[发明专利]一种类人机器人上肢运动模型的类神经精准控制方法

说明书

技术领域

本发明涉及一种类人机器人运动模型的控制方法，尤其涉及一种类人机器人上肢运动模型的类神经精准控制方法。

背景

传统机器人采用以关节电机为主的驱动方式，在控制过程中需要通过对各个关节的精确控制来完成运动任务，当运动的自由度很高时，控制会变得很复杂。而且，传统机器人大多根据特定任务设计，功能单一，不具有广泛的应用能力，无法很好地应对新的运动任务。

参照人体运动系统，采用仿人的肌肉-关节结构的类人机器人与传统机器人相比，在灵活性、通用性和可靠性上具有显著的改善。但由于其特殊的结构设计，增加了运动模型的自由度和非线性性，也使得对模型的反向求解计算过程繁琐，计算量大，因此对传统的控制方法提出了更高的要求。

现有一种技术方案如下：

现有技术1：H.Qiao,C.Li,P.J.Yin,W.Wu and Z.-Y.Liu,Human-inspired motion model of upper-limb with fast response and learning ability-A promising direction for robot system and control,Assembly Automation,in publication.

现有技术1公开了一种类人机器人上肢运动的类神经控制方法，该方法是基于将习惯计划理论应用于类人机器人控制而提出的，可以根据学习所得的运动模板来完成新的运动任务。该方法大幅地减少了机器人控制过程中的计算量，与传统控制方法相比提高了运动速度，还可以通过不断地积累更多的运动模板点来提高运动精度。但是该方法在提高控制精度时所需的模板点数量大，因此在学习过程中可能存在计算量大，学习过程缓慢，且对存储要求高等问题。而且该方法所提高的运动精度局限在所习得的运动模板范围内，缺乏泛化能力。

在神经认知领域，生物学家提出了群体向量编码的机制，可以根据相关运动神经元的放电情况，预测生物上肢的运动方向。通过对人体运动通路的研究，生物学家们发现小脑对运动控制的修正作用。本发明的类人机器人上肢运动模型的类神经精准控制方法就是基于以上生物机制提出的。

发明内容

针对以上问题，本发明提出了一种类人机器人上肢运动模型的类神经精准控制方法，通过较小的样本点更新权重修正模型，降低存储要求，而且习得的权重修正模型具有一定的泛化能力。

本发明提出的一种类人机器人上肢运动模型的类神经精准控制方法，包括模型及模板的构建、模板的选择和控制输出两大部分，模型及模板的构建包括类人机器人的上肢动力学模型、运动模板库的构建，模型及模板的构建还包括权重修正模型的建立，模板的选择和控制输出部分之前设置有更新权重修正模型的步骤：

建立权重修正模型：

步骤A1：设定一组运动目标点，依次对各运动目标点，基于习惯计划理论的类神经控制方法从运动模板库中选择k个运动模板并计算各模板点的权重值w_i，进一步计算运动目标点的控制信号u，依据控制信号u执行第一轮上肢运动，计算该轮执行结果中终点位置与对应运动目标点的误差error₁；

步骤A2：依据第一轮上肢运动的每一个终点位置与对应运动目标点和各模板下的运动参考点的坐标的相对位置，对权重值w_i进行离线修正，得到修正后的权重值w′_i；

步骤A3：依次对各运动目标点，根据修正后的各权重值w′_i计算各运动目标点的控制信号u′，依据控制信号u′执行第二轮上肢运动，计算该轮执行结果中终点位置与对应运动目标点的误差error₂；

步骤A4：依据误差error₁和误差error₂的变化趋势进行样本筛选，保存误差减小的运动目标点的运动信息，建立样本库；

步骤A5：根据样本库中的信息建立初始的权重修正模型；

更新权重修正模型：

步骤B1：指定一批新的运动目标点，基于习惯计划理论的类神经控制方法，并结合权重修正模型执行一轮上肢运动，计算该轮运动中运动终点坐标与运动目标点坐标的误差的平均值error_mean；