[发明专利]基于机器学习的多维力传感器静态校准数据处理方法

权利要求书

1.基于机器学习的多维力传感器静态校准数据处理方法，其特征在于，包括：

S1:构建学习模型、数据偏差模型、以及用于评估学习模型中函数关系精准度的训练模型；

S2:对所述学习模型输入校准电压值集合，以生成模拟输出量，所述模拟输出量包括输出力以及输出力矩中的至少一种；

S3:将学习模型生成的模拟输出量导入数据偏差模型，通过数据偏差模型使模拟输出量分别与相应的校准量进行比较，以获取数据偏差；

S4:将所述数据偏差输入训练模型，通过训练模型生成参数更新量；

S5:将所述参数更新量导入学习模型，使学习模型进行函数关系的调整；

S6:重复S2-S5，直到所述学习模型中函数关系达到预设的拟合程度。

2.根据权利要求1所述的基于机器学习的多维力传感器静态校准数据处理方法，其特征在于，所述构建学习模型包括：基于神经网络的输入层、隐藏层以及输出层构建学习模型，所述输入层用于输入校准电压值集合，所述隐藏层用于处理校准电压值集合，并生成相应的输出力、输出力矩至输出层。

3.根据权利要求2所述的基于机器学习的多维力传感器静态校准数据处理方法，其特征在于，所述基于神经网络的输入层、隐藏层以及输出层构建学习模型包括：将所述校准电压值集合设为六分量的校准电压值集合并导入至输入层；通过隐藏层实现校准电压值到输出力以及输出力矩的映射。

4.根据权利要求3所述的基于机器学习的多维力传感器静态校准数据处理方法，其特征在于，所述通过隐藏层实现校准电压值到输出力以及输出力矩的映射包括：运用线性函数以及非线性激活函数对数据进行拟合，所述激活函数为ReLU函数。

5.根据权利要求1所述的基于机器学习的多维力传感器静态校准数据处理方法，其特征在于，所述通过数据偏差模型使模拟输出量分别与校准量进行比较包括：运用损失函数方法，通过计算模拟输出量与校准量差值的平方和，以生成数据偏差。

6.根据权利要求5所述的基于机器学习的多维力传感器静态校准数据处理方法，其特征在于，所述通过训练模型生成参数更新量包括：运用反向传播方法，基于数据偏差从输出力以及输出力矩回推至校准电压值以生成参数更新量。