本發明專利技術提出了一種基于神經網絡訓練的兩自由度并聯結構運動學正解方法，包括：計算機器人的兩自由度并聯結構的逆解；根據兩自由度并聯結構在任務中的需求，設定末端O點的姿態空間；將末端O點的姿態空間按照預設步長劃分，得到多組O點的姿態，并分別根據步驟S1求得的運動學逆解，得到對應的A1和A2的關節角；設置訓練用的神經網絡，訓練得到二者之間的非線性映射關系；對神經網絡驗證集與測試集結果進行分析，如果誤差滿足誤差要求，則將訓練得到的非線性映射關系用作運動學正解的求解；將得到的非線性映射關系封裝，帶入到機器人控制器中。中。中。
【技術實現步驟摘要】
基于神經網絡訓練的兩自由度并聯結構運動學正解方法
[0001]本專利技術涉及工業機器人
，特別涉及一種基于神經網絡訓練的兩自由度并聯結構運動學正解方法。
技術介紹
[0002]在機器人的構型中，除了串聯構型，并聯構型也是比較常見和廣泛應用的。例如腿足式機器人Cassie,通過使用兩自由度的并聯結構，將控制機器人膝蓋和腳踝的電機分別移動到髖部以及膝蓋處。相比于串聯機構，使用并聯結構有兩個優點，一是可以將機器人中質量占比較大的電機移動位置，從而減小整體機構的轉動慣量，實現更好的控制效果；二是并聯結構承載能力更高，可靠性更強。
[0003]但是，并聯結構有著更復雜的結構，因此在求解機器人運動學正逆解時，相比于串聯結構更加的困難。以常用于機械臂以及腿足式機器人的兩自由度并聯結構為例，如圖1所示。求解運動學逆解相對容易，即已知末端O點姿態，通過幾何關系即可求解關節A1和A2的角度。
[0004]難點在于求解此類結構的運動學正解，即已知關節A1和A2的角度，如何獲知末端O點的姿態。求解解析解需要解開一個二元非線性方程組，直接求解難度較大，且不能保證有準確的解。因此目前已有的技術方案主要是使用泛用的數值法進行求解：已知關節A1和A2的角度θ1與θ2。賦予末端O點一個姿態初值，求解運動學逆解，得到關節A1和A2對應的角度θ1
’
與θ2
’
。計算θ1θ2與θ1
’
θ2
’
間的誤差，若誤差滿足需求，則得到求解結果；若誤差不滿足需求，則更新末端姿態的估值，重復上述過程，直至得到符合誤差要求的結果。
[0005]上述技術方式的主要缺陷與不足在于：數值法求解兩自由度并聯結構運動學正解的時間復雜度較高，求解高精度解耗時較長。在對計算速度和精度有一定要求的場景下，數值法的求解方式效果有限。
技術實現思路
[0006]本專利技術的目的旨在至少解決所述技術缺陷之一。
[0007]為此，本專利技術的目的在于提出一種基于神經網絡訓練的兩自由度并聯結構運動學正解方法。
[0008]為了實現上述目的，本專利技術的實施例提供一種基于神經網絡訓練的兩自由度并聯結構運動學正解方法，包括如下步驟：
[0009]步驟S1，計算機器人的兩自由度并聯結構的逆解；
[0010]步驟S2，根據兩自由度并聯結構在任務中的需求，設定末端O點的姿態空間；
[0011]步驟S3，將末端O點的姿態空間按照預設步長劃分，得到多組O點的姿態，并分別根據所述步驟S1求得的運動學逆解，得到對應的A1和A2的關節角；
[0012]步驟S4，設置訓練用的神經網絡；將所述步驟S3中0點的姿態與對應的A1和A2的關節角作為基礎數據集帶入神經網絡，訓練得到二者之間的非線性映射關系；
[0013]步驟S5，對神經網絡驗證集與測試集結果進行分析，末端0點實際姿態與驗證集與測試集計算結果之間的誤差主要集中在
?
0.00768弧度附近，最大誤差為0.01545弧度；如果該誤差滿足對并聯結構運動學正解精確度的要求，則將訓練得到的非線性映射關系用作運動學正解的求解；如果不滿足誤差要求，則修改神經網絡，再次重復上述操作，直至得到滿足誤差要求的非線性映射關系為止；
[0014]步驟S6，將得到的非線性映射關系封裝，帶入到機器人控制器中。
[0015]進一步，在所述步驟S1中，對于附錄中圖1所示結構，存在以下幾何關系等式：
[0016]1rod
＝||r
Bi
?
r
Ci
||
[0017][0018][0019][0020]求解以上等式可以得到，關節角A1和A2的角度θ1與θ2：
[0021][0022]其中：
[0023][0024][0025][0026]l
bar
＝||r
Bi
?
r
Ai
||
[0027]l
rod
＝||r
Bi
?
r
Ci
||
[0028]l
spacing
＝||r
A1
?
r
A2
||
[0029]r
x
為末端坐標系下O點到X點的向量，0r
x
表示初始情況下末端姿態為0時末端坐標系下O點到X點的向量，X點代指任意點；R
y
(θ
i
)表示關節角為θ
i
時的旋轉變換矩陣；x
rot
為末端姿態的旋轉變換矩陣；i＝1,2；l
spacing
是r
A1
,r
A2
,兩向量相減的2階范數，其他參數以此類推。
[0030]進一步，所述步驟S1至所述步驟S5為離線過程。
[0031]根據本專利技術實施例的基于神經網絡訓練的兩自由度并聯結構運動學正解方法，使用神經網絡訓練的方式計算兩自由度并聯結構運動學正解。具有以下有益效果：
[0032]1、神經網絡訓練過程可以離線進行，提前計算兩關節角度與末端姿態之間的映射關系，從而在計算的時候可以比其他求解兩自由度并聯結構運動學的方法(如數值求解法)耗時更短，滿足不同工況下對控制算法計算速度的需求。
[0033]2、應用廣泛，可操作性較強。其他便于求解運動學逆解但不變求解運動學正解的結構都可以使用相同的方法進行運動學求解。
[0034]本專利技術附加的方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本專利技術的實踐了解到。
附圖說明
[0035]本專利技術的上述和/或附加的方面和優點從結合下面附圖對實施例的描述中將變得明顯和容易理解，其中：
[0036]圖1為用于機械臂以及腿足式機器人的兩自由度并聯結構圖；
[0037]圖2為根據本專利技術實施例的基于神經網絡訓練的兩自由度并聯結構運動學正解方法的流程圖。
[0038]圖3為神經網絡訓練后得到的訓練集，驗證集以及測試集精確度示例，橫坐標為末端姿態與神經網絡計算出的運動學正解之間的誤差值；縱坐標代表各數據集中數據的個數。柱狀圖A部分表示訓練集，B部分表示驗證集，C部分表示測試集，D表示零誤差基準線。
具體實施方式
[0039]下面詳細描述本專利技術的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，旨在用于解釋本專利技術，而不能理解為對本專利技術的限制。
[0040]本專利技術提出一種基于神經網絡訓練的兩自由度并聯結構運動學正解方法，采用的是利用神經網絡訓練的策略，求解兩自由度并聯結構的運動學正解。
[0041]如圖2所示，本專利技術實施例的基于神經網絡訓練的兩自由度并聯結構運動學正解方法，包括如下步驟：
[0042]本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種基于神經網絡訓練的兩自由度并聯結構運動學正解方法，其特征在于，包括：步驟S1，計算機器人的兩自由度并聯結構的逆解；步驟S2，根據兩自由度并聯結構在任務中的需求，設定末端O點的姿態空間；步驟S3，將末端O點的姿態空間按照預設步長劃分，得到多組O點的姿態，并分別根據所述步驟S1求得的運動學逆解，得到對應的A1和A2的關節角；步驟S4，設置訓練用的神經網絡；將所述步驟S3中O點的姿態與對應的A1和A2的關節角作為基礎數據集帶入神經網絡，訓練得到二者之間的非線性映射關系；步驟S5，對神經網絡驗證集與測試集結果進行分析，末端O點實際姿態與驗證集與測試集計算結果之間的誤差主要集中在
?
0.00768弧度附近，最大誤差為0.01545弧度；如果該誤差滿足對并聯結構運動學正解精確度的要求，則將訓練得到的非線性映射關系用作運動學正解的求解；如果不滿足誤差要求，則修改神經網絡，再次重復上所述步驟S1至步驟S5，直至得到滿足誤差要求的非線性映射關系為止；步驟S6，將得到的非線性映射關系封裝，帶入到機器人控制器中。2.如權利要求1所述的基于神經網絡...
【專利技術屬性】
技術研發人員：任俊琦，張航，劉凱，庹華，韓峰濤，于文進，韓建歡，
申請(專利權)人：珞石北京科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。