[发明专利]一种基于深度学习的机械手控制方法及系统

说明书

本发明涉及一种基于深度学习的机械手控制方法及系统，主要用于简化控制机械手控制策略并提高控制精度以及降低相应成本，属于机械设备控制领域，现有的控制方法大多采用专有的数学模型或控制回路，往往需要根据不同设备手工进行参数测量整定，繁琐且适应性不强，本发明基于深度学习神经网络对机械手运动位置和姿态信息以及相应控制量的映射进行自动学习，进而得出针对性的控制方法。与现有技术相比，本发明具有降低设计成本和时间，控制精度高，鲁棒性强，故障率低，抗干扰能力强等优点。

技术领域

本发明涉及机械手控制领域，尤其是涉及一种基于深度学习的机械手控制方法及系统。

背景技术

现代工业生产中广泛应用机械手去完成特定的任务，如抓取、搬运和分拣。它们代替人完成繁重且反复的工作任务，能在有害环境下操作以保护人身安全，实现生产的机械化和自动化，极大地解放了生产力，提高了生产效率。

现在工业生产中应用的机械，普遍存在着以下问题：采用高精度执行机构、机械部件紧密咬合以换取更高的控制精度，增加了设计和制造的成本；控制方法具有专用性，需要根据具有结构去设计专门的算法，适应性和可移植性差。如发明专利《一种五自由度机械手控制方法》(申请公布号为CN 106003041 A)提出的机械手控制方法，依赖于对特定自由度特定机械结构机械手的专有数学模型，方法不具备扩展性与可移植性；如发明专利《一种机械手控制系统及其控制方法》(申请公布号为CN 104772553 A)提出的机械手控制方法，依赖于专有的整体高精度系统，且不能在脱离复杂控制电路的情况下完成更复杂动作，控制方法经济性、功能性低。另外尽管近年有提出基于学习等策略的控制方法，如发明专利《基于智能学习评价的柔性机械臂方法》(申请公布号为CN 106773684 A)，但其仍需建立在复杂的运动学模型上进行分析，然后引入神经网络加以辅助提高精度，只能说是一种局限性较大的方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的机械手控制方法及系统，不仅能够有效地解决一般机械手普遍存在的问题，很大程度上减小了机械手投入生产的时间及成本，而且采用读取关节位置并结合BP神经网络的方法，避免了针对特定机械手进行相关的姿态运动模型建构这一繁琐步骤。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的机械手控制方法，包括以下步骤：

步骤01：生成与机械手各关节对应的一组随机控制量，机械手根据随机控制量到达相应位置；

步骤02：读取摄像头单帧图像提取机械手各关节的位置信息；

步骤03：对机械手各关节的位置信息和随机控制量按设定的收集次数进行收集保存，若达到收集次数，执行步骤04，若未达到收集次数，重新执行步骤01；

步骤04：构建深度学习神经网络，读取并将收集保存的机械手各关节的位置信息和随机控制量作为训练集按照指定的训练次数对深度学习神经网络进行训练；

步骤05：保存经过训练的深度学习神经网络模型及训练结果；

步骤06：判断根据随机控制量到达相应位置的机械手各关节的位置信息是否到达期望的目标位置，若是，控制结束，若否，执行步骤07；

步骤07：把期望的目标位置信息输出到步骤05中保存的经过训练的深度学习神经网络模型，得出与期望的目标位置信息相对应控制量，机械手根据与期望的目标位置信息相对应控制量进行动作后执行步骤06形成对机械手的闭环控制。

优选地，所述的深度学习神经网络为BP神经网络，所述BP神经网络的输入量为机械手各关节的位置信息，所述BP神经网络的输出量为机械手各关节的控制量。

优选地，所述的BP神经网络包括多个神经元层，所述神经元层的个数为6个～8个，每个所述神经元层包括多个神经元，所述神经元的个数为16个～20个。