[发明专利]一种机器人定位控制方法、终端设备及存储介质

权利要求书

1.一种机器人定位控制方法，其特征在于，包括以下步骤：

S1：采集不同时刻机器人的图像特征，构建小波Elman网络模型，将采集的图像特征作为模型的输入，系统定位的状态向量作为模型的输出，对模型的参数进行训练，以使模型输出的状态向量跟踪通过卡尔曼滤波算法预测的状态向量，将训练后的模型作为最终模型；

S2：将机器人的图像特征I(t)输入最终模型得到最终状态向量X₁(t)，将最终状态向量X₁(t)转换为微分矩阵G(t)，其中，x_n*m(t)＝g_nm(t)，x_n*m表示向量X₁(t)的第n×m个元素，g_nm表示矩阵G(t)的第n行中第m列的元素；

S3：根据微分矩阵G(t)计算机器人的控制量U^R(t)：

U^R(t)＝λΔtG(t)^T(G(t)G(t)^T)^-1I_e(t)+U^R(t-1)

I_e(t)＝I(t)-I^*

其中，上标T表示矩阵的转置，λ为控制系数，Δt表示时刻t和时刻t-1的时间差，I_e(t)为t时刻的图像特征误差，I^*为机器人的期望图像特征；

S4：根据机器人的控制量U^R(t)对机器人的运动进行控制。

2.根据权利要求1所述的机器人定位控制方法，其特征在于：步骤S1具体包括以下步骤：

S11：将t时刻的图像特征I(t)作为小波Elman网络模型的输入，模型输出机器人系统定位的次优状态向量X'(t)；

S12：设定系统的状态转移方程为：

其中，X(t)和X(t-1)分别为t时刻和t-1时刻的状态向量，Ψ(t/t-1)为t-1至t时刻的状态转移矩阵，为系统噪声；

令X(t-1)＝X'(t)，根据系统的状态转移方程计算获得系统的状态向量X(t)；

S13：根据t时刻系统的状态向量X(t)和系统的状态观测方程，计算t时刻的状态观测值Z(t)；

状态观测方程为：

Z(t)＝Φ(t)X(t)+ψ(t)

其中，Φ(t)为观测矩阵，ψ(t)为观测噪声；

S14：采用卡尔曼滤波算法，并根据系统的状态转移方程和状态观测方程，对系统定位状态进行预测，得到t时刻机器人系统定位的最优状态估计向量

S15：以图像特征I(t)为输入量，以步骤S14得到的最优状态估计向量为参考值，采用梯度下降法对t时刻小波Elman网络模型的权值进行调整，以实现小波Elman网络模型的输出X'(t)跟踪卡尔曼滤波算法的输出