[发明专利]一种基于示教学习的机器人逆运动学求解方法

说明书

本发明属于机器人运动学求解领域，并具体公开了一种基于示教学习的机器人逆运动学求解方法，包括如下步骤：采集N组机器人的关节角度及末端执行器的笛卡尔位置和欧拉角，获得数据集f；对数据集f进行优化获得数据集f₁；对数据集f₁迭代求解出高斯模型个数2～50的高斯混合模型参数；计算各高斯混合模型对应的贝叶斯信息准则值，绘制贝叶斯信息准则曲线，根据曲线确定高斯个数k；求解高斯模型个数为k的高斯混合模型的参数；利用模型参数对数据集f₁的笛卡尔位置和欧拉角进行高斯回归处理求解逆运动学关节角度值；对比关节角度值与数据集f₁中的关节角度值，修正高斯模型个数得到期望的求解精度。本发明具有计算速度快，适用性强，实时控制效果好等优点。

技术领域

本发明属于机器人运动学求解领域，更具体地，涉及一种基于示教学习的机器人逆运动学求解方法。

背景技术

机器人逆运动学求解是机器人实时控制的基础。它直接关系到机器人离线编程、轨迹规划，运动控制等工作，对于任意构型的机器人如nR型机器人，PR型机器人以及柔性机器人，只有脱离传统机器人运动学表达式，采用数据驱动逆运动学求解的形式，才能实现对任意机器人构型的笛卡尔空间与关节空间建立映射关系，对于实时控制具有重要的意义。

专利CN201410121131.5公开了一种多自由度机器人的逆运动学通用求解方法，运用共性空间理论建立nR机器人的通用运动学方程，通过确定各关节矢量的投影加权值实现逆运动学的半解析求解，同时兼顾空间避障，能够提高计算速度与解算精度，但是仅限于nR型机器人且仍然依赖于逆运动学的解析形式，无法扩展于其他构型机器人，实时控制效果无法进一步提升。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于示教学习的机器人逆运动学求解方法，通过采用高斯混合模型的机器学习算法，由此解决依赖于解析表达式的机器人逆运动学求解计算速度慢的问题，具有计算速度快，适用性强，实时控制效果好等优点，可应用于各类型机器人的控制中。

为实现上述目的，本发明提出了一种基于示教学习的机器人逆运动学求解方法，该方法包括如下步骤：

(a)采集N组机器人的关节角度θ以及机器人末端执行器的笛卡尔位置P和欧拉角R，获得数据集f＝{θ(i),P(i),R(i),i＝1,2,...,N}；

(b)对数据集f进行优化处理，获得具有逆运动学映射的数据集f₁＝{θ(j),P(j),R(j),j＝1,2,...,n(n＜N)}；

(c)对数据集f₁进行迭代求解，分别求解出高斯模型个数m为2～50的高斯混合模型的参数；

(d)分别计算高斯模型个数m为2～50的高斯混合模型所对应的贝叶斯信息准则值BIC，并绘制贝叶斯信息准则曲线，根据贝叶斯信息准则曲线确定贝叶斯信息准则曲线下降速度最缓处对应的高斯个数k；

(e)重新对数据集f₁进行迭代求解，以求解高斯模型个数为k的高斯混合模型的参数(π,μ,Σ)；

(f)利用高斯混合模型的参数(π,μ,Σ)对数据集f₁中的笛卡尔位置P(j)和欧拉角R(j)进行高斯回归处理，以求解逆运动学关节角度值θ^*(j)；

(g)对比逆运动学关节角度值θ^*(j)与数据集f₁中的关节角度值θ(j)，判断是否满足逆运动学求解精度要求，若否，则修正高斯模型个数为k+1并返回步骤(e)，若是，则θ^*(j)即为所需的逆运动学关节角度值；以此方式完成机器人的逆运动学求解。