本發(fā)明屬于機(jī)器人控制領(lǐng)域，特別涉及一種運(yùn)載機(jī)器人手臂操控多點(diǎn)映射智能控制方法及系統(tǒng)。

背景技術(shù)：

近些年來，移動(dòng)機(jī)器人被廣泛應(yīng)用于室內(nèi)運(yùn)輸，如醫(yī)院利用移動(dòng)機(jī)器人運(yùn)輸醫(yī)療設(shè)備、超市的服務(wù)型機(jī)器人、工廠制造環(huán)境下的機(jī)器人等。而機(jī)器人手臂是機(jī)器人機(jī)械系統(tǒng)的重要組成部分，也是機(jī)器人實(shí)現(xiàn)其服務(wù)功能的主要載體。

機(jī)械手臂的控制問題一直是該行業(yè)的難點(diǎn)問題。早期，大部分手臂采用pid控制，能夠?qū)崿F(xiàn)中等以下速度的跟蹤，但是在高精度、快速的場合下，傳統(tǒng)的pid控制并不能滿足其控制要求。在這種情況下，出現(xiàn)了模糊控制、神經(jīng)網(wǎng)絡(luò)控制、模糊神經(jīng)網(wǎng)絡(luò)控制、專家控制等智能控制方法。

如今神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于機(jī)器人手臂控制：通過求解運(yùn)動(dòng)學(xué)方程來獲得訓(xùn)練樣本，利用神經(jīng)網(wǎng)絡(luò)建立手臂關(guān)節(jié)空間坐標(biāo)與笛卡爾空間坐標(biāo)的映射關(guān)系。然而通過求解運(yùn)動(dòng)學(xué)方程獲得大量樣本的方法并不實(shí)用，而且機(jī)器人手臂關(guān)節(jié)處的電機(jī)更換會(huì)使得之前構(gòu)建的神經(jīng)網(wǎng)絡(luò)需重新訓(xùn)練。因此，機(jī)器人的維護(hù)存在著極大的不便?；谏鲜鲈颍惹械匦枰环N更為智能的手臂控制方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種運(yùn)載機(jī)器人手臂操控多點(diǎn)映射智能控制方法及系統(tǒng)，其目的在于，克服上述現(xiàn)有技術(shù)中存在的問題，通過建立機(jī)器人基座、抓取臺(tái)之間距離與機(jī)器人手臂姿態(tài)之間的映射，避免繁瑣的運(yùn)動(dòng)學(xué)方程建立；結(jié)合抓取中關(guān)節(jié)控制值變化幅度并將關(guān)節(jié)分為三類，并且對(duì)這三類關(guān)節(jié)采用了不同的優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)組合進(jìn)行訓(xùn)練和預(yù)測，提高了手臂關(guān)節(jié)的控制精度。

一種運(yùn)載機(jī)器人手臂操控多點(diǎn)映射智能控制方法，包括以下步驟：

步驟1：當(dāng)運(yùn)載機(jī)器人位于指定抓取距離區(qū)間內(nèi)的固定抓取點(diǎn)時(shí)，利用遠(yuǎn)程服務(wù)器控制運(yùn)載機(jī)器人手臂進(jìn)行多次抓取訓(xùn)練，獲得運(yùn)載機(jī)器人在不同固定抓取點(diǎn)完成抓取任務(wù)的抓取樣本集；

每個(gè)抓取樣本包括運(yùn)載機(jī)器人基座所在固定抓取點(diǎn)與抓取臺(tái)底端邊緣之間的距離和完成抓取任務(wù)過程中所有關(guān)節(jié)的控制值矩陣，所述所有關(guān)節(jié)的控制值矩陣大小為n*m，n表示運(yùn)載機(jī)器人手臂關(guān)節(jié)個(gè)數(shù)，m表示抓取過程手臂動(dòng)作次數(shù)；

運(yùn)載機(jī)器人在指定抓取距離區(qū)間中某個(gè)固定點(diǎn)抓取點(diǎn)時(shí)，運(yùn)載機(jī)器人基座不移動(dòng)，只有手臂進(jìn)行運(yùn)動(dòng)，完成抓取任務(wù)；

利用遠(yuǎn)程服務(wù)器控制運(yùn)載機(jī)器人手臂進(jìn)行抓取，同時(shí)自動(dòng)記錄距離和對(duì)應(yīng)的控制值矩陣，獲取樣本的方法不同于傳統(tǒng)反求運(yùn)動(dòng)學(xué)方程的復(fù)雜方法，避免了復(fù)雜的建模和求解過程。

步驟2：依據(jù)各手臂關(guān)節(jié)控制值的變化幅度a％對(duì)抓取樣本集中進(jìn)行關(guān)節(jié)分類，獲得各類關(guān)節(jié)樣本集；

從每個(gè)抓取樣本中提取出各個(gè)關(guān)節(jié)樣本，每個(gè)關(guān)節(jié)樣本包括距離和控制值向量，所述關(guān)節(jié)樣本中的距離是指運(yùn)載機(jī)器人基座所在的固定抓取點(diǎn)與抓取臺(tái)底端邊緣之間的距離，所述關(guān)節(jié)樣本中的控制向量，是指運(yùn)載機(jī)器人基座位于固定抓取點(diǎn)時(shí)，完成抓取任務(wù)過程中對(duì)應(yīng)的關(guān)節(jié)控制值向量，向量大小為1*m；

依據(jù)關(guān)節(jié)控制值變化幅度a％，對(duì)抓取樣本集對(duì)應(yīng)的所有關(guān)節(jié)樣本進(jìn)行分類：

若a％<20％，該類關(guān)節(jié)作為第一類關(guān)節(jié)；

若20％≤a％≤50％，該類關(guān)節(jié)作為第二類關(guān)節(jié)；

若a％>50％，該類關(guān)節(jié)作為第三類關(guān)節(jié)；

每個(gè)關(guān)節(jié)樣本的關(guān)節(jié)控制值變化幅度a％是指每個(gè)關(guān)節(jié)在一次抓取過程所有動(dòng)作中的最大控制值和最小控制值之差與對(duì)應(yīng)關(guān)節(jié)的控制量程之比；

n組關(guān)節(jié)樣本被劃分成三類；

步驟3：利用步驟2得到的關(guān)節(jié)樣本集構(gòu)建運(yùn)載機(jī)器人手臂關(guān)節(jié)控制值的預(yù)測模型；

依次各類關(guān)節(jié)樣本集中的每個(gè)關(guān)節(jié)樣本的距離和控制值向量分別作為訓(xùn)練模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行訓(xùn)練，構(gòu)建預(yù)測模型，包括第一類關(guān)節(jié)預(yù)測模型、第二類關(guān)節(jié)預(yù)測模型以及第三類關(guān)節(jié)預(yù)測模型；

其中，第一類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為基于elman神經(jīng)網(wǎng)絡(luò)模型；

第二類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為多核支持向量機(jī)mksvm模型；

第三類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為小波神經(jīng)網(wǎng)絡(luò)模型；

運(yùn)用多種優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)的組合對(duì)手臂的抓取進(jìn)行控制，針對(duì)不同關(guān)節(jié)選擇精度更加高的組合進(jìn)行預(yù)測，提高了系統(tǒng)的穩(wěn)定性；

步驟4：利用運(yùn)載機(jī)器人基座所在固定抓取點(diǎn)與抓取臺(tái)底端邊緣之間的距離作為三類關(guān)節(jié)預(yù)測模型的輸入值，分別得到各個(gè)關(guān)節(jié)的控制值，輸出運(yùn)載機(jī)器人手臂所有關(guān)節(jié)的控制值，完成抓取任務(wù)控制。

進(jìn)一步的，所述第一類關(guān)節(jié)預(yù)測模型以第一類關(guān)節(jié)樣本集中各關(guān)節(jié)樣本的距離和控制值向量分別作為elman神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行訓(xùn)練后，獲得的基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型；

所述基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型輸入層節(jié)點(diǎn)個(gè)數(shù)為2，隱含層個(gè)數(shù)為5，輸出層節(jié)點(diǎn)個(gè)數(shù)為2，承接層節(jié)點(diǎn)個(gè)數(shù)為5；隱含層函數(shù)采用tansig函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)采用logsig函數(shù)；訓(xùn)練過程中的最大迭代次數(shù)設(shè)置為100，訓(xùn)練學(xué)習(xí)率為0.1，閾值為0.001；

所述基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型的權(quán)值和閾值采用自適應(yīng)慣性權(quán)重磷蝦群算法akh尋優(yōu)獲得。

進(jìn)一步的，所述基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型的權(quán)值和閾值采用自適應(yīng)慣性權(quán)重磷蝦群算法akh尋優(yōu)獲得的過程如下：

步驟3.1：以磷蝦個(gè)體位置作為基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型的權(quán)值和閾值，隨機(jī)初始化磷蝦種群并設(shè)置磷蝦種群參數(shù)；

磷蝦種群包含多個(gè)磷蝦個(gè)體；

磷蝦種群規(guī)模的取值范圍為[20，200]，誘導(dǎo)慣性權(quán)重wn的取值范圍為[0.5,0.7]，覓食慣性權(quán)重wf的取值范圍為[0.5,0.7]，最大誘導(dǎo)速度的取值范圍為[0.02,0.08]，最大覓食速度的取值范圍為[0.02,0.08]，最大擴(kuò)散速度的取值范圍為[0.002,0.01]，步長縮放因子的取值范圍為[0.1,0.5]，最大迭代次數(shù)t的取值范圍為[200，1000]，搜索精度的取值范圍為[0.001,0.1]；步驟3.2：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)磷蝦個(gè)體位置和迭代次數(shù)t，t＝1；

將磷蝦個(gè)體位置對(duì)應(yīng)的權(quán)值和閾值代入基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型中，并利用磷蝦位置確定的基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型計(jì)算第一類關(guān)節(jié)樣本集中每個(gè)關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值，將所有關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值和實(shí)際值的均方差mse的倒數(shù)作為第一適應(yīng)度函數(shù)f1(x)；

利用第一適應(yīng)度函數(shù)計(jì)算每個(gè)磷蝦個(gè)體位置的適應(yīng)度，以最大適應(yīng)度對(duì)應(yīng)的磷蝦個(gè)體位置作為初始最優(yōu)磷蝦個(gè)體位置

步驟3.3：利用每個(gè)磷蝦個(gè)體的當(dāng)前的誘導(dǎo)速度、覓食速度以及擴(kuò)散速度，更新每個(gè)磷蝦個(gè)體的運(yùn)動(dòng)速度和位置；

步驟3.4：對(duì)每個(gè)更新后的磷蝦個(gè)體位置進(jìn)行基于遺傳算法的交叉操作，交叉因子的取值范圍為[0.3，0.5]；

進(jìn)行交叉操作，以增加種群的多樣性；

步驟3.5：計(jì)算當(dāng)前磷蝦種群中每個(gè)磷蝦個(gè)體位置的適應(yīng)度，以當(dāng)前磷蝦種群中最大適應(yīng)度對(duì)應(yīng)的磷蝦個(gè)體位置作為當(dāng)前最優(yōu)磷蝦個(gè)體位置

步驟3.6：依據(jù)當(dāng)前最優(yōu)磷蝦個(gè)體的適應(yīng)度值和前一次迭代過程中的最優(yōu)磷蝦個(gè)體的適應(yīng)度值按照以下公式，對(duì)磷蝦個(gè)體的慣性權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整，并更新磷蝦個(gè)體的誘導(dǎo)速度和覓食速度：

其中，所述磷蝦個(gè)體的慣性權(quán)重包括誘導(dǎo)速度慣性權(quán)重和覓食速度慣性權(quán)重，wn和wf分別表示初始化的誘導(dǎo)速度慣性權(quán)重和覓食速度慣性權(quán)重，和分別表示在第t次迭代后，磷蝦個(gè)體的誘導(dǎo)速度慣性權(quán)重和覓食速度慣性權(quán)重；

步驟3.7：判斷是否滿足達(dá)到搜索精度或者最大迭代次數(shù)，若不滿足，則令t＝t+1，返回步驟3.3，否則，輸出當(dāng)前最優(yōu)的磷蝦個(gè)體位置，得到基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型的最優(yōu)權(quán)值和閾值；

所述達(dá)到搜索精度是指當(dāng)前最優(yōu)磷蝦個(gè)體的適應(yīng)度值和前一次迭代過程中的最優(yōu)磷蝦個(gè)體的適應(yīng)度值之差小于設(shè)定的搜索精度。

進(jìn)一步的，所述第二類關(guān)節(jié)預(yù)測模型以第二類關(guān)節(jié)樣本集中各關(guān)節(jié)樣本的距離和控制值向量分別作為多核支持向量機(jī)mksvm模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行訓(xùn)練后，獲得的基于多核支持向量機(jī)mksvm的第二類關(guān)節(jié)控制預(yù)測模型；

所述基于多核支持向量機(jī)mksvm的第二類關(guān)節(jié)控制預(yù)測模型的核函數(shù)為高斯函數(shù)，參數(shù)c、g和d采用改進(jìn)狼群算法尋優(yōu)獲得。

進(jìn)一步的，所述基于多核支持向量機(jī)mksvm的第二類關(guān)節(jié)控制預(yù)測模型的參數(shù)c、g和d采用改進(jìn)狼群算法尋優(yōu)獲得的過程如下：

步驟5.1：以個(gè)體狼的位置作為基于多核支持向量機(jī)mksvm的第二類關(guān)節(jié)控制預(yù)測模型的參數(shù)c、g和d，初始化狼群并設(shè)置狼群參數(shù)；

狼群包含多只個(gè)體狼；

狼群規(guī)模的取值范圍為[20，200]，狼的視覺半徑的取值范圍[1,5]，可記憶步數(shù)為1，逃跑概率的取值范圍為[0.02，0.08]，最大搜索精度的取值范圍為[0.005,0.1]，最大迭代次數(shù)的取值范圍[500,1000]；

步驟5.2：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)頭狼位置和迭代次數(shù)t，t＝1；

將個(gè)體狼位置對(duì)應(yīng)的參數(shù)c、g和d代入基于多核支持向量機(jī)mksvm的第二類關(guān)節(jié)控制預(yù)測模型中，并利用個(gè)體狼位置確定的基于多核支持向量機(jī)mksvm的第二類關(guān)節(jié)控制預(yù)測模型計(jì)算第二類關(guān)節(jié)樣本集中每個(gè)關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值，將所有關(guān)節(jié)樣本的控制預(yù)測值和實(shí)際值的均方差mse的倒數(shù)作為第二適應(yīng)度函數(shù)f2(x)；

利用第二適應(yīng)度函數(shù)計(jì)算每匹個(gè)體狼位置的適應(yīng)度，以最大適應(yīng)度對(duì)應(yīng)的個(gè)體狼位置作為初始最優(yōu)頭狼位置；

步驟5.3：尋找每匹個(gè)體狼的第一次更新位置，以第一次更新位置更新個(gè)體狼位置，并以所有個(gè)體狼的第一次更新位置，更新狼群最優(yōu)頭狼位置，j＝1，j表示個(gè)體狼位置更新次數(shù)；

按照公式(1)計(jì)算每匹個(gè)體狼的第一次更新位置x¹(t)，并判斷計(jì)算得到的第一次更新位置是否為從未達(dá)到過的新位置，若到達(dá)過，則重復(fù)步驟5.3直到重新獲得第一次更新位置，若未到達(dá)過，則利用個(gè)體狼的第一個(gè)更新位置計(jì)算得適應(yīng)度；

x^j(t)＝x^j-1(t)+β(r)(p(t)-x^j-1(t))+rand()(1)

其中，x^j-1(t)和x^j(t)表示個(gè)體狼在第t次迭代過程中的第j-1次更新位置和第j次更新位置，x⁰(t)表示個(gè)體狼在第t次迭代過程中迭代操作開始前的初始位置；β(r)為中間計(jì)算量，t和gen分別表示當(dāng)前迭代次數(shù)和最大迭代次數(shù)，w為大于2的常數(shù)，β0為最大激勵(lì)因子，取正數(shù)，r表示當(dāng)前個(gè)體狼位置x⁰(t)的視野范圍內(nèi)適應(yīng)度最好的同伴個(gè)體狼位置的適應(yīng)度f2(p(t))與當(dāng)前個(gè)體狼位置的適應(yīng)度f2(x⁰(t))之差的絕對(duì)值，r＝|f2(p(t)-f2(x⁰(t))|；rand()為[0,1]中的一個(gè)隨機(jī)數(shù)；

更新個(gè)體狼最優(yōu)位置是指個(gè)體狼最新的位置的適應(yīng)度優(yōu)于個(gè)體狼當(dāng)前個(gè)體最優(yōu)位置的適應(yīng)度，則以最新的位置作為個(gè)體最優(yōu)位置；

更新狼群頭狼最優(yōu)位置是指狼群中某匹狼最新的位置的適應(yīng)度優(yōu)于當(dāng)前狼群最優(yōu)頭狼位置的適應(yīng)度，則以最新的位置作為狼群最優(yōu)頭狼位置；

步驟5.4：判斷每個(gè)個(gè)體狼的第一次更新位置是否滿足以下條件，進(jìn)行第二次位置更新，更新個(gè)體狼最優(yōu)位置，j＝2：

第一次更新位置在其視野范圍內(nèi)且第一次更新位置的適應(yīng)度優(yōu)于其初始位置的適應(yīng)度；

若滿足，則令個(gè)體狼按照公式(1)尋找第二次更新位置x²(t)，當(dāng)?shù)诙胃挛恢玫倪m應(yīng)度優(yōu)于當(dāng)前個(gè)體狼最優(yōu)位置的適應(yīng)度，利用第二次更新位置作為個(gè)體狼最優(yōu)位置，進(jìn)入步驟5.5獲取第三次更新位置；

若不滿足，則第二次更新位置與第一次更新位置相同，個(gè)體狼位置不變，并轉(zhuǎn)到步驟5.6，獲取第三次更新位置；

步驟5.5：按公式(2)尋找滿足步驟5.4中所述條件的個(gè)體狼在其視野范圍內(nèi)的第三次更新位置，更新個(gè)體狼最優(yōu)位置和狼群頭狼最優(yōu)位置，j＝3，進(jìn)入步驟5.7；

x³(t)＝x²(t)+rand().v.(gbest-x²(t))(2)

其中：x²(t)、x³(t)表示個(gè)體狼在第t次迭代過程中的第二次更新位置和第三次更新位置；gbest為狼群當(dāng)前最優(yōu)頭狼位置；v為狼的視覺半徑；rand()為[-1,1]中的一個(gè)隨機(jī)數(shù)；

步驟5.6:按照公式(3)尋找不滿足步驟5.4中所述條件的個(gè)體狼的第三次更新位置x³(t)，更新狼群頭狼最優(yōu)位置，j＝3，進(jìn)入步驟5.7；

x³(t)＝x²(t)+escape().s.(xc(t)-x²(t))(3)

其中，xc(t)表示第t次迭代過程中，所有個(gè)體狼進(jìn)行第二次更新后，狼群的質(zhì)心位置；s為狼的移動(dòng)步長，s≤v；escape()為隨機(jī)函數(shù)；

步驟5.7依適應(yīng)度值將經(jīng)過三次更新后的所有個(gè)體狼從低到高進(jìn)行排序；

步驟5.8將排在前面的n+1個(gè)個(gè)體狼按非線性單純法nm方法搜索每個(gè)個(gè)體的最優(yōu)位置，其余的個(gè)體重復(fù)步驟5.4-步驟5.6搜索每個(gè)個(gè)體狼最優(yōu)位置，得到最優(yōu)狼群；從最優(yōu)狼群中選取全局最優(yōu)頭狼位置；

其中，n為隨機(jī)正整數(shù)；

步驟5.9判斷是否達(dá)到最大迭代次數(shù)或者達(dá)到最大搜索精度，若達(dá)到，則輸出全局最優(yōu)頭狼位置對(duì)應(yīng)的基于多核支持向量機(jī)mksvm的第二類關(guān)節(jié)控制預(yù)測模型的參數(shù)c、g和d；否則，令t+1，轉(zhuǎn)到步驟5.3，進(jìn)行下一次迭代。

進(jìn)一步的，所述第三類關(guān)節(jié)預(yù)測模型以第三類關(guān)節(jié)樣本集中各關(guān)節(jié)樣本的距離和控制值向量分別作為小波神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行訓(xùn)練后，獲得的基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型；

所述基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型的輸入層節(jié)點(diǎn)個(gè)數(shù)為2，隱含層小波元個(gè)數(shù)為4，輸出層節(jié)點(diǎn)個(gè)數(shù)為4，隱層小波神經(jīng)元采用mexicanhat小波函數(shù)，輸出層節(jié)點(diǎn)采用sigmoid函數(shù)；訓(xùn)練過程中的最大迭代次數(shù)設(shè)置為1000，訓(xùn)練學(xué)習(xí)率為0.1，閾值為0.00004；

所述基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型的權(quán)值、閾值和伸縮平移系數(shù)采用混沌蝙蝠算法尋優(yōu)獲得。

進(jìn)一步的，所述基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型的權(quán)值、閾值和伸縮平移系數(shù)采用混沌蝙蝠算法尋優(yōu)獲得的過程如下：

步驟7.1：以蝙蝠個(gè)體位置作為基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型的權(quán)值、閾值和伸縮平移系數(shù)，初始化蝙蝠種群，并設(shè)置蝙蝠種群參數(shù)；

蝙蝠種群規(guī)模的取值范圍為[200，500]，蝙蝠個(gè)體最大脈沖頻度r0的取值范圍為[0.25,0.5]，最大脈沖聲音強(qiáng)度a0的取值范圍為[0.25,0.5]，最大迭代次數(shù)的取值范圍為[150，300]，搜索精度的取值范圍為[0.001,0.1]，脈沖頻率的取值范圍為[0,1.5]，蝙蝠搜索頻度增加系數(shù)的取值范圍為[0.02,0.08]，聲音強(qiáng)度衰減系數(shù)的取值范圍為[0.8，0.96]，最大迭代次數(shù)的取值范圍為[100,500]，最大搜索精度的取值范圍為[0.01,0.1]；

步驟7.2:設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)蝙蝠個(gè)體位置和迭代次數(shù)t，t＝1；

將蝙蝠個(gè)體位置對(duì)應(yīng)的權(quán)值、閾值和伸縮平移系數(shù)代入基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型中，并利用蝙蝠個(gè)體位置確定的基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型計(jì)算第二類關(guān)節(jié)樣本集中每個(gè)關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值，將所有關(guān)節(jié)樣本的控制預(yù)測值和實(shí)際值的差值e構(gòu)建第三適應(yīng)度函數(shù)f3(x)，f3(x)＝1/(e+1)；

利用第三適應(yīng)度函數(shù)計(jì)算每只蝙蝠個(gè)體位置的適應(yīng)度，以最大適應(yīng)度對(duì)應(yīng)的蝙蝠個(gè)體位置作為初始最優(yōu)蝙蝠個(gè)體位置；

步驟7.3:利用設(shè)定的脈沖頻率對(duì)蝙蝠個(gè)體的速度以及位置進(jìn)行更新；

步驟7.4:若rand1>ri，則對(duì)處于個(gè)體最優(yōu)位置的蝙蝠進(jìn)行隨機(jī)擾動(dòng)，生成蝙蝠個(gè)體的擾動(dòng)位置；

其中，rand1為在[0,1]上均勻分布的隨機(jī)數(shù)，ri為第i只蝙蝠的脈沖頻度；

步驟7.5:若rand2>ai，蝙蝠個(gè)體的擾動(dòng)位置的適應(yīng)度優(yōu)于擾動(dòng)前的蝙蝠個(gè)體位置的適應(yīng)度，則將蝙蝠個(gè)體移動(dòng)到擾動(dòng)位置，否則保持原位；

其中，rand2為在[0,1]上均勻分布的隨機(jī)數(shù)，ai為第i只蝙蝠的聲音強(qiáng)度；

步驟7.6:如果步驟7.5條件得到滿足，則利用蝙蝠搜索頻度增加系數(shù)和聲音強(qiáng)度衰減系數(shù)更新蝙蝠個(gè)體的脈沖頻度和脈沖脈沖聲音強(qiáng)度，并跳轉(zhuǎn)步驟7.1，否則跳轉(zhuǎn)到步驟7.7；

步驟7.7:計(jì)算當(dāng)前蝙蝠種群中每個(gè)蝙蝠個(gè)體位置的適應(yīng)度，按照由大到小的順序選出前m％個(gè)蝙蝠個(gè)體進(jìn)行位置和速度的混沌優(yōu)化，得到更新后的前m％個(gè)蝙蝠個(gè)體，m的取值范圍為[5,20]；

混沌優(yōu)化使種群個(gè)體多樣性增加，跳出局部最優(yōu)繼續(xù)迭代搜索；

步驟7.8:判斷是否達(dá)到最大迭代次數(shù)或者達(dá)到最大搜索精度，若是，則從更新后的前m％個(gè)蝙蝠個(gè)體中依據(jù)適應(yīng)度值選出全局最優(yōu)蝙蝠個(gè)體，輸出全局最優(yōu)蝙蝠個(gè)體對(duì)應(yīng)的基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型的最佳權(quán)值、閾值和伸縮平移系數(shù)，否則，令t＝t+1，轉(zhuǎn)到步驟7.3繼續(xù)下一次迭代。

一種運(yùn)載機(jī)器人手臂操控多點(diǎn)映射智能控制系統(tǒng)，采用上述的方法對(duì)運(yùn)載機(jī)器人手臂進(jìn)行控制，包括：

抓取樣本集獲取單元，通過運(yùn)載機(jī)器人位于指定抓取距離區(qū)間內(nèi)的固定抓取點(diǎn)時(shí)，利用遠(yuǎn)程服務(wù)器控制運(yùn)載機(jī)器人手臂進(jìn)行多次抓取訓(xùn)練，獲得運(yùn)載機(jī)器人在不同固定抓取點(diǎn)完成抓取任務(wù)的多個(gè)抓取樣本；

每個(gè)抓取樣本包括運(yùn)載機(jī)器人基座所在固定抓取點(diǎn)與抓取臺(tái)底端邊緣之間的距離和完成抓取任務(wù)過程中所有關(guān)節(jié)的控制值矩陣，所述所有關(guān)節(jié)的控制值矩陣大小為n*m，n表示運(yùn)載機(jī)器人手臂關(guān)節(jié)個(gè)數(shù)，m表示抓取過程手臂動(dòng)作次數(shù)；

三類關(guān)節(jié)樣本集分類單元，依據(jù)各手臂關(guān)節(jié)控制值的變化幅度a％對(duì)抓取樣本集中進(jìn)行關(guān)節(jié)分類，獲得各類關(guān)節(jié)樣本集；

從每個(gè)抓取樣本中提取出各個(gè)關(guān)節(jié)樣本，每個(gè)關(guān)節(jié)樣本包括距離和控制值向量，所述關(guān)節(jié)樣本中的距離是指運(yùn)載機(jī)器人基座所在的固定抓取點(diǎn)與抓取臺(tái)底端邊緣之間的距離，所述關(guān)節(jié)樣本中的控制向量，是指運(yùn)載機(jī)器人基座位于固定抓取點(diǎn)時(shí)，完成抓取任務(wù)過程中對(duì)應(yīng)的關(guān)節(jié)控制值向量，向量大小為1*m；

依據(jù)關(guān)節(jié)控制值變化幅度a％，對(duì)抓取樣本集對(duì)應(yīng)的所有關(guān)節(jié)樣本進(jìn)行分類：

若a％<20％，該類關(guān)節(jié)作為第一類關(guān)節(jié)；

若20％≤a％≤50％，該類關(guān)節(jié)作為第二類關(guān)節(jié)；

若a％>50％，該類關(guān)節(jié)作為第三類關(guān)節(jié)

每個(gè)關(guān)節(jié)樣本的關(guān)節(jié)控制值變化幅度a％是指每個(gè)關(guān)節(jié)在一次抓取過程所有動(dòng)作中的最大控制值和最小控制值之差與對(duì)應(yīng)關(guān)節(jié)的控制量程之比；

手臂關(guān)節(jié)控制值預(yù)測模型構(gòu)建單元，利用三類關(guān)節(jié)樣本集分類單元得到的各類關(guān)節(jié)樣本集分別輸入訓(xùn)練模型進(jìn)行訓(xùn)練，構(gòu)建運(yùn)載機(jī)器人手臂關(guān)節(jié)控制值的預(yù)測模型；

所述訓(xùn)練過程是指將各類關(guān)節(jié)樣本集中的每個(gè)關(guān)節(jié)樣本的距離和控制值向量分別作為訓(xùn)練模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行訓(xùn)練，得到預(yù)測模型；

所述手臂關(guān)節(jié)控制值預(yù)測模型包括第一類關(guān)節(jié)預(yù)測模型、第二類關(guān)節(jié)預(yù)測模型以及第三類關(guān)節(jié)預(yù)測模型；

其中，第一類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為基于elman神經(jīng)網(wǎng)絡(luò)模型；

第二類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為多核支持向量機(jī)mksvm模型；

第三類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為小波神經(jīng)網(wǎng)絡(luò)模型；

控制單元，利用運(yùn)載機(jī)器人基座所在固定抓取點(diǎn)與抓取臺(tái)底端邊緣之間的距離作為三類關(guān)節(jié)預(yù)測模型的輸入值，分別得到各個(gè)關(guān)節(jié)的控制值，輸出運(yùn)載機(jī)器人手臂所有關(guān)節(jié)的控制值，進(jìn)行抓取任務(wù)控制。

進(jìn)一步地，所述指定區(qū)域設(shè)置為運(yùn)載機(jī)器人基座與抓取臺(tái)底部邊緣距離18-28cm的直線區(qū)域內(nèi)。

進(jìn)一步地，所述運(yùn)載機(jī)器人基座與抓取臺(tái)底部邊緣距離采用運(yùn)載機(jī)器人自帶的超聲波傳感器進(jìn)行測量，且所述超聲波傳感器位于運(yùn)載機(jī)器人基座的兩側(cè)，對(duì)稱設(shè)置。

運(yùn)載機(jī)器人基座的超聲波傳感器是一般用作避障，本發(fā)明不需要在運(yùn)載機(jī)器人身上增加任何距離測量裝置，擴(kuò)展了自帶的超聲波傳感器用途。

有益效果

1、運(yùn)用該控制方法，建立了機(jī)器人基座、抓取臺(tái)之間距離與機(jī)器人手臂姿態(tài)之間的映射，而不需要建立復(fù)雜的運(yùn)動(dòng)學(xué)方程。同時(shí)，手臂關(guān)節(jié)處電機(jī)的更換不會(huì)造成神經(jīng)網(wǎng)絡(luò)訓(xùn)練的失效，方便了機(jī)器人的維護(hù)。

2、獲取樣本的方法更加便捷。利用遠(yuǎn)程服務(wù)器控制機(jī)器人手臂進(jìn)行抓取，記錄下距離和對(duì)應(yīng)的關(guān)節(jié)控制值，避免了求解動(dòng)力學(xué)方程。

3、操控精度高，控制靈活。根據(jù)樣本記錄的關(guān)節(jié)控制值，分析各個(gè)關(guān)節(jié)在抓取中的變化幅度，將關(guān)節(jié)分為三類，并且對(duì)這三類關(guān)節(jié)采用了不同的優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)組合進(jìn)行訓(xùn)練和預(yù)測。

4.機(jī)器人基座的超聲波傳感器一般用作避障，本發(fā)明所述方案避開了常規(guī)思考，結(jié)合應(yīng)用需求，不需要在機(jī)器人身上增加任何裝置，將自帶的超聲波傳感器開發(fā)出一種新的用途。

附圖說明

圖1為運(yùn)載機(jī)器人抓取過程示意圖；

圖2為elman神經(jīng)網(wǎng)絡(luò)模型

圖3為小波神經(jīng)網(wǎng)絡(luò)模型

圖4為本發(fā)明所述方法的機(jī)器人手臂抓取控制流程圖

具體實(shí)施方式

下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步的說明。

運(yùn)載機(jī)器人抓取過程示意圖如圖1所示；機(jī)器人手臂抓取控制流程圖如圖4所示。

一種運(yùn)載機(jī)器人手臂操控多點(diǎn)映射智能控制方法，包括以下步驟：

步驟1：當(dāng)運(yùn)載機(jī)器人位于指定抓取距離區(qū)間內(nèi)的固定抓取點(diǎn)時(shí)，利用遠(yuǎn)程服務(wù)器控制運(yùn)載機(jī)器人手臂進(jìn)行多次抓取訓(xùn)練，獲得包含50組運(yùn)載機(jī)器人在不同固定抓取點(diǎn)完成抓取任務(wù)的抓取樣本的樣本集；

每個(gè)抓取樣本包括運(yùn)載機(jī)器人基座所在固定抓取點(diǎn)與抓取臺(tái)底端邊緣之間的距離和完成抓取任務(wù)過程中所有關(guān)節(jié)的控制值矩陣，所述所有關(guān)節(jié)的控制值矩陣大小為8*10，8表示運(yùn)載機(jī)器人手臂關(guān)節(jié)個(gè)數(shù)，10表示抓取過程手臂動(dòng)作次數(shù)；

步驟2：依據(jù)各手臂關(guān)節(jié)控制值的變化幅度a％對(duì)抓取樣本集中進(jìn)行關(guān)節(jié)分類，獲得各類關(guān)節(jié)樣本集；

從每個(gè)抓取樣本中提取出各個(gè)關(guān)節(jié)樣本，每個(gè)關(guān)節(jié)樣本包括距離和控制值向量，所述關(guān)節(jié)樣本中的距離是指運(yùn)載機(jī)器人基座所在的固定抓取點(diǎn)與抓取臺(tái)底端邊緣之間的距離，所述關(guān)節(jié)樣本中的控制向量，是指運(yùn)載機(jī)器人基座位于固定抓取點(diǎn)時(shí)，完成抓取任務(wù)過程中對(duì)應(yīng)的關(guān)節(jié)控制值向量，向量大小為1*10；

依據(jù)關(guān)節(jié)控制值變化幅度a％，對(duì)抓取樣本集對(duì)應(yīng)的所有關(guān)節(jié)樣本進(jìn)行分類：

若a％<20％，該類關(guān)節(jié)作為第一類關(guān)節(jié)；

若20％≤a％≤50％，該類關(guān)節(jié)作為第二類關(guān)節(jié)；

若a％>50％，該類關(guān)節(jié)作為第三類關(guān)節(jié)；

每個(gè)關(guān)節(jié)樣本的關(guān)節(jié)控制值變化幅度a％是指每個(gè)關(guān)節(jié)在一次抓取過程所有動(dòng)作中的最大控制值和最小控制值之差與對(duì)應(yīng)關(guān)節(jié)的控制量程之比；

步驟3：利用步驟2得到的50組關(guān)節(jié)樣本集構(gòu)建運(yùn)載機(jī)器人手臂關(guān)節(jié)控制值的預(yù)測模型；

依次各類關(guān)節(jié)樣本集中的每個(gè)關(guān)節(jié)樣本的距離和控制值向量分別作為訓(xùn)練模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行訓(xùn)練，構(gòu)建預(yù)測模型，包括第一類關(guān)節(jié)預(yù)測模型、第二類關(guān)節(jié)預(yù)測模型以及第三類關(guān)節(jié)預(yù)測模型；

其中，第一類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為基于elman神經(jīng)網(wǎng)絡(luò)模型；

圖2所示，第一類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為基于elman神經(jīng)網(wǎng)絡(luò)模型；

第一類關(guān)節(jié)預(yù)測模型以第一類關(guān)節(jié)樣本集中各關(guān)節(jié)樣本的距離和控制值向量分別作為elman神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行訓(xùn)練后，獲得的基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型；

所述基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型輸入層節(jié)點(diǎn)個(gè)數(shù)為2，隱含層個(gè)數(shù)為5，輸出層節(jié)點(diǎn)個(gè)數(shù)為2，承接層節(jié)點(diǎn)個(gè)數(shù)為5；隱含層函數(shù)采用tansig函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)采用logsig函數(shù)；訓(xùn)練過程中的最大迭代次數(shù)設(shè)置為100，訓(xùn)練學(xué)習(xí)率為0.1，閾值為0.001；

基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型的權(quán)值和閾值采用自適應(yīng)慣性權(quán)重磷蝦群算法akh尋優(yōu)獲得。

所述基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型的權(quán)值和閾值采用自適應(yīng)慣性權(quán)重磷蝦群算法akh尋優(yōu)獲得的過程如下：

步驟3.1：以磷蝦個(gè)體位置作為基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型的權(quán)值和閾值，隨機(jī)初始化磷蝦種群并設(shè)置磷蝦種群參數(shù)；

磷蝦種群規(guī)模的取值范圍為[20，200]，誘導(dǎo)慣性權(quán)重wn的取值范圍為[0.5,0.7]，覓食慣性權(quán)重wf的取值范圍為[0.5,0.7]，最大誘導(dǎo)速度的取值范圍為[0.02,0.08]，最大覓食速度的取值范圍為[0.02,0.08]，最大擴(kuò)散速度的取值范圍為[0.002,0.01]，步長縮放因子的取值范圍為[0.1,0.5]，最大迭代次數(shù)t的取值范圍為[200，1000]，搜索精度的取值范圍為[0.001,0.1]；

步驟3.2：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)磷蝦個(gè)體位置和迭代次數(shù)t，t＝1；

將磷蝦個(gè)體位置對(duì)應(yīng)的權(quán)值和閾值代入基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型中，并利用磷蝦位置確定的基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型計(jì)算第一類關(guān)節(jié)樣本集中每個(gè)關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值，將所有關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值和實(shí)際值的均方差mse的倒數(shù)作為第一適應(yīng)度函數(shù)f1(x)；

利用第一適應(yīng)度函數(shù)計(jì)算每個(gè)磷蝦個(gè)體位置的適應(yīng)度，以最大適應(yīng)度對(duì)應(yīng)的磷蝦個(gè)體位置作為初始最優(yōu)磷蝦個(gè)體位置

步驟3.3：利用每個(gè)磷蝦個(gè)體的當(dāng)前的誘導(dǎo)速度、覓食速度以及擴(kuò)散速度，更新每個(gè)磷蝦個(gè)體的運(yùn)動(dòng)速度和位置；

步驟3.4：對(duì)每個(gè)更新后的磷蝦個(gè)體位置進(jìn)行基于遺傳算法的交叉操作，交叉因子的取值范圍為[0.3，0.5]；

步驟3.5：計(jì)算當(dāng)前磷蝦種群中每個(gè)磷蝦個(gè)體位置的適應(yīng)度，以當(dāng)前磷蝦種群中最大適應(yīng)度對(duì)應(yīng)的磷蝦個(gè)體位置作為當(dāng)前最優(yōu)磷蝦個(gè)體位置

步驟3.6：依據(jù)當(dāng)前最優(yōu)磷蝦個(gè)體的適應(yīng)度值和前一次迭代過程中的最優(yōu)磷蝦個(gè)體的適應(yīng)度值按照以下公式，對(duì)磷蝦個(gè)體的慣性權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整，并更新磷蝦個(gè)體的誘導(dǎo)速度和覓食速度：

其中，所述磷蝦個(gè)體的慣性權(quán)重包括誘導(dǎo)速度慣性權(quán)重和覓食速度慣性權(quán)重，wn和wf分別表示初始化的誘導(dǎo)速度慣性權(quán)重和覓食速度慣性權(quán)重，和分別表示在第t次迭代后，磷蝦個(gè)體的誘導(dǎo)速度慣性權(quán)重和覓食速度慣性權(quán)重；

步驟3.7：判斷是否滿足達(dá)到搜索精度或者最大迭代次數(shù)，若不滿足，則令t＝t+1，返回步步驟3否則，輸出當(dāng)前最優(yōu)的磷蝦個(gè)體位置，得到基于elman神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)控制預(yù)測模型的最優(yōu)權(quán)值和閾值；

所述達(dá)到搜索精度是指當(dāng)前最優(yōu)磷蝦個(gè)體的適應(yīng)度值和前一次迭代過程中的最優(yōu)磷蝦個(gè)體的適應(yīng)度值之差小于設(shè)定的搜索精度。

第二類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為多核支持向量機(jī)mksvm模型；

所述第二類關(guān)節(jié)預(yù)測模型以第二類關(guān)節(jié)樣本集中各關(guān)節(jié)樣本的距離和控制值向量分別作為多核支持向量機(jī)mksvm模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行訓(xùn)練后，獲得的基于多核支持向量機(jī)mksvm的第二類關(guān)節(jié)控制預(yù)測模型；

所述基于多核支持向量機(jī)mksvm的第二類關(guān)節(jié)控制預(yù)測模型的核函數(shù)為高斯函數(shù)，參數(shù)c、g和d采用改進(jìn)狼群算法尋優(yōu)獲得。

所述基于多核支持向量機(jī)mksvm的第二類關(guān)節(jié)控制預(yù)測模型的參數(shù)c、g和d采用改進(jìn)狼群算法尋優(yōu)獲得的過程如下：

步驟5.1：以個(gè)體狼的位置作為基于多核支持向量機(jī)mksvm的第二類關(guān)節(jié)控制預(yù)測模型的參數(shù)c、g和d，初始化狼群并設(shè)置狼群參數(shù)；

狼群規(guī)模的取值范圍為[20，200]，狼的視覺半徑的取值范圍[1,5]，可記憶步數(shù)為1，逃跑概率的取值范圍為[0.02，0.08]，最大搜索精度的取值范圍為[0.005,0.1]，最大迭代次數(shù)的取值范圍[500,1000]；

步驟5.2：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)頭狼位置和迭代次數(shù)t，t＝1；

將個(gè)體狼位置對(duì)應(yīng)的參數(shù)c、g和d代入基于多核支持向量機(jī)mksvm的第二類關(guān)節(jié)控制預(yù)測模型中，并利用個(gè)體狼位置確定的基于多核支持向量機(jī)mksvm的第二類關(guān)節(jié)控制預(yù)測模型計(jì)算第二類關(guān)節(jié)樣本集中每個(gè)關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值，將所有關(guān)節(jié)樣本的控制預(yù)測值和實(shí)際值的均方差mse的倒數(shù)作為第二適應(yīng)度函數(shù)f2(x)；

利用第二適應(yīng)度函數(shù)計(jì)算每匹個(gè)體狼位置的適應(yīng)度，以最大適應(yīng)度對(duì)應(yīng)的個(gè)體狼位置作為初始最優(yōu)頭狼位置；

步驟5.3：尋找每匹個(gè)體狼的第一次更新位置，以第一次更新位置更新個(gè)體狼位置，并以所有個(gè)體狼的第一次更新位置，更新狼群最優(yōu)頭狼位置，j＝1，j表示個(gè)體狼位置更新次數(shù)；

按照公式(1)計(jì)算每匹個(gè)體狼的第一次更新位置x¹(t)，并判斷計(jì)算得到的第一次更新位置是否為從未達(dá)到過的新位置，若到達(dá)過，則重復(fù)步驟5.3直到重新獲得第一次更新位置，若未到達(dá)過，則利用個(gè)體狼的第一個(gè)更新位置計(jì)算得適應(yīng)度；

x^j(t)＝x^j-1(t)+β(r)(p(t)-x^j-1(t))+rand()(1)

其中，x^j-1(t)和x^j(t)表示個(gè)體狼在第t次迭代過程中的第j-1次更新位置和第j次更新位置，x⁰(t)表示個(gè)體狼在第t次迭代過程中迭代操作開始前的初始位置；β(r)為中間計(jì)算量，t和gen分別表示當(dāng)前迭代次數(shù)和最大迭代次數(shù)，w為大于2的常數(shù)，β0為最大激勵(lì)因子，取正數(shù)，r表示當(dāng)前個(gè)體狼位置x⁰(t)的視野范圍內(nèi)適應(yīng)度最好的同伴個(gè)體狼位置的適應(yīng)度f2(p(t))與當(dāng)前個(gè)體狼位置的適應(yīng)度f2(x⁰(t))之差的絕對(duì)值，r＝|f2(p(t)-f2(x⁰(t))|；rand()為[0,1]中的一個(gè)隨機(jī)數(shù)；

步驟5.4：判斷每個(gè)個(gè)體狼的第一次更新位置是否滿足以下條件，進(jìn)行第二次位置更新，更新個(gè)體狼最優(yōu)位置，j＝2：

第一次更新位置在其視野范圍內(nèi)且第一次更新位置的適應(yīng)度優(yōu)于其初始位置的適應(yīng)度；

若滿足，則令個(gè)體狼按照公式(1)尋找第二次更新位置x²(t)，當(dāng)?shù)诙胃挛恢玫倪m應(yīng)度優(yōu)于當(dāng)前個(gè)體狼最優(yōu)位置的適應(yīng)度，利用第二次更新位置作為個(gè)體狼最優(yōu)位置，進(jìn)入步驟5，獲取第三次更新位置；

若不滿足，則第二次更新位置與第一次更新位置相同，個(gè)體狼位置不變，并轉(zhuǎn)到步驟5.6，獲取第三次更新位置；

步驟5.5：按公式(2)尋找滿足步驟5.4中所述條件的個(gè)體狼在其視野范圍內(nèi)的第三次更新位置，更新個(gè)體狼最優(yōu)位置和狼群頭狼最優(yōu)位置，j＝3，進(jìn)入步驟5.7；

x³(t)＝x²(t)+rand().v.(gbest-x²(t))(2)

其中：x²(t)、x³(t)表示個(gè)體狼在第t次迭代過程中的第二次更新位置和第三次更新位置；gbest為狼群當(dāng)前最優(yōu)頭狼位置；v為狼的視覺半徑；rand()為[-1,1]中的一個(gè)隨機(jī)數(shù)；

步驟5.6：按照公式(3)尋找不滿足步驟5.4中所述條件的個(gè)體狼的第三次更新位置x³(t)，更新狼群頭狼最優(yōu)位置，j＝3，進(jìn)入步驟5.7；

x³(t)＝x²(t)+escape().s.(xc(t)-x²(t))(3)

其中，xc(t)表示第t次迭代過程中，所有個(gè)體狼進(jìn)行第二次更新后，狼群的質(zhì)心位置；s為狼的移動(dòng)步長，s≤v；escape()為隨機(jī)函數(shù)；

步驟5.7：依適應(yīng)度值將經(jīng)過三次更新后的所有個(gè)體狼從低到高進(jìn)行排序；

步驟5.8：將排在前面的n+1個(gè)個(gè)體狼按非線性單純法nm方法搜索每個(gè)個(gè)體的最優(yōu)位置，其余的個(gè)體重復(fù)步驟5.4-步驟5.6搜索每個(gè)個(gè)體狼最優(yōu)位置，得到最優(yōu)狼群；從最優(yōu)狼群中選取全局最優(yōu)頭狼位置；

其中，n為隨機(jī)正整數(shù)；

步驟5.9：判斷是否達(dá)到最大迭代次數(shù)或者達(dá)到最大搜索精度，若達(dá)到，則輸出全局最優(yōu)頭狼位置對(duì)應(yīng)的基于多核支持向量機(jī)mksvm的第二類關(guān)節(jié)控制預(yù)測模型的參數(shù)c、g和d；否則，令t+1，轉(zhuǎn)到步驟5.3，進(jìn)行下一次迭代。

第三類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為小波神經(jīng)網(wǎng)絡(luò)模型；

所述第三類關(guān)節(jié)預(yù)測模型以第三類關(guān)節(jié)樣本集中各關(guān)節(jié)樣本的距離和控制值向量分別作為小波神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行訓(xùn)練后，獲得的基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型，圖3所示；

所述基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型的輸入層節(jié)點(diǎn)個(gè)數(shù)為2，隱含層小波元個(gè)數(shù)為4，輸出層節(jié)點(diǎn)個(gè)數(shù)為4，隱層小波神經(jīng)元采用mexicanhat小波函數(shù)，輸出層節(jié)點(diǎn)采用sigmoid函數(shù)；訓(xùn)練過程中的最大迭代次數(shù)設(shè)置為1000，訓(xùn)練學(xué)習(xí)率為0.1，閾值為0.00004；

基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型的權(quán)值、閾值和伸縮平移系數(shù)采用混沌蝙蝠算法尋優(yōu)獲得。

所述基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型的權(quán)值、閾值和伸縮平移系數(shù)采用混沌蝙蝠算法尋優(yōu)獲得的過程如下：

步驟7.1：以蝙蝠個(gè)體位置作為基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型的權(quán)值、閾值和伸縮平移系數(shù)，初始化蝙蝠種群，并設(shè)置蝙蝠種群參數(shù)；

蝙蝠種群規(guī)模的取值范圍為[200，500]，蝙蝠個(gè)體最大脈沖頻度r0的取值范圍為[0.25,0.5]，最大脈沖聲音強(qiáng)度a0的取值范圍為[0.25,0.5]，最大迭代次數(shù)的取值范圍為[150，300]，搜索精度的取值范圍為[0.001,0.1]，脈沖頻率的取值范圍為[0,1.5]，蝙蝠搜索頻度增加系數(shù)的取值范圍為[0.02,0.08]，聲音強(qiáng)度衰減系數(shù)的取值范圍為[0.8，0.96]，最大迭代次數(shù)的取值范圍為[100,500]，最大搜索精度的取值范圍為[0.01,0.1]；

步驟7.2：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)蝙蝠個(gè)體位置和迭代次數(shù)t，t＝1；

將蝙蝠個(gè)體位置對(duì)應(yīng)的權(quán)值、閾值和伸縮平移系數(shù)代入基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型中，并利用蝙蝠個(gè)體位置確定的基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型計(jì)算第二類關(guān)節(jié)樣本集中每個(gè)關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值，將所有關(guān)節(jié)樣本的控制預(yù)測值和實(shí)際值的差值e構(gòu)建第三適應(yīng)度函數(shù)f3(x)，f3(x)＝1/(e+1)；

利用第三適應(yīng)度函數(shù)計(jì)算每只蝙蝠個(gè)體位置的適應(yīng)度，以最大適應(yīng)度對(duì)應(yīng)的蝙蝠個(gè)體位置作為初始最優(yōu)蝙蝠個(gè)體位置；

步驟7.3：利用設(shè)定的脈沖頻率對(duì)蝙蝠個(gè)體的速度以及位置進(jìn)行更新；

步驟7.4：若rand1>ri，則對(duì)處于個(gè)體最優(yōu)位置的蝙蝠進(jìn)行隨機(jī)擾動(dòng)，生成蝙蝠個(gè)體的擾動(dòng)位置；

其中，rand1為在[0,1]上均勻分布的隨機(jī)數(shù)，ri為第i只蝙蝠的脈沖頻度；

步驟7.5：若rand2>ai，蝙蝠個(gè)體的擾動(dòng)位置的適應(yīng)度優(yōu)于擾動(dòng)前的蝙蝠個(gè)體位置的適應(yīng)度，則將蝙蝠個(gè)體移動(dòng)到擾動(dòng)位置，否則保持原位；

其中，rand2為在[0,1]上均勻分布的隨機(jī)數(shù)，ai為第i只蝙蝠的聲音強(qiáng)度；

步驟7.6：如果步驟7.5條件得到滿足，則利用蝙蝠搜索頻度增加系數(shù)和聲音強(qiáng)度衰減系數(shù)更新蝙蝠個(gè)體的脈沖頻度和脈沖脈沖聲音強(qiáng)度，并跳轉(zhuǎn)步驟7.4，否則跳轉(zhuǎn)到步驟7.7；

步驟7.7：計(jì)算當(dāng)前蝙蝠種群中每個(gè)蝙蝠個(gè)體位置的適應(yīng)度，按照由大到小的順序選出前m％個(gè)蝙蝠個(gè)體進(jìn)行位置和速度的混沌優(yōu)化，得到更新后的前m％個(gè)蝙蝠個(gè)體，m的取值范圍為[5,20]；

步驟7.8：判斷是否達(dá)到最大迭代次數(shù)或者達(dá)到最大搜索精度，若是，則從更新后的前m％個(gè)蝙蝠個(gè)體中依據(jù)適應(yīng)度值選出全局最優(yōu)蝙蝠個(gè)體，輸出全局最優(yōu)蝙蝠個(gè)體對(duì)應(yīng)的基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型的最佳權(quán)值、閾值和伸縮平移系數(shù)，否則，令t＝t+1，轉(zhuǎn)到步驟7.3繼續(xù)下一次迭代。

步驟4：利用運(yùn)載機(jī)器人基座所在固定抓取點(diǎn)與抓取臺(tái)底端邊緣之間的距離作為三類關(guān)節(jié)預(yù)測模型的輸入值，分別得到各個(gè)關(guān)節(jié)的控制值，輸出運(yùn)載機(jī)器人手臂所有關(guān)節(jié)的控制值(控制值是指手臂各個(gè)關(guān)節(jié)的旋轉(zhuǎn)角度，多關(guān)節(jié)旋轉(zhuǎn)角度的耦合形成整體的手臂運(yùn)動(dòng))，完成抓取任務(wù)控制。

一種運(yùn)載機(jī)器人手臂操控多點(diǎn)映射智能控制系統(tǒng)，采用上述的方法對(duì)運(yùn)載機(jī)器人手臂進(jìn)行控制，包括：

抓取樣本集獲取單元，通過運(yùn)載機(jī)器人位于指定抓取距離區(qū)間內(nèi)的固定抓取點(diǎn)時(shí)，利用遠(yuǎn)程服務(wù)器控制運(yùn)載機(jī)器人手臂進(jìn)行多次抓取訓(xùn)練，獲得運(yùn)載機(jī)器人在不同固定抓取點(diǎn)完成抓取任務(wù)的多個(gè)抓取樣本；

每個(gè)抓取樣本包括運(yùn)載機(jī)器人基座所在固定抓取點(diǎn)與抓取臺(tái)底端邊緣之間的距離和完成抓取任務(wù)過程中所有關(guān)節(jié)的控制值矩陣，所述所有關(guān)節(jié)的控制值矩陣大小為8*10，8表示運(yùn)載機(jī)器人手臂關(guān)節(jié)個(gè)數(shù)，10表示抓取過程手臂動(dòng)作次數(shù)；

三類關(guān)節(jié)樣本集分類單元，依據(jù)各手臂關(guān)節(jié)控制值的變化幅度a％對(duì)抓取樣本集中進(jìn)行關(guān)節(jié)分類，獲得各類關(guān)節(jié)樣本集；

從每個(gè)抓取樣本中提取出各個(gè)關(guān)節(jié)樣本，每個(gè)關(guān)節(jié)樣本包括距離和控制值向量，所述關(guān)節(jié)樣本中的距離是指運(yùn)載機(jī)器人基座所在的固定抓取點(diǎn)與抓取臺(tái)底端邊緣之間的距離，所述關(guān)節(jié)樣本中的控制向量，是指運(yùn)載機(jī)器人基座位于固定抓取點(diǎn)時(shí)，完成抓取任務(wù)過程中對(duì)應(yīng)的關(guān)節(jié)控制值向量，向量大小為1*10；

依據(jù)關(guān)節(jié)控制值變化幅度a％，對(duì)抓取樣本集對(duì)應(yīng)的所有關(guān)節(jié)樣本進(jìn)行分類：

若a％<20％，該類關(guān)節(jié)作為第一類關(guān)節(jié)；

若20％≤a％≤50％，該類關(guān)節(jié)作為第二類關(guān)節(jié)；

若a％>50％，該類關(guān)節(jié)作為第三類關(guān)節(jié)

每個(gè)關(guān)節(jié)樣本的關(guān)節(jié)控制值變化幅度a％是指每個(gè)關(guān)節(jié)在一次抓取過程所有動(dòng)作中的最大控制值和最小控制值之差與對(duì)應(yīng)關(guān)節(jié)的控制量程之比；

手臂關(guān)節(jié)控制值預(yù)測模型構(gòu)建單元，利用三類關(guān)節(jié)樣本集分類單元得到的各類關(guān)節(jié)樣本集分別輸入訓(xùn)練模型進(jìn)行訓(xùn)練，構(gòu)建運(yùn)載機(jī)器人手臂關(guān)節(jié)控制值的預(yù)測模型；

所述訓(xùn)練過程是指將各類關(guān)節(jié)樣本集中的每個(gè)關(guān)節(jié)樣本的距離和控制值向量分別作為訓(xùn)練模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行訓(xùn)練，得到預(yù)測模型；

所述手臂關(guān)節(jié)控制值預(yù)測模型包括第一類關(guān)節(jié)預(yù)測模型、第二類關(guān)節(jié)預(yù)測模型以及第三類關(guān)節(jié)預(yù)測模型；

其中，第一類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為基于elman神經(jīng)網(wǎng)絡(luò)模型；

第二類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為多核支持向量機(jī)mksvm模型；

第三類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為小波神經(jīng)網(wǎng)絡(luò)模型；

控制單元，利用運(yùn)載機(jī)器人基座所在固定抓取點(diǎn)與抓取臺(tái)底端邊緣之間的距離作為三類關(guān)節(jié)預(yù)測模型的輸入值，分別得到各個(gè)關(guān)節(jié)的控制值，輸出運(yùn)載機(jī)器人手臂所有關(guān)節(jié)的控制值，進(jìn)行抓取任務(wù)控制。

所述指定區(qū)域設(shè)置為運(yùn)載機(jī)器人基座與抓取臺(tái)底部邊緣距離18-28cm的直線區(qū)域內(nèi)。

所述運(yùn)載機(jī)器人基座與抓取臺(tái)底部邊緣距離采用運(yùn)載機(jī)器人自帶的超聲波傳感器進(jìn)行測量，且所述超聲波傳感器位于運(yùn)載機(jī)器人基座的兩側(cè)，對(duì)稱設(shè)置。

本文中所描述的具體實(shí)施例僅僅是對(duì)本發(fā)明精神作舉例說明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類似的方式替代，但并不會(huì)偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。