1.本发明涉及一种基于神经网络的手机遥控机械臂抓取方法，特别是带有末端位姿跟随手机运动矢量运动的机械臂轨迹规划方法。
背景技术：2.机械臂运动是一种拥有高精度，多输入多输出的复杂系统。因其系统的复杂性，它得以在各种场景得到广泛应用，例如工业装配、危险品交通运输等领域。同时也因为其系统的复杂性，工作需求的多样性，以及机械臂本身结构的多样性，机械臂的控制需求也较为复杂和多变。现有的机械臂的控制方法有pid控制，模型预测控制，神经网络轨迹规划等。
3.神经网络在矩阵方程的求解上，包括时变矩阵的逆运算上具有较高的求解效率。神经网络能够在在有限时间内趋近结果，将误差收敛到零。在机械臂的轨迹规划中，各个关节角都是随时间变化的，可以看作是一个快速时变的系统。神经网络求解法具有较高的求解精度和较快的求解速度，以及一定的抗干扰性。神经网络能够满足轨迹规划中控制参数的高精度和高时效性要求，从一定程度上保证了系统的准确性和稳定性。
4.对于复杂多变的抓取任务，机械臂针对每种不同任务的要求，需要为每项任务分别独立编制控制程序，这将给整个机械臂运动系统增加很多计算压力。为了减少数据的计算负担，遥控可以将复杂任务场景变得简单，将一部分的判断与控制交由机械臂的控制者来完成，从而提升整个系统的扩展性及应用场景的多样性。
技术实现要素：5.为了克服现有的机械控制方法的弊端，面对不同应用场景需要重新编程的问题，本发明提供一种高精度、高时效性的遥控机械臂轨迹规划方法，使用手机的运动参数就可以控制机械臂的末端位姿变换。
6.为了解决上述技术问题，本发明提供如下的技术方案：
7.一种基于神经网络的手机遥控机械臂抓取方法，包括以下步骤：
8.步骤1，通过app获取手机的加速度数据g(x)，通过wifi传输至控制程序；
9.步骤2，将加速度转换为期望末端速度和末端轨迹r(t)；
10.步骤3，使用denavit-hartenberg约定，通过变换矩阵的连乘建立机械臂的逆运动学方程,设置初始关节角角度θ(0)；
11.步骤4，计算实际末端轨迹与期望末端轨迹的误差，设计机械臂抓取的最优轨迹运动路线；
12.步骤5，基于步骤4中的最优运动轨迹规划方案，构建神经网络模型进行求解；
13.步骤6，将每次求得的各个轴角度值通过指定协议发送给机械臂，并获取机械臂的真实末端运动轨迹f(θ)，将f(θ)带入神经网络模型中，得到各运动关节轨迹。
14.所述步骤1中，加速度g(x)为：
15.g(x)＝[ax；ay；az]-[0；0；g
local
]
[0016]
其中ax，ay，az分别为三个轴上的加速度，g
local
为当地重力加速度。
[0017]
进一步，所述步骤2中，期望末端轨迹为：
[0018][0019][0020]
其中t
*
为上一时刻,t为当前时刻，g(x)为当前时刻的加速度。
[0021]
再进一步，所述步骤3中，变换矩阵如下：
[0022][0023]
其中，θ为关节角，α为连杆扭转角，a为连杆长度，d为连杆偏距，根据变换矩阵得到基坐标到机械臂各个轴坐标的旋转矩阵
[0024][0025]
其中，为末端坐标系原点在基坐标中的位置，为基坐标系到末端坐标系的旋转矩阵。
[0026]
更进一步，所述步骤4的过程如下：
[0027]
机械臂的控制问题转换为二次优化问题，其性能指标为：
[0028][0029]
其中，为机械臂各个轴的角速度，为机械臂各个轴角速度的转置，形成的最优运动规划方程描述为：
[0030][0031][0032]
其中，j(θ)是机械臂的雅各比矩阵，r是机械臂的末端执行器的期望轨迹，为机械臂末端执行器的期望速度，k
p
》0是参数增益，用于调节末端执行器运动到期望路径的速率，f(θ)是机械臂实际的运动轨迹；
[0033]
所述步骤5的过程如下：
[0034]
5.1采用如下有限时间收敛特性的网络动态方程：
[0035][0036]
其中，为误差的导数，sign(
·
)为符号函数，γ》0,b1》0,b2》0,b3》0,0《p《1为指定的参数；
[0037]
5.2根据步骤4中的最优规划方程(3)，建立拉格朗日函数
[0038][0039]
其中，λ(t)为拉格朗日乘子向量，λ
t
(t)是λ(t)向量的转置，通过拉格朗日求解得到下述方程：
[0040]
w(t)y(t)＝v(t)
ꢀꢀꢀ
(5)
[0041]
其中，其中，
[0042]
为了求解上述方程，将误差设为：
[0043]
e(t)＝w(t)y(t)-v(t)
ꢀꢀꢀ
(6)
[0044]
根据式(4)的定义，得到如下有限时间收敛神经网络模型：
[0045][0046]
本发明基于神经网络算法，设计了一种基于神经网络的手机遥控机械臂抓取方法，实现了机械臂末端运动关节角误差的指数级回拢收敛特性，提供了一种操纵机械臂完成复杂抓取动作的轨迹规划方法，提高了系统的稳定性和可扩展性。
[0047]
本发明的技术构思为：针对机械臂抓取的复杂运动，利用神经网络求解方法，再结合二次最优规划方案，设计一种面向手机遥控机械臂抓取轨迹规划的神经网络方法。神经网络的求解方法保证了机械臂末端各运动关节角在有限时间内收敛到期望的关节位置。手机遥控提供了系统的可扩展性与易操作性。保证末端执行器跟随手机运动矢量进行移动，实现手机遥控。
[0048]
本发明有益效果为：解决机械臂末端位姿跟随问题，提高运动机械臂的可操作性和系统的可扩展性。
附图说明
[0049]
图1为本发明提供的路径规划方案的流程图。
[0050]
图2为机械臂末端的运动轨迹。
[0051]
图3为机械臂的各个关节角轨迹。
[0052]
图4为三维空间中各个轴上的误差。
具体实施方式
[0053]
下面结合附图对本发明作进一步描述。
[0054]
参照图1-图4，一种基于神经网络的手机遥控机械臂抓取方法，包括以下步骤：
[0055]
步骤1，通过app获取手机的加速度数据g(x)，通过wifi传输至控制程序；
[0056]
g(x)＝[ax；ay；az]-[0；0；g
local
]
[0057]
步骤2，将加速度转换为期望末端速度和末端轨迹r(t)；
[0058][0059][0060]
其中t
*
为上一时刻,t为当前时刻，g(x)为当前时刻的加速度；
[0061]
步骤3，使用denavit-hartenberg约定，通过变换矩阵的连乘建立机械臂的逆运动学方程,设置初始关节角角度θ(0)，变换矩阵如下：
[0062][0063]
其中，θ为关节角，α为连杆扭转角，a为连杆长度，d为连杆偏距，根据变换矩阵得到基坐标到机械臂各个轴坐标的旋转矩阵
[0064][0065]
其中，为末端坐标系原点在基坐标中的位置，为基坐标系到末端坐标系的旋转矩阵；
[0066]
步骤4，计算实际末端轨迹与期望末端轨迹的误差，设计机械臂抓取的最优轨迹运动路线，过程如下：
[0067]
机械臂的运动控制问题可以转换为二次优化问题，其性能指标为：
[0068][0069]
其中，为机械臂各个轴的角速度，为机械臂各个轴角速度的转置，形成的最优运动规划方程描述为：
[0070][0071][0072]
其中，j(θ)是机械臂的雅各比矩阵，r是机械臂的末端执行器的期望轨迹，为机械臂末端执行器的期望速度，k
p
》0是参数增益，用于调节末端执行器运动到期望路径的速率，f(θ)是机械臂实际的运动轨迹；
[0073]
步骤5，基于步骤4中的最优运动轨迹规划方案，构建神经网络模型进行求解，过程如下：
[0074]
5.1采用如下有限时间收敛特性的网络动态方程：
[0075][0076]
其中，为误差的导数，sign(
·
)为符号函数，γ》0,b1》0,b2》0,b3》0,0《p《1为指定的参数；
[0077]
5.2根据步骤4中的最优规划方程(3)，建立拉格朗日函数
[0078][0079]
其中，λ(t)为拉格朗日乘子向量，λ
t
(t)是λ(t)向量的转置。通过拉格朗日求解得到下述方程：
[0080]
w(t)y(t)＝v(t)
ꢀꢀꢀ
(5)
[0081]
其中，
[0082]
为了求解上述方程，将误差设为：
[0083]
e(t)＝w(t)y(t)-v(t)
ꢀꢀꢀ
(6)；
[0084]
根据式(4)的定义，可以得到如下有限时间收敛神经网络模型：
[0085][0086]
步骤6，将每次求得的各个轴角度值通过指定协议发送给机械臂，并获取机械臂的真实末端运动轨迹f(θ)，将f(θ)带入方程(7)中的，得到各运动关节轨迹。
[0087]
为了验证方案的可行性，本发明给出了在该方案在matlab上的仿真结果：
[0088]
参数给定如下：
[0089]
设定初始关节角假定收到的加速度g(x)为：
[0090][0091]
其中t为时间，设定运行总时间t＝10s，式(3)中，k
p
＝1，式(4)中，γ＝10,b1＝1,b2＝2,b3＝3,p＝0.5。
[0092]
整个方案的执行流程如图1所示，运行效果如图2所示，运行中各个关节角变化如图3所示。
[0093]
从图2和图4可以看出，机械臂在抓取过程中与期望轨迹误差较小，机械臂末端能够在有限的时间内到达指定位置执行相应的动作。
[0094]
综上所述，基于神经网络的手机遥控机械臂抓取方法能有效解决机械臂末端位姿跟随问题，保证系统误差在有限时间内收敛，使系统具有较高的实时性。
技术特征：1.一种基于神经网络的手机遥控机械臂抓取方法，其特征在于，所述方法包括以下步骤：步骤1，通过app获取手机的加速度数据g(x)，通过wifi传输至控制程序；步骤2，将加速度转换为期望末端速度和末端轨迹r(t)；步骤3，使用denavit-hartenberg约定，通过变换矩阵的连乘建立机械臂的逆运动学方程，设置初始关节角角度θ(0)；步骤4，计算实际末端轨迹与期望末端轨迹的误差，设计机械臂抓取的最优轨迹运动路线；步骤5，基于步骤4中的最优运动轨迹规划方案，构建神经网络模型进行求解；步骤6，将每次求得的各个轴角度值通过指定协议发送给机械臂，并获取机械臂的真实末端运动轨迹f(θ)，将f(θ)带入神经网络模型中，得到各运动关节轨迹。2.如权利要求1所述的一种基于神经网络的手机遥控机械臂抓取方法，其特征在于，所述步骤1中，加速度g(x)为：g(x)＝[ax；ay；az]-[0；0；g
local
]其中ax，ay，az分别为三个轴上的加速度，g
local
为当地重力加速度。3.如权利要求1或2所述的一种基于神经网络的手机遥控机械臂抓取方法，其特征在于，所述步骤2中，期望末端轨迹为：为：其中t
*
为上一时刻，t为当前时刻，g(x)为当前时刻的加速度。4.如权利要求1或2所述的一种基于神经网络的手机遥控机械臂抓取方法，其特征在于，所述步骤3中，变换矩阵如下：其中，θ为关节角，α为连杆扭转角，a为连杆长度，d为连杆偏距，根据变换矩阵得到基坐标到机械臂各个轴坐标的旋转矩阵机械臂各个轴坐标的旋转矩阵其中，为末端坐标系原点在基坐标中的位置，为基坐标系到末端坐标系的旋转矩阵。5.如权利要求1或2所述的一种基于神经网络的手机遥控机械臂抓取方法，其特征在于，所述步骤4的过程如下：机械臂的控制问题转换为二次优化问题，其性能指标为：其中，为机械臂各个轴的角速度，为机械臂各个轴角速度的转置，形成的最优运动规划方程描述为：
其中，j(θ)是机械臂的雅各比矩阵，r是机械臂的末端执行器的期望轨迹，为机械臂末端执行器的期望速度，k
p
＞0是参数增益，用于调节末端执行器运动到期望路径的速率，f(θ)是机械臂实际的运动轨迹。6.如权利要求1或2所述的一种基于神经网络的手机遥控机械臂抓取方法，其特征在于，所述步骤5的过程如下：5.1采用如下有限时间收敛特性的网络动态方程：其中，为误差的导数，sign(
·
)为符号函数，γ＞0，b1＞0，b2＞0，b3＞0，0＜p＜1为指定的参数；5.2根据步骤4中的最优规划方程(3)，建立拉格朗日函数其中，λ(t)为拉格朗日乘子向量，λ
t
(t)是λ(t)向量的转置，通过拉格朗日求解得到下述方程：w(t)y(t)＝v(t)
ꢀꢀꢀꢀ
(5)其中，其中，为了求解上述方程，将误差设为：e(t)＝w(t)y(t)-u(t)
ꢀꢀꢀꢀ
(6)根据式(4)的定义，得到如下有限时间收敛神经网络模型：
技术总结一种基于神经网络的手机遥控机械臂抓取方法，利用手机采集运动轨迹合成末端轨迹进行轨迹规划和运动控制的机械臂运动系统，根据机械臂的正逆运动学模型，利用神经网络优化方法，再结合二次规划方法，设计一种面向手机遥控抓取机械臂轨迹规划的神经网络方法，有效解决复杂场景复杂任务下的机械臂运动问题。本发明能够高效计算手机运动轨迹，并根据轨迹实时计算机械臂运动状态，实现机械臂末端的高精度、高时效性实时跟踪。高时效性实时跟踪。高时效性实时跟踪。
技术研发人员：钱小鸿 孔颖 周靖怡 周俊文
受保护的技术使用者：浙江科技学院
技术研发日：2022.07.07
技术公布日：2022/11/1
