[发明专利]基于深度神经网络的柔性臂智能感知与控制方法和系统

说明书

本发明提供一种基于深度神经网络的柔性臂智能感知与控制方法和系统，通过采集训练样本对深度神经网络进行训练，得到训练网络；使用训练网络对采集的目标图片进行柔性臂姿态学习，根据得到的柔性臂控制结果对柔性臂进行操控。本发明针对复杂的环境信息，设计了目标定位深度神经网络。针对柔性臂复杂的运动学模型，设计了运动学模型解算神经网络。分别采集数据对网络进行训练学习，得到有效的计算模型用于柔性臂的操控任务,能够提高空间机动平台对非合作目标跟踪识别的精度以及控制能力，实现监控区域的实时感知能力，在空间在轨服务、无人监控系统领域中均可有广泛的应用。

技术领域

本发明涉及计算机视觉与深度学习技术领域，具体地，涉及一种基于深度神经网络的柔性臂智能感知与控制方法和系统。

背景技术

为了帮助或替代人完成各种多样化的任务，智能机器人近年来受到广泛关注与发展。在灾害救援以及空间在轨服务这类高危活动中，使用机器人的意义尤为重要。因为在这类任务中，使用机器人能够有效降低操作人员的危险性。智能机器人的种类较多，在空间在轨服务任务中，机械臂被广泛应用。例如加拿大空间站机械臂系统(SSRMS)，日本宇宙航空研究开发机构(JAXA)工程测试卫星ETS-VII以及美国国防高级研究计划局(DARPA)的轨道快车项目等。目前，大部分机械臂是刚性的，刚体机器人是指机器人的身体部件以及连接关节均是刚性的。刚性机械臂由于精准的电机控制技术能够高效地完成多种特定的任务，然而，刚性机械臂普遍缺乏环境适应性，极大限制了机械臂的应用能力。

近年来，柔性机器人逐渐进入人们的视野，与刚性机器人相对，柔性机器人的部件全部或部分由弹性模量较小的材料构成，这类机器人的好处在于其柔性较高，能够较好地适应多种复杂环境，其弹性的表面也能够带来较好的安全性。目前柔性臂常采用气体驱动器或其他新型柔性材料，使得柔性臂拥有比较灵活的运动能力。而与此同时，柔性臂的构型为操控带来难点，传统针对刚性机械臂的有效控制手段将不适用。目前，大部分研究工作的控制方法比较初步，一般都是采用开环的方式，人为设置运动指令来控制柔性臂的运动，但是这样的操控方法在应用中很有局限性，因为在灾害救援以及空间在轨服务中对柔性臂的自主性要求较高，需要其自主发现目标，并对目标进行操作，以便能够自动地完成各项功能要求。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度神经网络的柔性臂智能感知与控制方法和系统。

根据本发明提供的一种基于深度神经网络的柔性臂智能感知与控制方法，包括：

训练步骤：采集训练样本，通过训练样本对深度神经网络进行训练，得到训练网络；

测试步骤：采集目标图片，使用训练网络对目标图片进行柔性臂姿态学习，得到柔性臂控制结果，根据柔性臂控制结果对柔性臂进行操控。

优选地，所述训练步骤包括：

定位训练步骤：采集目标定位训练样本，使用目标定位训练样本，对目标定位深度神经网络进行训练，对输入的图像数据中获取目标在图像中所处的目标位置，得到第一网络；

姿态训练步骤：采集目标运动学模型解算训练样本，使用目标运动学模型解算训练样本，对运动学模型解算神经网络进行训练，根据目标位置计算执行机构SMA的执行长度，得到第二网络。

优选地，所述测试步骤包括：

第一网络采集步骤：采集现场图片，将现场图片输入第一网络，通过第一网络获取目标在图像中所处的目标位置；

坐标变换步骤：将目标位置进行坐标变换，得到目标在世界坐标系下的三维坐标；

第二网络计算步骤：根据三维坐标，确定柔性臂姿态，将柔性臂姿态输入第二网络，通过第二网络得到执行机构SMA的执行长度；

柔性臂操控步骤：根据得到的执行机构SMA的执行长度，对指定执行机构SMA进行通电，操控柔性臂。