机器人运动控制方法、设备及介质技术

本发明专利技术公开了一种机器人运动控制方法、设备及介质，其方法包括：确定机器人的目标点位置、目标运动路径和目标模态；根据所述目标点位置、目标运动路径和目标模态，并基于预先训练好的控制器对机器人进行点到点运动控制，控制器是基于宽度学习算法的控制器建模并进行控制器模型训练得到。本发明专利技术避免了复杂的重复调参过程，降低了对使用人员的专业性需求。降低了对使用人员的专业性需求。降低了对使用人员的专业性需求。

【技术实现步骤摘要】
机器人运动控制方法、设备及介质


[0001]本专利技术涉及机器人控制
，尤其涉及一种机器人运动控制方法、设备及介质。

技术介绍

[0002]智能机器人现已广泛的用于包括工程制造、医疗以及微操作等多个领域。在常见的智能机器人运用中，机器人经常需要以特定的姿态完成复杂路径的运动。例如，在抛光作业中，机器人需要保证特定的姿态并完成多种复杂的运动，从而达成工件表面所需的光滑度。与此同时，机器人有时还需要避开一些不需要抛光的位置，这又涉及到了路径规划和姿态控制。这种已知目标点位置和起始点位置，需要控制机器人在满足特定条件的情况下从起始点运动到目标点的控制过程被称为点到点运动控制。
[0003]现有的部分点到点运动控制方法中，一种方法是使用基于预编程的理论计算方法针对机械臂进行点到点运动控制。该方法根据预先知道的路径，使用复杂的计算公式设计机器人在路径中多个特征位置的速度和加速度，从而实现了点到点的平滑控制，减少了机械臂运动过程中的振动。但这种方法需要针对不同的路径进行重复的计算，更多适用于路径单一重复的流水线工作。
[0004]另一种方法是使用闭环控制系统实现移动机器人在动态环境中的自主导航。该方法使机器人能够自主实现类人导航行为，提高了机器人导航的安全性和效率。但该方法基于闭环控制，包含复杂的运动建模和控制器参数调整过程，且该方案在运动控制之外还需要额外设计路径规划算法，增加了整体设计的复杂性，并增加了对使用人员的专业性需求。

技术实现思路

[0005]本专利技术实施例的主要目的在于提供一种机器人运动控制方法、设备及介质，旨在实现对机器人运动控制中避免复杂的重复调参过程，降低对使用人员的专业性需求。
[0006]为实现上述目的，本专利技术实施例提供一种机器人运动控制方法，所述方法包括：
[0007]确定机器人的目标点位置、目标运动路径和目标模态；
[0008]根据所述目标点位置、目标运动路径和目标模态，并基于预先训练好的控制器对所述机器人进行点到点运动控制，所述控制器是基于宽度学习算法的控制器建模并进行控制器模型训练得到。
[0009]可选地，所述根据所述目标点位置、目标运动路径和目标模态，并基于预先训练好的控制器对所述机器人进行点到点运动控制的步骤包括：
[0010]根据所述目标运动路径和目标模态并基于预先训练好的控制器，计算目标控制率；
[0011]通过低阶系统执行所述目标控制率，并计算所述机器人的当前位置和姿态；
[0012]重复上述步骤，计算下一个时间点所述机器人的位置和姿态，直到所述目标点位置；
[0013]基于计算得到的机器人的位置和姿态，对所述机器人进行点到点运动控制。
[0014]可选地，所述确定机器人的目标点位置、目标运动路径和目标模态的步骤之前还包括：
[0015]基于宽度学习算法进行控制器建模并对控制器模型进行训练得到训练好的控制器。
[0016]可选地，所述机器人的控制系统包括：高阶动力控制系统和低阶控制系统，所述基于宽度学习算法进行控制器建模并对控制器模型进行训练得到训练好的控制器的步骤包括：
[0017]对机器人的运动过程进行示教和采样，得到示教数据；
[0018]通过高阶动力控制系统使用宽度学习算法对控制器进行建模，得到控制器模型，以及对低阶控制系统的非线性关系使用超限学习机进行拟合，并通过整合得到控制系统的样本控制率；
[0019]基于所述样本控制率分析并推导系统稳定性约束；
[0020]将所述示教数据及系统稳定性约束导入所述控制器模型，并基于宽度学习算法、所述样本控制率以及结合优化函数求解来训练所述控制器模型，获得控制器最终各个参数，得到训练好的控制器。
[0021]可选地，所述对机器人的运动过程进行示教和采样，得到示教数据的步骤包括：
[0022]基于不同的满意性能指标，使用多个调整完备的样本控制器控制所述机器人完成同一种运动路径和模态；
[0023]记录每个取样时间下所述机器人的位置、速度、姿态和磁场数据；
[0024]针对不同的运动路径和模态重复上述两个步骤，采集得到示教数据。
[0025]可选地，所述通过高阶动力控制系统使用宽度学习算法对控制器进行建模，得到控制器模型，以及对低阶控制系统的非线性关系使用超限学习机进行拟合，并通过整合得到控制系统的样本控制率的步骤包括：
[0026]通过高阶动力控制系统使用宽度学习算法对控制器进行建模，得到控制器模型，并计算得到高阶系统控制率；
[0027]对低阶控制系统的非线性关系使用超限学习机进行拟合，得到低阶系统控制率；
[0028]将所述高阶系统控制率和低阶系统控制率合并构成完整的控制系统的样本控制率。
[0029]可选地，所述将所述示教数据及系统稳定性约束导入所述控制器模型，并基于宽度学习算法、所述样本控制率以及结合优化函数求解来训练所述控制器模型，获得控制器最终各个参数，得到训练好的控制器的步骤中包括：
[0030]在宽度学习算法中通过李亚普诺夫理论求解控制器参数的限制条件。
[0031]可选地，所述控制器模型针对高阶动力系统满足以下条件：在控制率的控制下，机器人需要在达到指定位置的同时满足指定的姿态；在点到点的运动过程中，机器人的运动需要满足特定的运动轨迹或特定的运动姿态。
[0032]可选地，所述方法还包括：
[0033]通过实时在线更新的方式，添加新的示教数据对控制器模型进行更新，得到应对不同需求的控制器。
[0034]本专利技术实施例还提出一种机器人控制设备，所述机器人控制设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的机器人运动控制方法。
[0035]本专利技术实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的机器人运动控制方法。
[0036]本专利技术实施例提出的一种机器人运动控制方法、设备及介质，通过确定机器人的目标点位置、目标运动路径和目标模态；根据所述目标点位置、目标运动路径和目标模态，并基于预先训练好的控制器对所述机器人进行点到点运动控制，所述控制器是基于宽度学习算法的控制器建模并进行控制器模型训练得到。本专利技术方案使用基于宽度学习的算法，一方面解决了预编程方法对于不同路径需要重新设计的缺点，另一方面也使得使用者在面对不同的需求时只需要手动控制机器人按照需求运动，从而收集示教数据，并通过实时在线更新的方式就可以更新出应对不同需求的控制器。据此，本专利技术方法避免了复杂的重复调参过程，降低了对使用人员的专业性需求，而且提高了运动控制的准确性。
[0037]相比现有技术，本专利技术使用的宽度学习算法具有支持在线模型更新的特点，因此，对于新添加的示教数据，本专利技术并不需要重新训练控制器，而是通过添加节点的方式直接获得同时具备原有控制器特点和新添加示教数据特点的控本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人运动控制方法，其特征在于，所述方法包括：确定机器人的目标点位置、目标运动路径和目标模态；根据所述目标点位置、目标运动路径和目标模态，并基于预先训练好的控制器对所述机器人进行点到点运动控制，所述控制器是基于宽度学习算法的控制器建模并进行控制器模型训练得到。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标点位置、目标运动路径和目标模态，并基于预先训练好的控制器对所述机器人进行点到点运动控制的步骤包括：根据所述目标运动路径和目标模态并基于预先训练好的控制器，计算目标控制率；执行所述目标控制率，并计算所述机器人的当前位置和姿态；重复上述步骤，计算下一个时间点所述机器人的位置和姿态，直到所述目标点位置；基于计算得到的机器人的位置和姿态，对所述机器人进行点到点运动控制。3.根据权利要求1所述的方法，其特征在于，所述确定机器人的目标点位置、目标运动路径和目标模态的步骤之前还包括：基于宽度学习算法进行控制器建模并对控制器模型进行训练得到训练好的控制器。4.根据权利要求3所述的方法，其特征在于，所述机器人的控制系统包括：高阶动力控制系统和低阶控制系统，所述基于宽度学习算法进行控制器建模并对控制器模型进行训练得到训练好的控制器的步骤包括：对机器人的运动过程进行示教和采样，得到示教数据；通过高阶动力控制系统使用宽度学习算法对控制器进行建模，得到控制器模型，以及对低阶控制系统的非线性关系使用超限学习机进行拟合，并通过整合得到控制系统的样本控制率；基于所述样本控制率分析并推导系统稳定性约束；将所述示教数据及系统稳定性约束导入所述控制器模型，并基于宽度学习算法、所述样本控制率以及结合优化函数求解来训练所述控制器模型，获得控制器最终各个参数，得到训练好的控制器。5.根据权利要求4所述的方法，其特征在于，所述对机器人的运动过程进行示教和采样，得到示教数据的步骤包括：基于不同的满意性能指标，使用多个调整完备的样本控制器控制所述机器人完成同一种运动路径和模态；记录每个取样时间下所述机器人的位...

【专利技术属性】
技术研发人员：徐升，徐天添，李冬，黄晨阳，吴新宇，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：