多自由度上假肢关节空间参数的求解方法技术

本发明专利技术公开了一种多自由度上假肢关节空间参数的求解方法，它首先获取训练人工神经网络的输入样本集和目标样本集，再将获取的输入样本集和目标样本集分别作为人工神经网络的输入参数和目标参数对人工神经网络进行训练，从而得到多自由度上假肢或机器人关节空间参数的求解模型。本发明专利技术提供了一种在只知道目标的操作空间位置，而不知道所要求手部姿态情形下，用于“肩离断”型残疾人功能代偿的多自由度上假肢的关节空间的求解方法。该方法可为上述情形下多自由度上假肢或机器人的关节空间参数获得某种可行解，以使其能完成指定的操作任务。

【技术实现步骤摘要】

本专利技术涉及基于人工神经网络的多自由度假肢关节空间参数的求解方法，尤其涉 及一种在只知道工作目标的空间位置，而不知道所要求手部姿态情形下，用于“肩离断”型 残疾人功能代偿的多自由度上假肢(指上肢假肢)关节空间的求解方法。该方法也可以用 在其它具有类似工作情形的机器人关节空间的求解上。
技术介绍
对于多自由度上假肢关节空间参数的求解，涉及到机器人逆运动学知识的应用。在机器人的正运动学方程中，机器人各个关节的参数值是自变量，机器人手部在 操作空间的姿态与位置是因变量，机器人的正运动学方程是根据机器人的结构特性而推导 建立的；在机器人的逆运动学方程中，机器人手部在操作空间的姿态与位置是自变量，机器 人各个关节的参数值是因变量，机器人的逆运动学方程一般是用解析方法由机器人的正运 动学方程反向推导产生的。在实际工作中，人们往往是先知道机器人手部在操作空间的姿 态与位置，然后再根据机器人的逆运动学方程求导出机器人各个关节的参数值，以使得机 器人各个关节能够按照求出的数值转过相应的角度，来将手部以正确的姿态与位置放到工 作目标上。在此，凡是以机器人手部在操作空间的姿态与位置为自变量，以机器人各个关节 的参数值为因变量的求解模型就称其为机器人的逆运动学求解模型，或者称其为关节空间 参数求解模型。通常，在机器人的正运动学解析方程中，自变量的个数，就是机器人运动关节的数 量，其数值就是各个关节转角或移动量的描述；因变量个数是12个，其中有9个是手部姿态 描述参数，有3个是手部中心位置描述参数，其全部数值也就是工作目标在操作空间的姿 态与位置的描述。通常，在机器人的逆运动学解析方程中，自变量的个数是12个，其中有9个是手部 姿态描述参数，有3个是手部中心位置描述参数，其全部数值也就是工作目标在操作空间 的姿态与位置的描述；因变量个数就是机器人运动关节的数量，其数值就是各个关节转角 或移动量的描述。这样，在采用一般的解析方法来求解机器人逆运动学方程时，必然要预先知道操 作空间中工作目标的12个参数，包括目标的9个姿态参数和3个空间位置参数，才能使得 求解条件达到满足，才能求出机器人关节空间的解。对于工作在非结构化环境中的多自由度上假肢或机器人来说，获得其随机工作目 标的操作空间位置信息较为容易做到，但是如何描述随机工作目标的姿态信息却是一个非 常困难的事情。在仅仅知道随机工作目标的3个操作空间位置参数，而不知其9个姿态参 数情形下，如何求得一种可行的多自由度假肢或机器人关节空间的解，目前尚无对该技术 方法的研究叙述。这是本领域研究人员亟需解决的问题。
技术实现思路
本专利技术的目的，是在仅仅知道随机工作目标的三维空间的位置参数信息，而无法 获取其姿态信息情况下，为多自由度上假肢关节空间参数的求解专利技术一种解决方法。为达上述目的，专利技术的求解方法是在仅仅知道随机目标在操作空间的3个位置参 数信息情形下，引入一种实现对多自由度上假肢关节空间求解的解决方案。拟利用人工神 经网络对不完整信息独特的参数映射能力、快速并行信息处理能力和多输入多输出的非线 性特性来建立一种特殊的多自由度假肢关节空间参数求解模型。每当多自由度假肢系统获 得随机工作目标在操作空间的三维坐标值时，将该3个坐标值和某种欠定义的代偿姿态描述 作为网络模型的输入，以此来快速、并行地得到假肢或机器人各关节的某种可行的求解值。本专利技术的求解方法详细步骤如下第一步获取训练人工神经网络的输入样本集和目标样本集首先，将各个关节的矢量参数q作为已知条件代入多自由度上假肢或机器人正运 动学方程时，得到多自由度上假肢或机器人的关于操作空间的对应解P。当在关节空间用 离散化方法、逐渐扫描方式对各关节矢量参数Qi (i = 1,2-, η)进行取值时，若足够多的η 组数据可以使得假肢或机器人各关节的各种组合空间都能被离散化扫描到，就可获得假肢 或机器人的手部的、以各种不同的姿态达到的所有工作位置的离散化操作空间的解Pi (i = 1,2-,η)的集合。对前述Wpi (i = 1,2-,η)中的数据经过特别处理后组成集合{P}，将集合{P}作 为训练人工神经网络的输入样本集；将前述的QiG = 1,2-,η)数据整理组成集合{Q}，将 集合{Q}作为训练人工神经网络的目标样本集。第二步训练人工神经网络将{P}作为人工神经网络的输入参数，而将{Q}作为人工神经网络的目标参数。当 人工神经网络的实际输出为丨0丨时，用误差{e}去训练人工神经网络，其中{e} = {Q}-{Q}(1)训练的结果使得{e} — {0}。经过充分训练后，该人工神经网络即成多自由度上假肢或机器人的关节空间参数 求解模型。当以操作空间工作目标的位置与代偿的手部姿态描述等参数作为网络的输入 时，已经训练好的人工神经网络系统就会自动求得到多自由度上假肢或机器人的关节空间 参数的某种可行解。本专利技术的优点在于专利技术了一种在只知道工作目标的操作空间位置，而不知道所要求手部姿态情形 下，用于“肩离断”型残疾人功能代偿的多自由度上假肢的关节空间的求解方法。该方法可 为上述情形下多自由度上假肢或机器人的关节空间参数获得某种可行解，以使其能完成指 定的操作任务。附图说明下面参照附图1-3说明本专利技术的一个实施例。图1是某种多自由度上假肢的示意图，其中图1(a)是主视图，图1(b)是左视图。图2是某种多自由度上假肢正视的传动结构原理及各个坐标系关系图。图3是用假肢关节空间的求解结果代入假肢正运动学方程所获得的手部在操作 空间中位置与姿态假肢运动仿真图。图例说明1_假肢肩部构件，2-假肢大臂构件，3-假肢小臂转动支撑，4-假肢小臂 转动构件，5-假手构件，具体实施例方式本专利技术以图1所示的假肢为例，从图中可以看出，该假肢由假肢肩部构件1、假肢 大臂构件2、假肢小臂转动支撑3、假肢小臂转动构件4和假手构件5组成。对图1所示的假肢关节空间姿态参数的求解具体实施步骤如下STEP1.画出多自由度上假肢的结构原理及各个坐标系关系图，如图2所示。STEP2.根据多自由度上假肢的结构特性，将其各种参数列表，如表1所列。表 权利要求一种，其特征在于，详细步骤如下第一步获取训练人工神经网络的输入样本集和目标样本集首先，将各个关节的矢量参数q作为已知条件代入多自由度上假肢或机器人正运动学方程时，得到多自由度上假肢或机器人的关于操作空间的对应解p；当在关节空间用离散化方法、逐渐扫描方式对各关节矢量参数qi(i＝1，2…，n)进行取值时，若足够多的n组数据可以使得假肢或机器人各关节的各种组合空间都能被离散化扫描到，就可获得假肢或机器人的手部的、以各种不同的姿态达到的所有工作位置的离散化操作空间的解pi(i＝1，2…，n)的集合；对前述的pi(i＝1，2…，n)中的数据经过特别处理后组成集合{P}，将集合{P}作为训练人工神经网络的输入样本集；将前述的qi(i＝1，2…，n)数据整理组成集合{Q}，将集合{Q}作为训练人工神经网络的目标样本集；第二步训练人工神经网络将{P}作为人工神经网络的输入参数，而将{Q}作为人工神经网络的目标参数；当人工神经网络的实际输出为时，用误差{e}去训练人工神经网络，其中 <mrow><mo>{</mo>本文档来自技高网...

【技术保护点】
一种多自由度上假肢关节空间参数的求解方法，其特征在于，详细步骤如下：第一步：获取训练人工神经网络的输入样本集和目标样本集首先，将各个关节的矢量参数ｑ作为已知条件代入多自由度上假肢或机器人正运动学方程时，得到多自由度上假肢或机器人的关于操作空间的对应解ｐ；当在关节空间用离散化方法、逐渐扫描方式对各关节矢量参数ｑ↓［ｉ］（ｉ＝１，２…，ｎ）进行取值时，若足够多的ｎ组数据可以使得假肢或机器人各关节的各种组合空间都能被离散化扫描到，就可获得假肢或机器人的手部的、以各种不同的姿态达到的所有工作位置的离散化操作空间的解ｐ↓［ｉ］（ｉ＝１，２…，ｎ）的集合；对前述的ｐ↓［ｉ］（ｉ＝１，２…，ｎ）中的数据经过特别处理后组成集合｛Ｐ｝，将集合｛Ｐ｝作为训练人工神经网络的输入样本集；将前述的ｑ↓［ｉ］（ｉ＝１，２…，ｎ）数据整理组成集合｛Ｑ｝，将集合｛Ｑ｝作为训练人工神经网络的目标样本集；第二步：训练人工神经网络将｛Ｐ｝作为人工神经网络的输入参数，而将｛Ｑ｝作为人工神经网络的目标参数；当人工神经网络的实际输出为＊时，用误差｛ｅ｝去训练人工神经网络，其中：　｛ｅ｝＝｛Ｑ｝－｛＊｝（１）训练的结果使得｛ｅ｝→｛０｝；经过充分训练后，该人工神经网络即成多自由度上假肢或机器人的关节空间参数求解模型；当以操作空间工作目标的位置与代偿的手部姿态描述参数作为网络的输入时，已经训练好的人工神经网络系统就会自动求得到多自由度上假肢或机器人关节空间参数的某种可行解。...

【技术特征摘要】

【专利技术属性】
技术研发人员：樊炳辉，孙爱芹，王传江，张志献，江浩，樊东哲，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：95[中国|青岛]