[发明专利]一种基于神经网络的机械臂逆运动学求解方法、电子设备及存储介质

说明书

本发明公开了一种基于神经网络的机械臂逆运动学求解方法，所述方法包括：对每个输入进行向量化，将其转化为对应的属性向量；将各属性向量输入第一权重计算模块，得到各属性向量对应的第一权重；利用各第一权重对相应的属性向量进行加权后求和，得到第一全连接神经网络模块的输入向量，第一全连接神经网络模块的输出为至少部分关节变量的预测值。采用本发明的方法，不仅能增强神经网络的可解释性，还可以充分挖掘出数据中蕴含的信息，提升神经网络的精确性。

技术领域

本发明涉及机械臂的逆运动学求解技术领域，具体涉及一种基于神经网络的机械臂逆动学求解方法、电子设备及存储介质。

背景技术

随着机器人技术的发展，机械臂已经被应用到工业、农业、医疗等各个领域，代替人力完成各种复杂的任务。机械臂的运动学求解作为后续轨迹规划、运动控制等环节的前提和基石，已经成为科研人员们的热点研究方向。

机械臂的运动学求解分为正运动学求解和逆运动学求解，正运动学就是已知各个关节的角度，推算出机械臂末端的位姿，可直接通过 D-H参数表和矩阵变换解决；逆运动学则是正运动学的逆过程，即已知机械臂末端的位姿，要求算出各个关节的角度，进而通过对关节角度的调节实现机械臂末端的预设位姿。逆运动学由于其求解过程复杂、精度不高等问题，是科研人员们一直以来的研究重点。

目前，机械臂的逆运动学求解方法主要分为三种，分别是：解析法、几何法、迭代法。但由于机械臂种类繁多、结构复杂，解析法和几何法存在计算复杂、通用性差、闭式解不存在从而无法应用等缺陷，而传统的迭代法也存在计算复杂度大、初始点设置不当导致收敛不到精确解等缺陷。随着人工智能技术的不断发展，神经网络凭借其自身的优点，成为科研人员们解决机械臂的逆运动学问题的重要工具。

现有技术大多以机械臂的末端位姿作为神经网络的输入，以关节角作为神经网络的输出。神经网络的结构大多套用已有的网络结构，如常用的多层感知机(MultilayerPerceptron,MLP)结构、径向基函数(Radial Basis Function,RBF)网络结构、Elman结构等，或者在神经网络的优化算法上面做一些改造，例如以遗传算法、模拟退火等算法优化神经网络的参数。

神经网络有许多优点，但是也有一个众所周知的性质，那就是黑箱性质，因此神经网络的可解释性不强；且现有技术大多都直接套用已有的网络结构，如MLP、RBF等，没有针对数据本身的特点设计网络结构，因此除了可解释性不强的缺陷以外，也没有充分利用数据中包含的信息。

发明内容

为了克服现有技术中用于机械臂逆运动学求解的神经网络存在的问题，本发明从数据本身的特点出发，提供一种基于神经网络的机械臂逆运动学求解方法，该方法不仅能增强神经网络的可解释性，还可以充分挖掘出数据中蕴含的信息，提升神经网络的精确性。

基于上述目的，本发明的技术方案如下：

一种基于神经网络的机械臂逆运动学求解方法，其中，将机械臂的末端位姿变量作为神经网络的输入、机械臂的关节变量作为神经网络的输出，神经网络的输出个数、机械臂的自由度个数及机械臂的关节个数相等，所述方法包括：对每个输入进行向量化，将其转化为对应的属性向量；将各属性向量输入第一权重计算模块，得到各属性向量对应的第一权重；利用各第一权重对相应的属性向量进行加权后求和，得到第一全连接神经网络模块的输入向量，第一全连接神经网络模块的输出为至少部分关节变量的预测值。

进一步地，所述对每个输入进行向量化具体为，为每个输入设置对应的第一权值向量，输入与对应的第一权值向量相乘得到对应的属性向量。

进一步地，所述第一权重计算模块的输入还包括辅助向量，所述辅助向量与各属性向量进行运算，得到各属性向量对应的第一权重。

一种实施方式为，所述第一全连接神经网络模块输出所有关节变量的预测值。