[发明专利]一种基于GAN网络的机器人逆运动学求解方法

权利要求书

1.一种基于GAN网络的机器人逆运动学求解方法，其特征在于，包括如下步骤：

获取机器人末端执行器的位姿数据，并建立机器人D-H模型；

获取GAN网络模型，所述GAN网络模型包括生成器和判别器；

将所述机器人末端执行器的位姿数据输入所述GAN网络模型中，得到该机器人对应的预测关节变量；

所述GAN网络模型的训练过程包括：

S21：获取训练样本，所述训练样本包括多组机器人末端执行器位姿真实数据，以及每组机器人对应的真实关节变量；

S22：将所述训练样本输入所述生成器，更新所述生成器的参数θ，优化所述生成器的梯度函数；

S23：将所述训练样本与当前的生成器生成的伪造样本输入所述判别器，更新所述判别器的参数φ，优化所述判别器的梯度函数；

S24：重复步骤S22至S23，对所述生成器进行交替训练，直至收敛；

生成式对抗网络计算机器人逆运动学的步骤为：

步骤1：从全部训练样本中随机选择数据集{x_(l),...,x_(m)}，

步骤2：更新判别器的下降梯度：

步骤3：从全部样本中随机选择数据集{x_(l),...,x_(m)}，

步骤4：更新生成器的下降梯度：

步骤5：重复以上四个步骤n个训练周期；

采用一阶优化算法和二阶优化算法对所述生成器和判别器进行优化，该算法流程如下：

输入：目标函数f(x)，梯度函数设置精度ε；

输出：f(x)的极小点x^*

(1)取初始值x⁽⁰⁾∈Rⁿ，置k＝0，

(2)计算f(x^k)，

(3)计算梯度g_k＝g(x^k)，当||g_k||＜ε，停止迭代，令x^*＝x^k，否则，令p_k＝-g(x^k)，求λ_k，使

(4)令x^k+1＝x^k+λ_kp_k，计算f(x^k+1)，当||f(x^k+1)-f(x^k)||＜ε或||x^k+1-x^k||＜ε，停止迭代，令x^*＝x^k+1，

(5)否则，令k＝k+1，转到步骤(3)。

2.如权利要求1所述的方法，其特征在于，所述训练样本的数量为100组以上。

3.如权利要求1或2所述的方法，其特征在于，所述生成器生成的伪造样本的数量与所述训练样本的数量相同。

4.如权利要求1所述的方法，其特征在于，将所述GAN网络模型得到的预测关节变量与对应机器人的所述真实关节变量进行比较，得到机器人逆运动学解。

5.如权利要求4所述的方法，其特征在于，将所述GAN网络模型得到的预测关节变量与对应机器人的所述真实关节变量进行比较之前，将所述预测关节变量的数据进行归一化处理。

6.如权利要求1所述的方法，其特征在于，所述生成器生成伪造样本的方法包括：利用Matlab生成随机输入变量，经过所述生成器处理生成所述伪造样本。

7.如权利要求1所述的方法，其特征在于，所述机器人末端执行器的位姿数据包括：描述两相邻关节轴线间相对位置关系的连杆长度a_i，连杆扭角α_i，描述相邻两连杆之间位置关系的连杆距离d_i，以及连杆夹角θ_i。