[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

说明书

本发明公开了一种基于神经网络的在线自学习多关节运动规划方法，利用神经网络的全局最佳逼近性能，实现非线性复杂路径的实时自学习和控制。由于多关节同步进行轨迹规划控制，其与时间呈复杂的非线性关系，本发明通过建立各个关节位置的时间相关序列的神经网络模型，实现多关节的在线自学习，用于智能机械臂的实时控制，大大降低了数值求解的难度，提高运算效率，且具有实时性自学习能力。

技术领域

本发明涉及一种基于神经网络的在线自学习多关节运动规划方法，用于在线自学习实现多关节机械臂的运动规划与控制，属于智能机器人轨迹规划与控制领域，特别适用于实现机械臂对新轨迹路径的发现、实时自学习与控制。

背景技术

随着技术的发展，智能机器人得到了广泛的关注与应用，其包含了机械结构、驱动、控制等多学科的高度集成设备，智能机器人的机械臂一般包含多个驱动关节，其轨迹控制决定了机械臂的精度、服务与应用。机械臂运动轨迹控制多用于三维立体空间，目前常用状态空间解析与软件运动仿真实现机械臂多关节的轨迹规划。但是三维立体空间的机械臂工作空间求解涉及多种抽样求解数值法，多关节同步进行轨迹规划控制，并且其与时间呈复杂的非线性关系，求解过程繁琐、难度大并且效率较低，具有延迟特性，很难实现机械臂的自学习实时运动规划。

发明内容

本发明的目的在于克服现有技术的上述不足，提供一种基于神经网络的在线自学习多关节运动规划方法，大大降低了数值求解的难度，提高运算效率，且具有实时性自学习能力。

本发明的上述目的是通过如下技术方案予以实现的：

一种基于神经网络的在线自学习多关节运动规划方法，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。

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。

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。

隐含层节点为3-5个节点。

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。

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。