[发明专利]一种基于神经网络的在线自学习多关节运动规划方法

权利要求书

1.一种基于神经网络的在线自学习多关节运动规划方法，其特征在于：包括如下步骤：

(1)通过机械臂上的传感器采集轨迹相关信息，并记录，前N时刻采集的数据记为φ(t-1)、φ(t-2)……φ(t-N)，t为当前时刻，N为大于1的自然数，每一时刻采集的数据用矢量表示，其中包含机械臂各个关节的轨迹相关信息；

(2)判定是否是自学习阶段，如果在自学习阶段，进入步骤(3)，若不在自学习阶段，进入步骤(4)；

(3)利用前N时刻的轨迹相关信息φ(t-1)、φ(t-2)、……φ(t-N)作为输入，以当前时刻轨迹相关信息φ(t)作为输出，建立神经网络模型，根据采集的数据进行神经网络训练，更新神经网络模型；当采集完整个需要学习的运行轨迹数据后，完成神经网络的训练，跳出自学习阶段；

(4)将φ(t)、φ(t-1)、φ(t-2)、……φ(t-N-1)作为神经网络模型输入，利用步骤(3)中更新完的神经网络模型，计算神经网络模型的输出φ(t+1)，实现预测控制。

2.根据权利要求1所述的一种基于神经网络的在线自学习多关节运动规划方法，其特征在于：所述步骤(1)中，轨迹相关信息为关节位置角度信息、力矩信息或姿态信息。

3.根据权利要求1所述的一种基于神经网络的在线自学习多关节运动规划方法，其特征在于：所述步骤(3)中，神经网络模型包括输入层、隐含层和输出层；输入层的输出量为隐含层的输入量；隐含层的输出量为输出层的输入量。

4.根据权利要求3所述的一种基于神经网络的在线自学习多关节运动规划方法，其特征在于：隐含层节点为3-5个节点。

5.根据权利要求3所述的一种基于神经网络的在线自学习多关节运动规划方法，其特征在于：所述步骤(3)中，建立神经网络模型时，需要确定输入层与输出层之间的激发函数关系。

6.根据权利要求5所述的一种基于神经网络的在线自学习多关节运动规划方法，其特征在于：确定输入层与输出层之间的激发函数关系的具体步骤如下：

S1：计算隐含层的输入量I1_i与输入层的输入量φ(t-1)、φ(t-2)、……φ(t-N)的关系；

S2：计算隐含层的输入量I1_i与隐含层的输出量O1_i的关系；

S3：计算输出层的输出量与隐含层的输出量O1_i的关系；

S4：上述隐含层的输入量与输入层的输入量的关系、隐含层的输入量与隐含层的输出量的关系以及输出层的输出量与隐含层的输出量的关系即为输入层与输出层之间的激发函数关系。

7.根据权利要求6所述的一种基于神经网络的在线自学习多关节运动规划方法，其特征在于：所述步骤S1中，利用如下公式计算隐含层的输入量I1_i与输入层的输入量φ(t-1)、φ(t-2)、……φ(t-N)的关系：

式中，m1为隐含层节点的个数；i为第i个隐含层节点；j为第j个输入层节点；θ1_j为第j个输入层节点的阈值；w1_i,j为第i个隐含层节点与第j个输入层节点的连接权值参数。

8.根据权利要求7所述的一种基于神经网络的在线自学习多关节运动规划方法，其特征在于：所述步骤S2中，利用如下公式计算隐含层的输入量I1_i与隐含层的输出量O1_i的关系；

式中，a为倾斜参数。

9.根据权利要求8所述的一种基于神经网络的在线自学习多关节运动规划方法，其特征在于：所述步骤S3中，利用如下公式计算输出层的输出量与隐含层的输出量O1_i的关系：

令输入层节点的阈值θ1_j为0，则：

式中，v_i为输出层节点与隐含层节点的连接权值参数；

m2为输出层节点个数。

10.根据权利要求9所述的一种基于神经网络的在线自学习多关节运动规划方法，其特征在于：m2取1。