置和迭代次數(shù)t，t＝1；
將蝙蝠個體位置對應的權值、閾值和伸縮平移系數(shù)代入基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型中，并利用蝙蝠個體位置確定的基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型計算第二類關節(jié)樣本集中每個關節(jié)樣本的關節(jié)控制預測值，將所有關節(jié)樣本的控制預測值和實際值的差值e構建第三適應度函數(shù)f3(x)，f3(x)＝1/(e+1)；
利用第三適應度函數(shù)計算每只蝙蝠個體位置的適應度，以最大適應度對應的蝙蝠個體位置作為初始最優(yōu)蝙蝠個體位置；
步驟7.3:利用設定的脈沖頻率對蝙蝠個體的速度以及位置進行更新；
步驟7.4:若rand1>ri，則對處于個體最優(yōu)位置的蝙蝠進行隨機擾動，生成蝙蝠個體的擾動位置；
其中，rand1為在[0,1]上均勻分布的隨機數(shù)，ri為第i只蝙蝠的脈沖頻度；
步驟7.5:若rand2>ai，蝙蝠個體的擾動位置的適應度優(yōu)于擾動前的蝙蝠個體位置的適應度，則將蝙蝠個體移動到擾動位置，否則保持原位；
其中，rand2為在[0,1]上均勻分布的隨機數(shù)，ai為第i只蝙蝠的聲音強度；
步驟7.6:如果步驟7.5條件得到滿足，則利用蝙蝠搜索頻度增加系數(shù)和聲音強度衰減系數(shù)更新蝙蝠個體的脈沖頻度和脈沖脈沖聲音強度，并跳轉(zhuǎn)步驟7.1，否則跳轉(zhuǎn)到步驟7.7；
步驟7.7:計算當前蝙蝠種群中每個蝙蝠個體位置的適應度，按照由大到小的順序選出前m％個蝙蝠個體進行位置和速度的混沌優(yōu)化，得到更新后的前m％個蝙蝠個體，m的取值范圍為[5,20]；
混沌優(yōu)化使種群個體多樣性增加，跳出局部最優(yōu)繼續(xù)迭代搜索；
步驟7.8:判斷是否達到最大迭代次數(shù)或者達到最大搜索精度，若是，則從更新后的前m％個蝙蝠個體中依據(jù)適應度值選出全局最優(yōu)蝙蝠個體，輸出全局最優(yōu)蝙蝠個體對應的基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型的最佳權值、閾值和伸縮平移系數(shù)，否則，令t＝t+1，轉(zhuǎn)到步驟7.3繼續(xù)下一次迭代。
一種運載機器人手臂操控多點映射智能控制系統(tǒng)，采用上述的方法對運載機器人手臂進行控制，包括：
抓取樣本集獲取單元，通過運載機器人位于指定抓取距離區(qū)間內(nèi)的固定抓取點時，利用遠程服務器控制運載機器人手臂進行多次抓取訓練，獲得運載機器人在不同固定抓取點完成抓取任務的多個抓取樣本；
每個抓取樣本包括運載機器人基座所在固定抓取點與抓取臺底端邊緣之間的距離和完成抓取任務過程中所有關節(jié)的控制值矩陣，所述所有關節(jié)的控制值矩陣大小為n*m，n表示運載機器人手臂關節(jié)個數(shù)，m表示抓取過程手臂動作次數(shù)；
三類關節(jié)樣本集分類單元，依據(jù)各手臂關節(jié)控制值的變化幅度a％對抓取樣本集中進行關節(jié)分類，獲得各類關節(jié)樣本集；
從每個抓取樣本中提取出各個關節(jié)樣本，每個關節(jié)樣本包括距離和控制值向量，所述關節(jié)樣本中的距離是指運載機器人基座所在的固定抓取點與抓取臺底端邊緣之間的距離，所述關節(jié)樣本中的控制向量，是指運載機器人基座位于固定抓取點時，完成抓取任務過程中對應的關節(jié)控制值向量，向量大小為1*m；
依據(jù)關節(jié)控制值變化幅度a％，對抓取樣本集對應的所有關節(jié)樣本進行分類：
若a％<20％，該類關節(jié)作為第一類關節(jié)；
若20％≤a％≤50％，該類關節(jié)作為第二類關節(jié)；
若a％>50％，該類關節(jié)作為第三類關節(jié)
每個關節(jié)樣本的關節(jié)控制值變化幅度a％是指每個關節(jié)在一次抓取過程所有動作中的最大控制值和最小控制值之差與對應關節(jié)的控制量程之比；
手臂關節(jié)控制值預測模型構建單元，利用三類關節(jié)樣本集分類單元得到的各類關節(jié)樣本集分別輸入訓練模型進行訓練，構建運載機器人手臂關節(jié)控制值的預測模型；
所述訓練過程是指將各類關節(jié)樣本集中的每個關節(jié)樣本的距離和控制值向量分別作為訓練模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓練，得到預測模型；
所述手臂關節(jié)控制值預測模型包括第一類關節(jié)預測模型、第二類關節(jié)預測模型以及第三類關節(jié)預測模型；
其中，第一類關節(jié)預測模型使用的訓練模型為基于elman神經(jīng)網(wǎng)絡模型；
第二類關節(jié)預測模型使用的訓練模型為多核支持向量機mksvm模型；
第三類關節(jié)預測模型使用的訓練模型為小波神經(jīng)網(wǎng)絡模型；
控制單元，利用運載機器人基座所在固定抓取點與抓取臺底端邊緣之間的距離作為三類關節(jié)預測模型的輸入值，分別得到各個關節(jié)的控制值，輸出運載機器人手臂所有關節(jié)的控制值，進行抓取任務控制。
進一步地，所述指定區(qū)域設置為運載機器人基座與抓取臺底部邊緣距離18-28cm的直線區(qū)域內(nèi)。
進一步地，所述運載機器人基座與抓取臺底部邊緣距離采用運載機器人自帶的超聲波傳感器進行測量，且所述超聲波傳感器位于運載機器人基座的兩側，對稱設置。
運載機器人基座的超聲波傳感器是一般用作避障，本發(fā)明不需要在運載機器人身上增加任何距離測量裝置，擴展了自帶的超聲波傳感器用途。
有益效果
1、運用該控制方法，建立了機器人基座、抓取臺之間距離與機器人手臂姿態(tài)之間的映射，而不需要建立復雜的運動學方程。同時，手臂關節(jié)處電機的更換不會造成神經(jīng)網(wǎng)絡訓練的失效，方便了機器人的維護。
2、獲取樣本的方法更加便捷。利用遠程服務器控制機器人手臂進行抓取，記錄下距離和對應的關節(jié)控制值，避免了求解動力學方程。
3、操控精度高，控制靈活。根據(jù)樣本記錄的關節(jié)控制值，分析各個關節(jié)在抓取中的變化幅度，將關節(jié)分為三類，并且對這三類關節(jié)采用了不同的優(yōu)化算法和神經(jīng)網(wǎng)絡組合進行訓練和預測。
4.機器人基座的超聲波傳感器一般用作避障，本發(fā)明所述方案避開了常規(guī)思考，結合應用需求，不需要在機器人身上增加任何裝置，將自帶的超聲波傳感器開發(fā)出一種新的用途。
附圖說明
圖1為運載機器人抓取過程示意圖；
圖2為elman神經(jīng)網(wǎng)絡模型
圖3為小波神經(jīng)網(wǎng)絡模型
圖4為本發(fā)明所述方法的機器人手臂抓取控制流程圖
具體實施方式
下面將結合附圖和實施例對本發(fā)明做進一步的說明。
運載機器人抓取過程示意圖如圖1所示；機器人手臂抓取控制流程圖如圖4所示。
一種運載機器人手臂操控多點映射智能控制方法，包括以下步驟：
步驟1：當運載機器人位于指定抓取距離區(qū)間內(nèi)的固定抓取點時，利用遠程服務器控制運載機器人手臂進行多次抓取訓練，獲得包含50組運載機器人在不同固定抓取點完成抓取任務的抓取樣本的樣本集；
每個抓取樣本包括運載機器人基座所在固定抓取點與抓取臺底端邊緣之間的距離和完成抓取任務過程中所有關節(jié)的控制值矩陣，所述所有關節(jié)的控制值矩陣大小為8*10，8表示運載機器人手臂關節(jié)個數(shù)，10表示抓取過程手臂動作次數(shù)；
步驟2：依據(jù)各手臂關節(jié)控制值的變化幅度a％對抓取樣本集中進行關節(jié)分類，獲得各類關節(jié)樣本集；
從每個抓取樣本中提取出各個關節(jié)樣本，每個關節(jié)樣本包括距離和控制值向量，所述關節(jié)樣本中的距離是指運載機器人基座所在的固定抓取點與抓取臺底端邊緣之間的距離，所述關節(jié)樣本中的控制向量，是指運載機器人基座位于固定抓取點時，完成抓取任務過程中對應的關節(jié)控制值向量，向量大小為1*10；
依據(jù)關節(jié)控制值變化幅度a％，對抓取樣本集對應的所有關節(jié)樣本進行分類：
若a％<20％，該類關節(jié)作為第一類關節(jié)；
若20％≤a％≤50％，該類關節(jié)作為第二類關節(jié)；
若a％>50％，該類關節(jié)作為第三類關節(jié)；
每個關節(jié)樣本的關節(jié)控制值變化幅度a％是指每個關節(jié)在一次抓取過程所有動作中的最大控制值和最小控制值之差與對應關節(jié)的控制量程之比；
步驟3：利用步驟2得到的50組關節(jié)樣本集構建運載機器人手臂關節(jié)控制值的預測模型；
依次各類關節(jié)樣本集中的每個關節(jié)樣本的距離和控制值向量分別作為訓練模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓練，構建預測模型，包括第一類關節(jié)預測模型、第二類關節(jié)預測模型以及第三類關節(jié)預測模型；
其中，第一類關節(jié)預測模型使用的訓練模型為基于elman神經(jīng)網(wǎng)絡模型；
圖2所示，第一類關節(jié)預測模型使用的訓練模型為基于elman神經(jīng)網(wǎng)絡模型；
第一類關節(jié)預測模型以第一類關節(jié)樣本集中各關節(jié)樣本的距離和控制值向量分別作為elman神經(jīng)網(wǎng)絡模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓練后，獲得的基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型；
所述基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型輸入層節(jié)點個數(shù)為2，隱含層個數(shù)為5，輸出層節(jié)點個數(shù)為2，承接層節(jié)點個數(shù)為5；隱含層函數(shù)采用tansig函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)采用logsig函數(shù)；訓練過程中的最大迭代次數(shù)設置為100，訓練學習率為0.1，閾值為0.001；
基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型的權值和閾值采用自適應慣性權重磷蝦群算法akh尋優(yōu)獲得。
所述基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型的權值和閾值采用自適應慣性權重磷蝦群算法akh尋優(yōu)獲得的過程如下：
步驟3.1：以磷蝦個體位置作為基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型的權值和閾值，隨機初始化磷蝦種群并設置磷蝦種群參數(shù)；
磷蝦種群規(guī)模的取值范圍為[20，200]，誘導慣性權重wn的取值范圍為[0.5,0.7]，覓食慣性權重wf的取值范圍為[0.5,0.7]，最大誘導速度的取值范圍為[0.02,0.08]，最大覓食速度的取值范圍為[0.02,0.08]，最大擴散速度的取值范圍為[0.002,0.01]，步長縮放因子的取值范圍為[0.1,0.5]，最大迭代次數(shù)t的取值范圍為[200，1000]，搜索精度的取值范圍為[0.001,0.1]；
步驟3.2：設定適應度函數(shù)，并確定初始最優(yōu)磷蝦個體位置和迭代次數(shù)t，t＝1；
將磷蝦個體位置對應的權值和閾值代入基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型中，并利用磷蝦位置確定的基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型計算第一類關節(jié)樣本集中每個關節(jié)樣本的關節(jié)控制預測值，將所有關節(jié)樣本的關節(jié)控制預測值和實際值的均方差mse的倒數(shù)作為第一適應度函數(shù)f1(x)；
利用第一適應度函數(shù)計算每個磷蝦個體位置的適應度，以最大適應度
步驟3.3：利用每個磷蝦個體的當前的誘導速度、覓食速度以及擴散速度，更新每個磷蝦個體的運動速度和位置；
步驟3.4：對每個更新后的磷蝦個體位置進行基于遺傳算法的交叉操作，交叉因子的取值范圍為[0.3，0.5]；
步驟3.5：計算當前磷蝦種群中每個磷蝦個體位置的適應度，以當前磷蝦種群中最大適應度
步驟3.6：依據(jù)當前最優(yōu)磷蝦個體的適應度值
其中，所述磷蝦個體的慣性權重包括誘導速度慣性權重和覓食速度慣性權重，wn和wf分別表示初始化的誘導速度慣性權重和覓食速度慣性權重，
步驟3.7：判斷是否滿足達到搜索精度或者最大迭代次數(shù)，若不滿足，則令t＝t+1，返回步步驟3否則，輸出當前最優(yōu)的磷蝦個體位置，得到基于elman神經(jīng)網(wǎng)絡的第一類關節(jié)控制預測模型的最優(yōu)權值和閾值；
所述達到搜索精度是指當前最優(yōu)磷蝦個體的適應度值和前一次迭代過程中的最優(yōu)磷蝦個體的適應度值之差小于設定的搜索精度。
第二類關節(jié)預測模型使用的訓練模型為多核支持向量機mksvm模型；
所述第二類關節(jié)預測模型以第二類關節(jié)樣本集中各關節(jié)樣本的距離和控制值向量分別作為多核支持向量機mksvm模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓練后，獲得的基于多核支持向量機mksvm的第二類關節(jié)控制預測模型；
所述基于多核支持向量機mksvm的第二類關節(jié)控制預測模型的核函數(shù)為高斯函數(shù)，參數(shù)c、g和d采用改進狼群算法尋優(yōu)獲得。
所述基于多核支持向量機mksvm的第二類關節(jié)控制預測模型的參數(shù)c、g和d采用改進狼群算法尋優(yōu)獲得的過程如下：
步驟5.1：以個體狼的位置作為基于多核支持向量機mksvm的第二類關節(jié)控制預測模型的參數(shù)c、g和d，初始化狼群并設置狼群參數(shù)；
狼群規(guī)模的取值范圍為[20，200]，狼的視覺半徑的取值范圍[1,5]，可記憶步數(shù)為1，逃跑概率的取值范圍為[0.02，0.08]，最大搜索精度的取值范圍為[0.005,0.1]，最大迭代次數(shù)的取值范圍[500,1000]；
步驟5.2：設定適應度函數(shù)，并確定初始最優(yōu)頭狼位置和迭代次數(shù)t，t＝1；
將個體狼位置對應的參數(shù)c、g和d代入基于多核支持向量機mksvm的第二類關節(jié)控制預測模型中，并利用個體狼位置確定的基于多核支持向量機mksvm的第二類關節(jié)控制預測模型計算第二類關節(jié)樣本集中每個關節(jié)樣本的關節(jié)控制預測值，將所有關節(jié)樣本的控制預測值和實際值的均方差mse的倒數(shù)作為第二適應度函數(shù)f2(x)；
利用第二適應度函數(shù)計算每匹個體狼位置的適應度，以最大適應度對應的個體狼位置作為初始最優(yōu)頭狼位置；
步驟5.3：尋找每匹個體狼的第一次更新位置，以第一次更新位置更新個體狼位置，并以所有個體狼的第一次更新位置，更新狼群最優(yōu)頭狼位置，j＝1，j表示個體狼位置更新次數(shù)；
按照公式(1)計算每匹個體狼的第一次更新位置x1(t)，并判斷計算得到的第一次更新位置是否為從未達到過的新位置，若到達過，則重復步驟5.3直到重新獲得第一次更新位置，若未到達過，則利用個體狼的第一個更新位置計算得適應度；
xj(t)＝xj-1(t)+β(r)(p(t)-xj-1(t))+rand()(1)
其中，xj-1(t)和xj(t)表示個體狼在第t次迭代過程中的第j-1次更新位置和第j次更新位置，x0(t)表示個體狼在第t次迭代過程中迭代操作開始前的初始位置；β(r)為中間計算量，
步驟5.4：判斷每個個體狼的第一次更新位置是否滿足以下條件，進行第二次位置更新，更新個體狼最優(yōu)位置，j＝2：
第一次更新位置在其視野范圍內(nèi)且第一次更新位置的適應度優(yōu)于其初始位置的適應度；
若滿足，則令個體狼按照公式(1)尋找第二次更新位置x2(t)，當?shù)诙胃挛恢玫倪m應度優(yōu)于當前個體狼最優(yōu)位置的適應度，利用第二次更新位置作為個體狼最優(yōu)位置，進入步驟5，獲取第三次更新位置；
若不滿足，則第二次更新位置與第一次更新位置相同，個體狼位置不變，并轉(zhuǎn)到步驟5.6，獲取第三次更新位置；
步驟5.5：按公式(2)尋找滿足步驟5.4中所述條件的個體狼在其視野范圍內(nèi)的第三次更新位置，更新個體狼最優(yōu)位置和狼群頭狼最優(yōu)位置，j＝3，進入步驟5.7；
x3(t)＝x2(t)+rand().v.(gbest-x2(t))(2)
其中：x2(t)、x3(t)表示個體狼在第t次迭代過程中的第二次更新位置和第三次更新位置；gbest為狼群當前最優(yōu)頭狼位置；v為狼的視覺半徑；rand()為[-1,1]中的一個隨機數(shù)；
步驟5.6：按照公式(3)尋找不滿足步驟5.4中所述條件的個體狼的第三次更新位置x3(t)，更新狼群頭狼最優(yōu)位置，j＝3，進入步驟5.7；
x3(t)＝x2(t)+escape().s.(xc(t)-x2(t))(3)
其中，xc(t)表示第t次迭代過程中，所有個體狼進行第二次更新后，狼群的質(zhì)心位置；s為狼的移動步長，s≤v；escape()為隨機函數(shù)；
步驟5.7：依適應度值將經(jīng)過三次更新后的所有個體狼從低到高進行排序；
步驟5.8：將排在前面的n+1個個體狼按非線性單純法nm方法搜索每個個體的最優(yōu)位置，其余的個體重復步驟5.4-步驟5.6搜索每個個體狼最優(yōu)位置，得到最優(yōu)狼群；從最優(yōu)狼群中選取全局最優(yōu)頭狼位置；
其中，n為隨機正整數(shù)；
步驟5.9：判斷是否達到最大迭代次數(shù)或者達到最大搜索精度，若達到，則輸出全局最優(yōu)頭狼位置對應的基于多核支持向量機mksvm的第二類關節(jié)控制預測模型的參數(shù)c、g和d；否則，令t+1，轉(zhuǎn)到步驟5.3，進行下一次迭代。
第三類關節(jié)預測模型使用的訓練模型為小波神經(jīng)網(wǎng)絡模型；
所述第三類關節(jié)預測模型以第三類關節(jié)樣本集中各關節(jié)樣本的距離和控制值向量分別作為小波神經(jīng)網(wǎng)絡模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓練后，獲得的基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型，圖3所示；
所述基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型的輸入層節(jié)點個數(shù)為2，隱含層小波元個數(shù)為4，輸出層節(jié)點個數(shù)為4，隱層小波神經(jīng)元采用mexicanhat小波函數(shù)，輸出層節(jié)點采用sigmoid函數(shù)；訓練過程中的最大迭代次數(shù)設置為1000，訓練學習率為0.1，閾值為0.00004；
基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型的權值、閾值和伸縮平移系數(shù)采用混沌蝙蝠算法尋優(yōu)獲得。
所述基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型的權值、閾值和伸縮平移系數(shù)采用混沌蝙蝠算法尋優(yōu)獲得的過程如下：
步驟7.1：以蝙蝠個體位置作為基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型的權值、閾值和伸縮平移系數(shù)，初始化蝙蝠種群，并設置蝙蝠種群參數(shù)；
蝙蝠種群規(guī)模的取值范圍為[200，500]，蝙蝠個體最大脈沖頻度r0的取值范圍為[0.25,0.5]，最大脈沖聲音強度a0的取值范圍為[0.25,0.5]，最大迭代次數(shù)的取值范圍為[150，300]，搜索精度的取值范圍為[0.001,0.1]，脈沖頻率的取值范圍為[0,1.5]，蝙蝠搜索頻度增加系數(shù)的取值范圍為[0.02,0.08]，聲音強度衰減系數(shù)的取值范圍為[0.8，0.96]，最大迭代次數(shù)的取值范圍為[100,500]，最大搜索精度的取值范圍為[0.01,0.1]；
步驟7.2：設定適應度函數(shù)，并確定初始最優(yōu)蝙蝠個體位置和迭代次數(shù)t，t＝1；
將蝙蝠個體位置對應的權值、閾值和伸縮平移系數(shù)代入基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型中，并利用蝙蝠個體位置確定的基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型計算第二類關節(jié)樣本集中每個關節(jié)樣本的關節(jié)控制預測值，將所有關節(jié)樣本的控制預測值和實際值的差值e構建第三適應度函數(shù)f3(x)，f3(x)＝1/(e+1)；
利用第三適應度函數(shù)計算每只蝙蝠個體位置的適應度，以最大適應度對應的蝙蝠個體位置作為初始最優(yōu)蝙蝠個體位置；
步驟7.3：利用設定的脈沖頻率對蝙蝠個體的速度以及位置進行更新；
步驟7.4：若rand1>ri，則對處于個體最優(yōu)位置的蝙蝠進行隨機擾動，生成蝙蝠個體的擾動位置；
其中，rand1為在[0,1]上均勻分布的隨機數(shù)，ri為第i只蝙蝠的脈沖頻度；
步驟7.5：若rand2>ai，蝙蝠個體的擾動位置的適應度優(yōu)于擾動前的蝙蝠個體位置的適應度，則將蝙蝠個體移動到擾動位置，否則保持原位；
其中，rand2為在[0,1]上均勻分布的隨機數(shù)，ai為第i只蝙蝠的聲音強度；
步驟7.6：如果步驟7.5條件得到滿足，則利用蝙蝠搜索頻度增加系數(shù)和聲音強度衰減系數(shù)更新蝙蝠個體的脈沖頻度和脈沖脈沖聲音強度，并跳轉(zhuǎn)步驟7.4，否則跳轉(zhuǎn)到步驟7.7；
步驟7.7：計算當前蝙蝠種群中每個蝙蝠個體位置的適應度，按照由大到小的順序選出前m％個蝙蝠個體進行位置和速度的混沌優(yōu)化，得到更新后的前m％個蝙蝠個體，m的取值范圍為[5,20]；
步驟7.8：判斷是否達到最大迭代次數(shù)或者達到最大搜索精度，若是，則從更新后的前m％個蝙蝠個體中依據(jù)適應度值選出全局最優(yōu)蝙蝠個體，輸出全局最優(yōu)蝙蝠個體對應的基于小波神經(jīng)網(wǎng)絡的第三類關節(jié)控制預測模型的最佳權值、閾值和伸縮平移系數(shù)，否則，令t＝t+1，轉(zhuǎn)到步驟7.3繼續(xù)下一次迭代。
步驟4：利用運載機器人基座所在固定抓取點與抓取臺底端邊緣之間的距離作為三類關節(jié)預測模型的輸入值，分別得到各個關節(jié)的控制值，輸出運載機器人手臂所有關節(jié)的控制值(控制值是指手臂各個關節(jié)的旋轉(zhuǎn)角度，多關節(jié)旋轉(zhuǎn)角度的耦合形成整體的手臂運動)，完成抓取任務控制。
一種運載機器人手臂操控多點映射智能控制系統(tǒng)，采用上述的方法對運載機器人手臂進行控制，包括：
抓取樣本集獲取單元，通過運載機器人位于指定抓取距離區(qū)間內(nèi)的固定抓取點時，利用遠程服務器控制運載機器人手臂進行多次抓取訓練，獲得運載機器人在不同固定抓取點完成抓取任務的多個抓取樣本；
每個抓取樣本包括運載機器人基座所在固定抓取點與抓取臺底端邊緣之間的距離和完成抓取任務過程中所有關節(jié)的控制值矩陣，所述所有關節(jié)的控制值矩陣大小為8*10，8表示運載機器人手臂關節(jié)個數(shù)，10表示抓取過程手臂動作次數(shù)；
三類關節(jié)樣本集分類單元，依據(jù)各手臂關節(jié)控制值的變化幅度a％對抓取樣本集中進行關節(jié)分類，獲得各類關節(jié)樣本集；
從每個抓取樣本中提取出各個關節(jié)樣本，每個關節(jié)樣本包括距離和控制值向量，所述關節(jié)樣本中的距離是指運載機器人基座所在的固定抓取點與抓取臺底端邊緣之間的距離，所述關節(jié)樣本中的控制向量，是指運載機器人基座位于固定抓取點時，完成抓取任務過程中對應的關節(jié)控制值向量，向量大小為1*10；
依據(jù)關節(jié)控制值變化幅度a％，對抓取樣本集對應的所有關節(jié)樣本進行分類：
若a％<20％，該類關節(jié)作為第一類關節(jié)；
若20％≤a％≤50％，該類關節(jié)作為第二類關節(jié)；
若a％>50％，該類關節(jié)作為第三類關節(jié)
每個關節(jié)樣本的關節(jié)控制值變化幅度a％是指每個關節(jié)在一次抓取過程所有動作中的最大控制值和最小控制值之差與對應關節(jié)的控制量程之比；
手臂關節(jié)控制值預測模型構建單元，利用三類關節(jié)樣本集分類單元得到的各類關節(jié)樣本集分別輸入訓練模型進行訓練，構建運載機器人手臂關節(jié)控制值的預測模型；
所述訓練過程是指將各類關節(jié)樣本集中的每個關節(jié)樣本的距離和控制值向量分別作為訓練模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓練，得到預測模型；
所述手臂關節(jié)控制值預測模型包括第一類關節(jié)預測模型、第二類關節(jié)預測模型以及第三類關節(jié)預測模型；
其中，第一類關節(jié)預測模型使用的訓練模型為基于elman神經(jīng)網(wǎng)絡模型；
第二類關節(jié)預測模型使用的訓練模型為多核支持向量機mksvm模型；
第三類關節(jié)預測模型使用的訓練模型為小波神經(jīng)網(wǎng)絡模型；
控制單元，利用運載機器人基座所在固定抓取點與抓取臺底端邊緣之間的距離作為三類關節(jié)預測模型的輸入值，分別得到各個關節(jié)的控制值，輸出運載機器人手臂所有關節(jié)的控制值，進行抓取任務控制。
所述指定區(qū)域設置為運載機器人基座與抓取臺底部邊緣距離18-28cm的直線區(qū)域內(nèi)。
所述運載機器人基座與抓取臺底部邊緣距離采用運載機器人自帶的超聲波傳感器進行測量，且所述超聲波傳感器位于運載機器人基座的兩側，對稱設置。
本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術領域的技術人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權利要求書所定義的范圍。
- 還沒有人留言評論。精彩留言會獲得點贊！