[发明专利]一种运载机器人手臂操控多点映射智能控制方法及系统

说明书

技术领域

本发明属于机器人控制领域，特别涉及一种运载机器人手臂操控多点映射智能控制方法及系统。

背景技术

近些年来，移动机器人被广泛应用于室内运输，如医院利用移动机器人运输医疗设备、超市的服务型机器人、工厂制造环境下的机器人等。而机器人手臂是机器人机械系统的重要组成部分，也是机器人实现其服务功能的主要载体。

机械手臂的控制问题一直是该行业的难点问题。早期，大部分手臂采用PID控制，能够实现中等以下速度的跟踪，但是在高精度、快速的场合下，传统的PID控制并不能满足其控制要求。在这种情况下，出现了模糊控制、神经网络控制、模糊神经网络控制、专家控制等智能控制方法。

如今神经网络广泛应用于机器人手臂控制：通过求解运动学方程来获得训练样本，利用神经网络建立手臂关节空间坐标与笛卡尔空间坐标的映射关系。然而通过求解运动学方程获得大量样本的方法并不实用，而且机器人手臂关节处的电机更换会使得之前构建的神经网络需重新训练。因此，机器人的维护存在着极大的不便。基于上述原因，迫切地需要一种更为智能的手臂控制方法。

发明内容

本发明提供了一种运载机器人手臂操控多点映射智能控制方法及系统，其目的在于，克服上述现有技术中存在的问题，通过建立机器人基座、抓取台之间距离与机器人手臂姿态之间的映射，避免繁琐的运动学方程建立；结合抓取中关节控制值变化幅度并将关节分为三类，并且对这三类关节采用了不同的优化算法和神经网络组合进行训练和预测，提高了手臂关节的控制精度。

一种运载机器人手臂操控多点映射智能控制方法，包括以下步骤：

步骤1：当运载机器人位于指定抓取距离区间内的固定抓取点时，利用远程服务器控制运载机器人手臂进行多次抓取训练，获得运载机器人在不同固定抓取点完成抓取任务的抓取样本集；

每个抓取样本包括运载机器人基座所在固定抓取点与抓取台底端边缘之间的距离和完成抓取任务过程中所有关节的控制值矩阵，所述所有关节的控制值矩阵大小为N*M，N表示运载机器人手臂关节个数，M表示抓取过程手臂动作次数；

运载机器人在指定抓取距离区间中某个固定点抓取点时，运载机器人基座不移动，只有手臂进行运动，完成抓取任务；

利用远程服务器控制运载机器人手臂进行抓取，同时自动记录距离和对应的控制值矩阵，获取样本的方法不同于传统反求运动学方程的复杂方法，避免了复杂的建模和求解过程。

步骤2：依据各手臂关节控制值的变化幅度a％对抓取样本集中进行关节分类，获得各类关节样本集；

从每个抓取样本中提取出各个关节样本，每个关节样本包括距离和控制值向量，所述关节样本中的距离是指运载机器人基座所在的固定抓取点与抓取台底端边缘之间的距离，所述关节样本中的控制值向量，是指运载机器人基座位于固定抓取点时，完成抓取任务过程中对应的关节控制值向量，向量大小为1*M；

依据关节控制值变化幅度a％，对抓取样本集对应的所有关节样本进行分类：

若a％<20％，该类关节作为第一类关节；

若20％≤a％≤50％，该类关节作为第二类关节；

若a％>50％，该类关节作为第三类关节；

每个关节样本的关节控制值变化幅度a％是指每个关节在一次抓取过程所有动作中的最大控制值和最小控制值之差与对应关节的控制量程之比；

N组关节样本被划分成三类；

步骤3：利用步骤2得到的关节样本集构建运载机器人手臂关节控制值的预测模型；

依次各类关节样本集中的每个关节样本的距离和控制值向量分别作为训练模型的输入数据和输出数据进行训练，构建预测模型，包括第一类关节预测模型、第二类关节预测模型以及第三类关节预测模型；

其中，第一类关节预测模型使用的训练模型为基于Elman神经网络模型；

第二类关节预测模型使用的训练模型为多核支持向量机MKSVM模型；

第三类关节预测模型使用的训练模型为小波神经网络模型；

运用多种优化算法和神经网络的组合对手臂的抓取进行控制，针对不同关节选择精度更加高的组合进行预测，提高了系统的稳定性；

步骤4：利用运载机器人基座所在固定抓取点与抓取台底端边缘之间的距离作为三类关节预测模型的输入值，分别得到各个关节的控制值，输出运载机器人手臂所有关节的控制值，完成抓取任务控制。