一種類人機器人上肢運動模型的類神經精準控制方法
【技術領域】
[0001]本發(fā)明涉及一種類人機器人運動模型的控制方法，尤其涉及一種類人機器人上肢 運動模型的類神經精準控制方法。
[0002] 背景
[0003] 傳統(tǒng)機器人采用以關節(jié)電機為主的驅動方式，在控制過程中需要通過對各個關節(jié) 的精確控制來完成運動任務，當運動的自由度很高時，控制會變得很復雜。而且，傳統(tǒng)機器 人大多根據(jù)特定任務設計，功能單一，不具有廣泛的應用能力，無法很好地應對新的運動任 務。
[0004] 參照人體運動系統(tǒng)，采用仿人的肌肉-關節(jié)結構的類人機器人與傳統(tǒng)機器人相比， 在靈活性、通用性和可靠性上具有顯著的改善。但由于其特殊的結構設計，增加了運動模型 的自由度和非線性性，也使得對模型的反向求解計算過程繁瑣，計算量大，因此對傳統(tǒng)的控 制方法提出了更高的要求。
[0005] 現(xiàn)有一種技術方案如下：
[0006] 現(xiàn)有技術I :H.Qiao，C.Li，P.J.Yin，W.Wu and Z.-Y.Liu,Human-inspired motion model of upper-1imb with fast response and learning ability-A promising direction for robot system and control,Assembly Automation,in publication.
[0007] 現(xiàn)有技術I公開了一種類人機器人上肢運動的類神經控制方法，該方法是基于將 習慣計劃理論應用于類人機器人控制而提出的，可以根據(jù)學習所得的運動模板來完成新的 運動任務。該方法大幅地減少了機器人控制過程中的計算量，與傳統(tǒng)控制方法相比提高了 運動速度，還可以通過不斷地積累更多的運動模板點來提高運動精度。但是該方法在提高 控制精度時所需的模板點數(shù)量大，因此在學習過程中可能存在計算量大，學習過程緩慢，且 對存儲要求高等問題。而且該方法所提高的運動精度局限在所習得的運動模板范圍內，缺 乏泛化能力。
[0008] 在神經認知領域，生物學家提出了群體向量編碼的機制，可以根據(jù)相關運動神經 元的放電情況，預測生物上肢的運動方向。通過對人體運動通路的研究，生物學家們發(fā)現(xiàn)小 腦對運動控制的修正作用。本發(fā)明的類人機器人上肢運動模型的類神經精準控制方法就是 基于以上生物機制提出的。

【發(fā)明內容】

[0009] 針對以上問題，本發(fā)明提出了一種類人機器人上肢運動模型的類神經精準控制方 法，通過較小的樣本點更新權重修正模型，降低存儲要求，而且習得的權重修正模型具有一 定的泛化能力。
[0010] 本發(fā)明提出的一種類人機器人上肢運動模型的類神經精準控制方法，包括模型及 模板的構建、模板的選擇和控制輸出兩大部分，模型及模板的構建包括類人機器人的上肢 動力學模型、運動模板庫的構建，模型及模板的構建還包括權重修正模型的建立，模板的選 擇和控制輸出部分之前設置有更新權重修正模型的步驟：
[0011] 建立權重修正模型：
[0012] 步驟Al:設定一組運動目標點，依次對各運動目標點，基于習慣計劃理論的類神經 控制方法從運動模板庫中選擇k個運動模板并計算各模板點的權重值^，進一步計算運動 目標點的控制信號11，依據(jù)控制信號u執(zhí)行第一輪上肢運動，計算該輪執(zhí)行結果中終點位置 與對應運動目標點的誤差errori;
[0013] 步驟A2:依據(jù)第一輪上肢運動的每一個終點位置與對應運動目標點和各模板下的 運動參考點的坐標的相對位置，對權重值Wi進行離線修正，得到修正后的權重值V i ;
[0014] 步驟A3:依次對各運動目標點，根據(jù)修正后的各權重值V1計算各運動目標點的控 制信號Y，依據(jù)控制信號Y執(zhí)行第二輪上肢運動，計算該輪執(zhí)行結果中終點位置與對應運 動目標點的誤差error2;
[0015] 步驟A4:依據(jù)誤差err〇ri和誤差errors的變化趨勢進行樣本篩選，保存誤差減小的 運動目標點的運動信息，建立樣本庫；
[0016] 步驟A5:根據(jù)樣本庫中的信息建立初始的權重修正模型；
[0017]更新權重修正模型：
[0018]步驟BI:指定一批新的運動目標點，基于習慣計劃理論的類神經控制方法，并結合 權重修正模型執(zhí)行一輪上肢運動，計算該輪運動中運動終點坐標與運動目標點坐標的誤差 的平均值errormean;
[0019] 步驟B2:若errormean〉設定的誤差閾值errorthreshoid，則權重修正模型還未滿足控 制要求，需要執(zhí)行步驟B3進行模型更新;若errorm_《設定的誤差閾值errorthreshoid，則權 重修正模型已滿足控制要求，結束模型的更新過程；
[0020] 步驟B3:若已有的權重修正模型不能滿足控制要求，則建立新的權重修正模型，并 根據(jù)新的權重修正模型再次執(zhí)行步驟Bl。
[0021 ]優(yōu)選的，所述步驟Al中每一個運動目標點的第一輪上肢運動相關參數(shù)的計算方法 包括以下步驟：
[0022] 步驟All:根據(jù)給定的運動目標點位置pnew，選擇k個合適的運動模板點pi，計算各 模板點權重Wi，
[0025]其中，Cl1、山均表示目標點位置與模板點位置的距離，i、j表示選定的模板點的序 號，（Xi，y i)表示模板點位置的坐標，（Xm，ynew)表示給定目標點位置的坐標；
[0026]步驟A12:根據(jù)各模板點的權重W1及控制信號upi，計算目標點的控制信號u，
[0028]步驟A13:根據(jù)控制信號執(zhí)行運動，得到運動終點位置p'，并計算運動終點位置與 運動目標點位置之間的誤差errori，
[0030]其中，（X' ,y')為運動終點位置p'的坐標。
[0031]優(yōu)選的，步驟A2中對權重值Wi修正的方法是參照生物大腦中的群體向量編碼機制 而設計的，其具體一下步驟：
[0032] 步驟A21:根據(jù)步驟Al中第一輪上肢運動執(zhí)行結果中終點位置計算相關參數(shù)：
[0033] 計算模板點位置Pi與坐標系原點的距離
[0035]計算運動目標點位置Pnew與坐標系原點的距離，
[0037]計算運動終點位置p'與坐標系原點的距離(V，
[0039]計算目標點位置與運動終點位置的距離作為誤差距離derror，
[0044] 其中，neN;
[0045] 步驟A23:計算權重修正值Δ Wi和修正后的權重值V i
[0048] 步驟A3中每一個運動目標點的第二輪上肢運動相關參數(shù)的計算方法包括以下步 驟：
[0049] 步驟A31:根據(jù)各模板點修正后的權重V1及模板點控制信號upi，計算目標點的控 制信號Y ;
[0050] 步驟A32:根據(jù)控制信號Y執(zhí)行上肢運動，得到運動終點位置p〃，并計算運動終點 位置與運動目標點位置Pnew之間的誤差error2;
[0051 ] 對步驟A22中的自然數(shù)η的不同取值依次分別執(zhí)行步驟A22、A23、A31、A32并計算誤 差error2的值，η的取值從0開始依次向上取值，若n = b時計算的誤差值比n = b-l時計算的 誤差值要大，則停止繼續(xù)取值和計算，并保留n = b-l時的誤差值為誤差errors。
[0052]優(yōu)選的，步驟A4中建立樣本庫的方法包括以下步驟：
[0053] 步驟A41:對比兩輪運動中各運動目標點的對應的誤差，選擇errorXerron的目標 占 .
[0054]步驟Α42:保存所選運動目標點的運動信息，建立樣本庫；運動目標點的運動信息 包括:該運動目標點的位置坐標Pnew、該運動目標點所對應的各模板點的位置坐標Pi、各模 板點的權重值Wi，各模板點的權重修正值Δ Wi。
[0055] 優(yōu)選的，步驟A5中權重修正模型的建立方法為：
[0056] 針對k個模板點，建立k個權重修正模型，其中每一個權重修正模型的建立過程如 下：以樣本庫中的運動目標點位置坐標Pnew、各模板點位置坐標Pi，各模板權重值Wi作為輸入 向量，以模板點的權重修正值A W1作為輸出向量，建立權重修正模型如下：
[0058]其中，W1，W2, ... ,Wk為各模板點權重值，P1，P2, ... ,Pk為各模板點位置對應的坐標。 [0059]優(yōu)選的，步驟Bl中計算該輪運動中運動終點坐標與運動目標點坐標的誤差的平均 值errormun的方法包括如下步驟：
[0000]步驟Bll:根據(jù)給定的目標點位置pnew，運動模板點位置pi，計算模板點權重Wi;
[0061 ]步驟Bl2:根據(jù)權重修正模型Gi，計算權重修正值Δ Wi并計算修正后的權重值，i， 如下：
[0064]步驟B13:根據(jù)各模板點修正后的權重值V1及控制信號upi，計算目標點的控制信 號u;
[006