[发明专利]一种机器人控制模型的建立方法及机器人的控制方法

说明书

本申请提供了一种机器人控制模型的建立方法以及机器人的控制方法，该方法包括：获取机器人控制数据样本；获取极限学习机神经网络的初始权重和初始阈值；利用粒子群PSO算法，对所述初始权重和初始阈值进行优化，得到优化后的权重和优化后的阈值；利用所述机器人控制数据样本、所述优化后的权重和所述优化后的阈值，对所述极限学习机神经网络进行训练，得到机器人控制模型。解决了现有技术中机器人的行为控制执行效率低的技术问题。

技术领域

本申请属于计算机软件领域，具体涉及机器人模型的建立方法、机器人的控制方法、计算机设备以及计算机可读存储介质。

背景技术

机器人技术迅速发展，其应用场景更加精细化，功能性要求越来越高，控制精度和实时反馈等需求明显提升。随着模式识别技术发展与深度学习算法的日趋成熟，机器人控制迎来了新的发展机遇，传统的被动接受指令，亦步亦趋的机器人控制模式正在被改变，半自动和全自动自主学习逐步嵌入到机器人控制系统中。当前，不论是在机器人应用环境感知方面，还是动作行为多样化及控制方法精细化等方面，都有了更先进的技术支持，比如指令操作的多样加权融合能够让机器人实现更加复杂且精准的行为操作，灵敏感知周围环境，能够在复杂环境中实现功能应用等。

目前，关于机器人的控制研究较多，主要集中在前端的环境感知研究和后端的定位和控制算法策略研究。

需要说明的是，现有技术中的机器人的行为控制执行效率低。

发明内容

为至少在一定程度上克服相关技术中存在的问题，本申请提供了一种机器人控制模型的建立方法、机器人控制方法、计算机设备以及存储介质，能够解决现有技术中机器人的行为控制执行效率低的技术问题。

为实现以上目的，本申请采用如下技术方案：

根据本申请的一个方面，提供了一种机器人控制模型的建立方法，包括：获取机器人控制数据样本；获取极限学习机神经网络的初始权重和初始阈值；利用粒子群PSO算法，对所述初始权重和初始阈值进行优化，得到优化后的权重和优化后的阈值；利用所述机器人控制数据样本、所述优化后的权重和所述优化后的阈值，对所述极限学习机神经网络进行训练，得到机器人控制模型。

可选的，所述利用所述机器人控制数据样本、所述优化后的权重和所述优化后的阈值，对所述极限学习机神经网络进行训练，得到机器人控制模型，包括：基于所述优化后的权重和所述优化后的阈值，利用极限学习机算法，求解最优权重和最优阈值；利用所述机器人控制数据样本、所述最优权重和所述最优阈值，对所述极限学习机神经网络进行训练，得到所述机器人控制模型。

可选的，所述利用所述机器人控制数据样本、所述最优权重和所述最优阈值，对所述极限学习机神经网络进行训练，得到所述机器人控制模型，包括：将所述机器人控制数据样本、所述最优权重和所述最优阈值输入所述极限学习机神经网络，获取预测准确率；基于所述预测准确率，对所述极限学习机神经网络的参数进行更新，以得到所述机器人控制模型。

可选的，所述利用粒子群PSO算法，对所述初始权重和初始阈值进行优化，得到优化后的权重和优化后的阈值，包括：根据所述初始权重和所述初始阈值建立粒子群；计算所述粒子群中各粒子的适应度值；利用所述各粒子的适应度值更新所述各粒子的参数；基于更新后的各粒子的参数，获取所述优化后的权重和所述优化后的阈值。

可选的，所述利用所述各粒子的适应度值更新所述各粒子的参数，包括：获取所述利用所述各粒子的适应度值更新所述各粒子的参数的更新执行次数；在所述更新执行次数达到次数阈值的情况下，结束更新所述所述各粒子的参数。

可选的，所述各粒子的参数包括以下至少之一：极值；运动速度；运动位置。

可选的，所述获取极限学习机神经网络的初始权重和初始阈值，包括：随机获取极限学习机神经网络的初始权重和初始阈值。