[发明专利]一种基于GAN网络的机器人逆运动学求解方法

说明书

本发明涉及一种基于GAN网络的机器人逆运动学求解方法，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。本发明利用GAN网络模型来实现机器人逆运动学求解，利用GAN网络模型泛化能力强、训练效率高等优点，相较于其它神经网络模型，利用GAN网络模型处理机器人逆运动学，能够得到更有效率的计算过程和更精确的处理结果。

技术领域

本发明涉及机器人运动学求解领域，尤其涉及一种基于GAN网络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根据给定的机器人末端执行器的位置和姿态求解机器人各关节的关节变量，它是机器人离线编程和轨迹规划的前提，是机器人运动控制的基础。

以机械手逆运动学求解为例，其方法较多，主要有代数法、几何法和数值解法。其中，代数法不能保证具有封闭形式解；几何法要求机械手的前三个节点的封闭形式解在几何上存在，此外，一类机械手的封闭形式解不能用于其它不同几何形状的机械手；而数值解法依赖于起始点，可收敛于单一解，因此可以适用于更多的情况。神经网络解法就属于数值解法，因为其具有并行处理、分布式存储和容错性的结构特征，而被广泛应用。

生成式对抗网络(GAN)是深度学习发展的成果，通过生成网络与真实数据的相互博弈得到尽可能真实的样本数据。GAN网络作为一种生成模型，被广泛应用于建模真实数据的分布和生成真实数据。凭借这一能力，它被认为解决了传统机器学习中数据不足的问题，对提高图像分辨率，图像仿真，自然语言的处理都能达到理想的效果。除此之外，GAN网络还涉及许多其他内容，包括机器人，加密与安全，天体物理等，是深度学习研究中的重要领域。GAN网络的生成数据复杂度是线性相关，先验假设非常少，这意味着它可以生成比其它模型更精确的样本。

因此，如何提供一种基于GAN网络的机器人逆运动学求解方法是本领域技术人员亟待解决的一个技术问题。

发明内容

本发明提供一种基于GAN网络的机器人逆运动学求解方法，以解决上述技术问题。

为解决上述技术问题，本发明提供一种基于GAN网络的机器人逆运动学求解方法，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。

较佳的，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。

较佳的，所述训练样本的数量为100组以上。

较佳的，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。

较佳的，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。

较佳的，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。