一種機械手運動學逆解方法及系統技術方案

本申請公開了一種機械手運動學逆解方法，包括：利用徑向基函數神經網絡算法的數學模型，計算出機械手的運動參數；其中，數學模型的訓練過程包括：在歷史末端位姿參數域中生成2k個初始中心點；對每個初始中心點均進行迭代更新，得到更新后的2k個擬中心點，進行二次均值化處理，得到k個中心點，并得到每個中心點的中心值向量；利用預設的兩兩中心點之間的直線距離和中心點個數k，計算出基寬向量；利用中心值向量、基寬向量和預設的高斯函數，通過梯度下降法，計算出中心點的權值。可見，本發明專利技術使經過上述訓練的數學模型能夠快速且精確的高效求解機械手運動學逆解問題。另外，本申請還公開了一種機械手運動學逆解系統。

Manipulator kinematics inverse solution method and system

The invention discloses a manipulator inverse kinematics method, including: using mathematical model of radial basis function neural network algorithm, calculates the motion parameters of the manipulator; the training process mathematical model includes: generating a 2K initial center point in the history of the end pose parameters for each domain; initial center points are update, update the 2K to the center point, the two mean treatment, K centers, and get the value vector of each center center; use linear distance and the center point between the 22 centers of the preset number k, to calculate the base width value vector, matrix vector; wide vector and preset function by the Gauss center, through the gradient descent method, calculate the center point weight. The present invention makes it possible to efficiently and accurately solve the inverse kinematics problem of the manipulator by the mathematical model described above. In addition, a reverse kinematics system of manipulator is also disclosed.

【技術實現步驟摘要】
一種機械手運動學逆解方法及系統
本專利技術涉及運動學領域，特別涉及一種機械手運動學逆解方法及系統。
技術介紹
隨著科技的進步，人工智能逐漸在生產中的應用越來越廣，機械手逐漸被研發和使用，機械手可通過編程來完成各種預期的作業任務，在構造和性能上兼有人和機器各自的優點，尤其體現了人的智能和適應性，機械手作業的準確性和各種環境中完成作業的能力，在國民經濟各領域有著廣闊的發展前景。現有技術中，生產線機械手運動學描述了其關節與組成的各剛體之間的運動關系。它包括兩類問題：一類是給定機械手各關節角度,求解機械手末端執行器的位置和姿態,稱為運動學正問題，正問題解單一且確定。另一類是已知終端執行器的位置和姿態,求機械手對應于這個位姿的全部關節角,稱為運動學逆問題。機械手運動學逆問題中又涉及到逆解的求法，這一點是機械手路徑規劃和編寫控制算法的基礎，而其精度的保證又是實時控制的關鍵。通常，逆解的數量與機械手的連桿的個數、關節個數、關節桿件轉動角度范圍等多個方面有關系。一般說來，機械手運動學逆解的數量隨著關節和連桿的參數的增多而增多。多關節機械手運動學逆解出現多個解的情況是十分常見的，而且又有存在性的制約，所以選擇一種高效求解的方法在工程實驗中是很有必要的。
技術實現思路
有鑒于此，本專利技術的目的在于提供一種機械手運動學逆解方法及系統，以達到快速且精確的高效求解機械手運動學逆解問題。其具體方案如下：一種機械手運動學逆解方法，包括：獲取機械手的末端位姿參數，利用徑向基函數神經網絡算法的數學模型和所述末端位姿參數，計算出機械手的運動參數；其中，所述數學模型的訓練過程包括：在歷史末端位姿參數域中隨機生成N個數據點，并在N個數據點中選擇2k個初始中心點；其中，每個初始中心點對應一個區域，每個區域內包括個數據點，N和k均為正整數；對每個初始中心點均進行迭代更新，得到更新后的2k個擬中心點；將2k個擬中心點中兩兩最近的擬中心點進行二次均值化處理，得到k個中心點，并得到每個中心點的中心值向量；利用預設的兩兩中心點之間的直線距離和中心點個數k，計算出基寬向量；利用中心值向量、所述基寬向量和預設的高斯函數，求出代價函數對中心點的權值的偏導；利用代價函數對中心點的權值的偏導，通過梯度下降法，計算出中心點的權值；其中，對每個初始中心點均進行迭代更新的過程，包括：選擇初始中心點區域內距離目標輸出最近的數據點作為新的初始中心點。優選的，所述歷史末端位姿參數域為利用預設機械手的桿件參數和關節變量值，通過正運動學計算出的末端位姿參數得到的。優選的，所述利用預設的兩兩中心點之間的直線距離和中心點個數k，計算出基寬向量的過程，包括：利用預設的兩兩中心點之間的直線距離和中心點個數k，通過基寬向量計算公式，計算出所述基寬向量；其中所述基寬向量計算公式為：式中，D為兩兩中心點之間的直線距離，k為中心點個數，b為所述基寬向量。優選的，所述利用中心值向量、所述基寬向量和預設的高斯函數，求出代價函數對中心點的權值的偏導的過程，包括：利用中心值向量、所述基寬向量和預設的高斯函數，通過權值偏導公式，求出代價函數對中心點的權值的偏導；其中，所述權值偏導公式為：式中，J為代價函數，wk為第k個中心點的權值，X為輸入，即，末端位姿參數，Ck為第k個中心點的中心值向量。優選的，所述利用代價函數對中心點的權值的偏導，通過梯度下降法，計算出中心點的權值的過程包括：利用代價函數對中心點的權值的偏導，通過梯度下降公式，進行迭代，計算出中心點的權值；其中，所述梯度下降公式為：式中，w(g+1)為第g+1次迭代后的中心點的權值，w(g)為第g次迭代后的中心點權值，α為學習速率。本專利技術還公開了一種機械手運動學逆解系統，包括：參數獲取模塊，用于獲取機械手的末端位姿參數；參數計算模塊，用于利用徑向基函數神經網絡算法的數學模型和所述末端位姿參數，計算出機械手的運動參數；其中，所述參數計算模塊包括：中心點預設單元，用于在歷史末端位姿參數域中隨機生成N個數據點，并在N個數據點中選擇2k個初始中心點；其中，每個初始中心點對應一個區域，每個區域內包括N/2k個數據點，N和k均為正整數；中心點迭代單元，用于對每個初始中心點均進行迭代更新，得到更新后的2k個擬中心點；均值化單元，用于將2k個擬中心點中兩兩最近的擬中心點進行二次均值化處理，得到k個中心點，并得到每個中心點的中心值向量；基寬計算單元，用于利用預設的兩兩中心點之間的直線距離和中心點個數k，計算出基寬向量；偏導計算單元，用于利用中心值向量、所述基寬向量和預設的高斯函數，求出代價函數對中心點的權值的偏導；權值計算單元，用于利用代價函數對中心點的權值的偏導，通過梯度下降法，計算出中心點的權值；其中，對每個初始中心點均進行迭代更新的過程，包括：選擇初始中心點區域內距離目標輸出最近的數據點作為新的初始中心點。優選的，所述基寬計算單元，具體用于利用預設的兩兩中心點之間的直線距離和中心點個數k，通過基寬向量計算公式，計算出所述基寬向量；其中所述基寬向量計算公式為：式中，D為兩兩中心點之間的直線距離，k為中心點個數，b為所述基寬向量。優選的，所述偏導計算單元，具體用于利用中心值向量、所述基寬向量和預設的高斯函數，通過權值偏導公式，求出代價函數對中心點的權值的偏導；其中，所述權值偏導公式為：式中，J為代價函數，wk為第k個中心點的權值，X為輸入，即，末端位姿參數，Ck為第k個中心點的中心值向量。優選的，所述權值計算單元，具體用于利用代價函數對中心點的權值的偏導，通過梯度下降公式，進行迭代，計算出中心點的權值；其中，所述梯度下降公式為：式中，w(g+1)為第g+1次迭代后的中心點的權值，w(g)為第g次迭代后的中心點權值，α為學習速率。本專利技術中，機械手運動學逆解方法，包括：獲取機械手的末端位姿參數，利用徑向基函數神經網絡算法的數學模型和末端位姿參數，計算出機械手的運動參數；其中，數學模型的訓練過程包括：在歷史末端位姿參數域中隨機生成N個數據點，并在N個數據點中選擇2k個初始中心點；其中，每個初始中心點對應一個區域，每個區域內包括N/2k個數據點，N和k均為正整數；對每個初始中心點均進行迭代更新，得到更新后的2k個擬中心點；將2k個擬中心點中兩兩最近的擬中心點進行二次均值化處理，得到k個中心點，并得到每個中心點的中心值向量；利用預設的兩兩中心點之間的直線距離和中心點個數k，計算出基寬向量；利用中心值向量、基寬向量和預設的高斯函數，求出代價函數對中心點的權值的偏導；利用代價函數對中心點的權值的偏導，通過梯度下降法，計算出中心點的權值；其中，對每個初始中心點均進行迭代更新的過程，包括：選擇初始中心點區域內距離目標輸出最近的數據點作為新的初始中心點。可見，本專利技術利用徑向基函數神經網絡算法，計算出機械手的運動參數，在對徑向基函數神經網絡算法的數學模型訓練過程中，利用歷史末端位姿參數域中隨機生成N個數據點，并在N個數據點中選擇2k個初始中心點，設定初始狀態，通過對每個初始中心點均進行迭代更新，得到更新后的2k個擬中心點，尋找目標輸出，將2k個擬中心點中兩兩最近的擬中心點進行二次均值化處理，得到k個中心點，以使中心值向量更加平滑，并得到每個中心點的中心值向量，利用預設的兩兩中心點之本文檔來自技高網...

【技術保護點】
一種機械手運動學逆解方法，其特征在于，包括：獲取機械手的末端位姿參數，利用徑向基函數神經網絡算法的數學模型和所述末端位姿參數，計算出機械手的運動參數；其中，所述數學模型的訓練過程包括：在歷史末端位姿參數域中隨機生成N個數據點，并在N個數據點中選擇2k個初始中心點；其中，每個初始中心點對應一個區域，每個區域內包括2Nk個數據點，N和k均為正整數；對每個初始中心點均進行迭代更新，得到更新后的2k個擬中心點；將2k個擬中心點中兩兩最近的擬中心點進行二次均值化處理，得到k個中心點，并得到每個中心點的中心值向量；利用預設的兩兩中心點之間的直線距離和中心點個數k，計算出基寬向量；利用中心值向量、所述基寬向量和預設的高斯函數，求出代價函數對中心點的權值的偏導；利用代價函數對中心點的權值的偏導，通過梯度下降法，計算出中心點的權值；其中，對每個初始中心點均進行迭代更新的過程，包括：選擇初始中心點區域內距離目標輸出最近的數據點作為新的初始中心點。

【技術特征摘要】
1.一種機械手運動學逆解方法，其特征在于，包括：獲取機械手的末端位姿參數，利用徑向基函數神經網絡算法的數學模型和所述末端位姿參數，計算出機械手的運動參數；其中，所述數學模型的訓練過程包括：在歷史末端位姿參數域中隨機生成N個數據點，并在N個數據點中選擇2k個初始中心點；其中，每個初始中心點對應一個區域，每個區域內包括2Nk個數據點，N和k均為正整數；對每個初始中心點均進行迭代更新，得到更新后的2k個擬中心點；將2k個擬中心點中兩兩最近的擬中心點進行二次均值化處理，得到k個中心點，并得到每個中心點的中心值向量；利用預設的兩兩中心點之間的直線距離和中心點個數k，計算出基寬向量；利用中心值向量、所述基寬向量和預設的高斯函數，求出代價函數對中心點的權值的偏導；利用代價函數對中心點的權值的偏導，通過梯度下降法，計算出中心點的權值；其中，對每個初始中心點均進行迭代更新的過程，包括：選擇初始中心點區域內距離目標輸出最近的數據點作為新的初始中心點。2.根據權利要求1所述的機械手運動學逆解方法，其特征在于，所述歷史末端位姿參數域為利用預設機械手的桿件參數和關節變量值，通過正運動學計算出的末端位姿參數得到的。3.根據權利要求1所述的機械手運動學逆解方法，其特征在于，所述利用預設的兩兩中心點之間的直線距離和中心點個數k，計算出基寬向量的過程，包括：利用預設的兩兩中心點之間的直線距離和中心點個數k，通過基寬向量計算公式，計算出所述基寬向量；其中所述基寬向量計算公式為：式中，D為兩兩中心點之間的直線距離，k為中心點個數，b為所述基寬向量。4.根據權利要求1所述的機械手運動學逆解方法，其特征在于，所述利用中心值向量、所述基寬向量和預設的高斯函數，求出代價函數對中心點的權值的偏導的過程，包括：利用中心值向量、所述基寬向量和預設的高斯函數，通過權值偏導公式，求出代價函數對中心點的權值的偏導；其中，所述權值偏導公式為：式中，J為代價函數，wk為第k個中心點的權值，X為輸入，即，末端位姿參數，Ck為第k個中心點的中心值向量。5.根據權利要求1所述的機械手運動學逆解方法，其特征在于，所述利用代價函數對中心點的權值的偏導，通過梯度下降法，計算出中心點的權值的過程包括：利用代價函數對中心點的權值的偏導，通過梯度下降公式，進行迭代，計算出中心點的權值；其中，所述梯度下降公式為：...

【專利技術屬性】
技術研發人員：蔡天威，楊昌鑄，
申請(專利權)人：廣東工業大學，
類型：發明
國別省市：廣東,44