CN103279039A - 一种机器人神经网络式计算力矩控制器训练平台及训练方法 - Google Patents
一种机器人神经网络式计算力矩控制器训练平台及训练方法 Download PDFInfo
- Publication number
- CN103279039A CN103279039A CN2013101858566A CN201310185856A CN103279039A CN 103279039 A CN103279039 A CN 103279039A CN 2013101858566 A CN2013101858566 A CN 2013101858566A CN 201310185856 A CN201310185856 A CN 201310185856A CN 103279039 A CN103279039 A CN 103279039A
- Authority
- CN
- China
- Prior art keywords
- neural network
- robot
- speed parallel
- control
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 104
- 238000012549 training Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000033001 locomotion Effects 0.000 claims abstract description 35
- 230000003044 adaptive effect Effects 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 13
- 230000005611 electricity Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开一种机器人神经网络式计算力矩控制器训练平台及训练方法，属于机器人控制技术领域。该训练平台由上位控制单元、开放式运动控制驱动单元、高速并联机器人虚拟现实单元、数据采集与通信单元及基于人工神经网络的自适应控制模型组成，上位控制单元完成运动规划及过程监视，开放式运动控制驱动单元是完成上位控制单元控制指令向电控驱动转化的实电部分，高速并联机器人虚拟现实单元用于实现高速并联机器人虚机及相关三维场景的构建，数据采集与通信单元实现数据通讯并能采集人工神经网络所需训练样本，基于人工神经网络的自适应控制模型由并行工作的神经网络式机器人逆动力学模型逼近器与线性比例微分反馈控制器组成。本发明能较好地实现高速并联机器人的轨迹跟踪控制，具有适应度广、系统设计成本低等特点。
Description
技术领域：
本发明属于机器人控制技术领域，涉及一种机器人神经网络式计算力矩控制器训练平台及训练方法，具体涉及一种基于虚机实电的高速并联机器人神经网络式计算力矩控制器训练平台及训练方法。
背景技术：
并联机器人自身的结构特点，使其在需要高刚度、高精度或者大载荷而无须很大工作空间的领域内得到了广泛应用；另外，其驱动装置大多置于定平台上或接近定平台的位置，这样运动部分重量轻，动态响应好，可实现高速运动。
在控制方面，目前，大多数商用机械手都采用PD和PID控制等线性单轴控制方式，这种控制方式尽管在低速下能达到满意的精度，但高速并联机械手因离心力、科里奥力和重力项的影响，无法通过该控制器实现高速运动下满意的控制品质。
事实上，计算力矩控制方法思路清晰，已广泛应用于机器人控制器设计中，但由于机器人是一个十分复杂的多输入多输出非线性系统，具有时变、强耦合和非线性的动力学特征，传统的计算力矩模型无法精确地逼近实际机器人控制模型，因此不能满足较高精度要求的场合。而神经网络具有学习任何复杂的非线性和不确定性对象的能力，利用神经网络学习高速并联机器人系统的非确定性因素，对计算力矩模型进行补偿修正，可实现其高精度控制。
采用神经网络控制器时，其训练网络模型并佐证其算法有效性的多为仿真方法，并主要是通过基于“虚机”或“虚电”系统得到，如Ideas，MATLAB/SimuLink，ADAMS，SolidWorks以及EASY-ROB等工具软件，并且局限“虚机”或者“虚电”系统。这种基于仿真得到的神经网络模型和实际机器人模型的差距使得其控制器难以在工程实践中得到很好的应用。另一方面，若采用实际样机训练神经网络的话，鉴于其初始模型和机器人模型的差别和训练过程的复杂不确定性，很可能因为控制器模型的错误使得设备在训练过程中发生意外，这种成本将难以负担。
发明内容：
本发明旨在提高高速并联机器人的轨迹跟踪控制性能，针对现有技术的不足，提出基于虚机实电的高速并联机器人神经网络式计算力矩控制器训练平台及训练方法，通过搭建与实际机器人机构静、动态性能一致的虚机实电训练平台，并借助本平台训练神经网络，得到较大程度符合实际机器人控制模型的神经网络式计算力矩控制模型，为控制器的设计提供帮助。
为解决上述技术问题，本发明的基本构思是：搭建最大程度与实物模型一致的高速并联机器人虚机实电系统，通过实电驱动虚机，并从实电及虚机中采集预定信号作为训练样本，训练神经网络式计算力矩控制器，得到虚机的神经网络表示的计算力矩控制模型，即训练完成后的神经网络中各连接权值及阈值表征了计算力矩控制模型。
本发明所提供的一种机器人神经网络式计算力矩控制器训练平台由上位控制单元、开放式运动控制驱动单元、高速并联机器人虚拟现实单元、数据采集与通信单元及基于人工神经网络的自适应控制模型组成；所述的上位控制单元完成运动规划及过程监视；所述的开放式运动控制驱动单元包括运动控制器、驱动器、伺服电机，是完成上位控制单元控制指令向电控驱动转化的实电部分；所述的高速并联机器人虚拟现实单元用于实现高速并联机器人虚机及相关三维场景的构建；所述的数据采集与通信单元实现所述上位控制单元、开放式运动控制驱动单元及高速并联机器人虚拟现实单元三者间相互的数据通讯，并能够采集人工神经网络所需训练样本；所述的基于人工神经网络的自适应控制模型由并行工作的神经网络式机器人逆动力学模型逼近器与线性比例微分反馈控制器组成。
所述的基于人工神经网络的自适应控制模型是本训练平台的操作对象，在训练期，通过学习高速并联机器人虚机实际轨迹与相应的控制力矩样本，并与期望轨迹比较，按权值调整律调整其人工神经网络连接权值，逐步逼近高速并联机器人虚机逆动力学模型，在运行期，它被嵌入上位控制单元作为控制器的核心，其内核等同于高速并联机器人补偿了非线性不确定项的逆动力学模型，实现由高速并联机器人期望轨迹到控制力矩的映射。
本发明所提供的一种机器人神经网络式计算力矩控制器的训练方法具体步骤如下：
（1）以所述的上位控制单元、开放式运动控制驱动单元、高速并联机器人虚拟现实单元及数据采集与通信单元为组成部分，搭建高速并联机器人虚机实电控制系统；
（2）建立基于人工神经网络的自适应控制模型，该模型由并行工作的神经网络式机器人逆动力学模型逼近器与线性比例微分反馈控制器组成，神经网络式机器人逆动力学模型逼近器的输出力矩与线性比例微分反馈控制器的输出力矩之和作为控制器的信号输入，驱动高速并联机器人虚机各关节运动；
（3）将步骤（2）所述的基于人工神经网络的自适应控制模型嵌入步骤（1）所述的高速并联机器人虚机实电控制系统，得到高速并联机器人虚机实电训练平台；
（4）从步骤（3）所述的高速并联机器人虚机实电训练平台中获取期望的运动轨迹（位置期望值、速度期望值、加速度期望值）及相对应的高速并联机器人虚机的实际运动轨迹（位置实际值、速度实际值）的若干组数据，作为训练样本；
（5）将步骤（4）所述的训练样本输入步骤（2）所述的基于人工神经网络的自适应控制模型对其进行训练，并以步骤（2）所述的线性比例微分反馈控制器的输出力矩作为其调整参照指标，不断调整人工神经网络的连接权值和阈值，待所述的线性比例微分反馈控制器的控制作用至可忽略的程度时，训练过程结束；
（6）舍去步骤（5）训练的基于人工神经网络的自适应控制模型中的线性比例微分反馈控制器，保留所述的神经网络式机器人逆动力学模型逼近器，并固化所述的神经网络式机器人逆动力学模型逼近器内人工神经网络的连接权值和阈值，即得神经网络式计算力矩控制器；
（7）用步骤（6）所述的神经网络式计算力矩控制器替换步骤（3）中所述的基于人工神经网络的自适应控制模型，得到力矩控制的高速并联机器人控制系统。
对于所述的训练方法，需说明的是，使用所述的线性比例微分反馈控制器的目的是为了保证在人工神经网络训练的初期机器人具有较好的轨迹跟踪性能；关于对所述的基于人工神经网络的自适应控制模型的训练，基本过程是，训练初期，神经网络的作用较弱，机器人关节输出位置及速度值未能跟踪运动规划器规划的期望值,出现较大跟踪偏差，通过所述的线性比例微分反馈控制器的调节作用，并随着训练的逐渐深入，这个偏差值逐渐减小；与此同时，取所述的线性比例微分反馈控制器的输出作为神经网络式机器人逆动力学模型逼近器的参照量，建立该神经网络的误差函数,并沿着误差函数对网络连接权值梯度减小的方向按指定的学习速率修改网络各连接权值。
之所以做出步骤（6）的取舍，是因为，在训练末期，机器人轨迹跟踪性能大幅提高，所述的线性比例微分反馈控制器的作用变得很微弱，在允许的误差限度内，可忽略其作用，据此得知，步骤（6）所述的神经网络式机器人逆动力学模型逼近器反应了高速并联机器人虚机的逆动力学特性，这样，得到了神经网络式计算力矩控制器的模型。
本发明具有以下特点：
1、虚机实电的实验方式，高速并联机器人采用虚拟样机，可针对不同类型不同自由度机器人机构，只需重新建立虚拟模型，避免重新建立实体模型的经济及时间投入，适应度广，系统设计成本低。
2、该训练方法与传统的实物训练方法相比，由于不直接驱动实物，可避免模型建立的错误导致实体机构在训练过程中的意外，保证了训练的安全性。
3、该设计系统构成相对简单，通过实电驱动虚机，如同驱动真实机构一样，可保证训练的有效性，并且可快速搭建训练平台，合理的神经网络模型构建可缩短训练时间，从控制器开发角度说，保证了高效性。
4、经神经网络训练，计算力矩控制器补偿了模型误差、外界干扰等不确定性项，提高了控制器的鲁棒性和全局渐进稳定性，能较好地实现高速并联机器人的轨迹跟踪控制，加速其工程应用。
附图说明：
图1是本发明训练平台结构示意图；
图2是本发明中逆动力学模型神经网络训练方案示意图；
图3是本发明中是逆动力学模型的训练神经网络结构示意图；
图4是本发明中高速并联机器人虚机驱动接口示意图；
图5是搭载神经网络式计算力矩控制器的高速并联机器人虚机实电控制系统结构示意图。
具体实施方式：
下面结合附图对本发明作进一步描述：
如图1所示，一种机器人神经网络式计算力矩控制器训练平台由上位控制单元、开放式运动控制驱动单元、高速并联机器人虚拟现实单元、数据采集与通信单元及基于人工神经网络的自适应控制模型组成；所述的上位控制单元完成运动规划及过程监视；所述的开放式运动控制驱动单元包括运动控制器、驱动器、伺服电机，是完成上位控制单元控制指令向电控驱动转化的实电部分；所述的高速并联机器人虚拟现实单元可实现高速并联机器人虚机及相关三维场景的构建；所述的数据采集与通信单元实现所述上位控制单元、开放式运动控制驱动单元及高速并联机器人虚拟现实单元三者间相互的数据通讯，并能够采集人工神经网络所需训练样本。如图2所示，所述的基于人工神经网络的自适应控制模型由并行工作的神经网络式机器人逆动力学模型逼近器与线性比例微分反馈控制器组成。使用比例微分控制器的目的是为了保证在人工神经网络训练的初期机器人具有较好的轨迹跟踪性能。
所述的基于人工神经网络的自适应控制模型是本训练平台的操作对象，本发明通过训练神经网络得到高速并联机器人逆动力学模型，为控制器设计奠定基础，称由此得到的控制器为神经网络式计算力矩控制器。
本发明所提供的一种机器人神经网络式计算力矩控制器的训练方法具体步骤如下：
（1）以所述的上位控制单元、开放式运动控制驱动单元、高速并联机器人虚拟现实单元及数据采集与通信单元为组成部分，搭建高速并联机器人虚机实电控制系统；
（2）建立基于人工神经网络的自适应控制模型，该模型由并行工作的神经网络式机器人逆动力学模型逼近器与线性比例微分反馈控制器组成，神经网络式机器人逆动力学模型逼近器的输出力矩τN与线性比例微分反馈控制器的输出力矩τf之和τ作为控制器的信号输入（参照图2），驱动高速并联机器人虚机各关节运动；
（3）将步骤（2）所述的基于人工神经网络的自适应控制模型嵌入步骤（1）所述的高速并联机器人虚机实电控制系统，得到高速并联机器人虚机实电训练平台；
（4）从步骤（3）所述的高速并联机器人虚机实电训练平台中获取期望的运动轨迹（位置期望值qd、速度期望值
加速度期望值
）及相对应的高速并联机器人虚机的实际运动轨迹（位置实际值q、速度实际值）的数据若干组（参照图2），作为训练样本；
（5）将步骤（4）所述的训练样本输入步骤（2）所述的基于人工神经网络的自适应控制模型对其进行训练，并以步骤（2）中所述的线性比例微分反馈控制器的输出力矩作为其调整参照指标，不断调整人工神经网络的连接权值和阈值，待所述的线性比例微分反馈控制器的控制作用至可忽略的程度时，训练过程结束；
（6）舍去步骤（5）训练的基于人工神经网络的自适应控制模型中的线性比例微分反馈控制器，保留所述的神经网络式机器人逆动力学模型逼近器，并固化所述的神经网络式机器人逆动力学模型逼近器内人工神经网络的连接权值和阈值，即得神经网络式计算力矩控制器。
对于所述的训练方法，需说明的是，使用所述的线性比例微分反馈控制器的目的是为了保证在人工神经网络训练的初期机器人具有较好的轨迹跟踪性能；关于对所述的基于人工神经网络的自适应控制模型的训练，基本过程是，训练初期，神经网络的作用较弱，机器人关节输出位置q及速度
未能跟踪运动规划器规划的期望值qd及
,出现较大跟踪偏差，通过比例微分环节的调节作用，并随着训练的逐渐深入，这个偏差值逐渐减小；与此同时，取τf作为神经网络式机器人逆动力学模型逼近器的参照量，建立该神经网络的误差函数,并沿着误差函数对网络连接权值梯度减小的方向按指定的学习速率修改网络各连接权值。
之所以做出（6）的取舍，是因为，在训练末期，机器人轨迹跟踪性能大幅提高，所述的线性比例微分反馈控制器的作用变得很微弱，在允许的误差限度内，可忽略其作用，据此得知，（6）所述的神经网络式机器人逆动力学模型逼近器反应了高速并联机器人虚机的逆动力学特性，这样，得到了神经网络式计算力矩控制器的模型。待下一步，可作为控制器使用。
具体地，对于本发明所提出的训练平台及训练方法的实现，可采用如图3所示的BP神经网络作为所述的基于人工神经网络的自适应控制模型的内核，得到逆动力学模型的训练神经网络结构，该网络含有两个隐含层，输入的个数可根据高速并联机器人驱动关节的数目及选取的训练样本类型确定，输出为力矩值单输出，隐含层神经单元的数目根据实际情况确定，也可在训练之后不理想的情况下进一步调整确定。
在高速并联机器人虚机及神经网络之间，为发挥实电控制系统的性能及实现信号的传递，存在驱动接口，具体如图4所示，控制力矩τ经过运动控制器分配转化成控制指令，发送给驱动器，对驱动器输出的信号（模拟量，力矩控制采用模拟量）进行A/D转换，便于计算机处理，将转换后的信号输入计算机，通过高速并联机器人虚拟现实模块软接口驱动高速并联机器人虚机各运动轴运动，实现实电到虚机的对接。
经过以上训练过程，将训练结束后的神经网络式机器人逆动力学模型逼近器的神经网络结构及各连接权值固化，并嵌入力矩控制器内，在如图5所示搭载神经网络式计算力矩控制器的高速并联机器人虚机实电控制系统实验平台上，实施力矩控制高速并联机器人的实验，也可进一步地制造与之相应的实体高速并联机器人样机，采用获得的神经网络式计算力矩控制器及开放式运动控制驱动系统，完成其控制系统的开发。
为满足高速并联机器人的高品质力矩控制需求，建立“机器人虚拟化，电控真实化”的控制器训练实验平台，提出基于神经网络的计算力矩控制器训练方法，补偿了计算力矩控制中并联机器人高速运动时严重影响控制精度的时变非线性消极因素。该设计在满足高速并联机器人高精度控制要求的条件下进一步缩短其控制器开发周期，降低设计成本。本设计提出的虚机实电实验平台的搭建及控制器的训练方法，可扩展至整个机器人控制器设计领域，包括串联机器人、并联机器人及混联机器人控制器设计，也包括不同控制模式，如位置控制、速度控制、力矩控制及全闭环控制等控制方式下的控制器设计，甚至是其它因控制模型不精确导致控制精度差的机械设备控制器设计领域。
Claims (2)
1.一种机器人神经网络式计算力矩控制器训练平台及训练方法，其特征是，所述的训练平台由上位控制单元、开放式运动控制驱动单元、高速并联机器人虚拟现实单元、数据采集与通信单元及基于人工神经网络的自适应控制模型组成；所述的上位控制单元完成运动规划及过程监视；所述的开放式运动控制驱动单元包括运动控制器、驱动器、伺服电机，是完成上位控制单元控制指令向电控驱动转化的实电部分；所述的高速并联机器人虚拟现实单元用于实现高速并联机器人虚机及相关三维场景的构建；所述的数据采集与通信单元实现所述上位控制单元、开放式运动控制驱动单元及高速并联机器人虚拟现实单元三者间相互的数据通讯，并能够采集人工神经网络所需训练样本；所述的基于人工神经网络的自适应控制模型由并行工作的神经网络式机器人逆动力学模型逼近器与线性比例微分反馈控制器组成。
2.一种权利要求1所述的机器人神经网络式计算力矩控制器的训练方法，其特征在于该方法具体步骤如下：
（1）以权利要求1所述的上位控制单元、开放式运动控制驱动单元、高速并联机器人虚拟现实单元及数据采集与通信单元为组成部分，搭建高速并联机器人虚机实电控制系统；
（2）建立基于人工神经网络的自适应控制模型，该模型由并行工作的神经网络式机器人逆动力学模型逼近器与线性比例微分反馈控制器组成，神经网络式机器人逆动力学模型逼近器的输出力矩与线性比例微分反馈控制器的输出力矩之和作为控制器的信号输入，驱动高速并联机器人虚机各关节运动；
（3）将步骤（2）所述的基于人工神经网络的自适应控制模型嵌入步骤（1）所述的高速并联机器人虚机实电控制系统，得到高速并联机器人虚机实电训练平台；
（4）从步骤（3）所述的高速并联机器人虚机实电训练平台中获取期望的运动轨迹及相对应的高速并联机器人虚机的实际运动轨迹的若干组数据，作为训练样本；
（5）将步骤（4）所述的训练样本输入步骤（2）所述的基于人工神经网络的自适应控制模型对其进行训练，并以步骤（2）中所述的线性比例微分反馈控制器的输出力矩作为其调整参照指标，不断调整人工神经网络的连接权值和阈值，待所述的线性比例微分反馈控制器的控制作用至可忽略的程度时，训练过程结束；
（6）舍去步骤（5）训练的基于人工神经网络的自适应控制模型中的线性比例微分反馈控制器，保留所述的神经网络式机器人逆动力学模型逼近器，并固化所述的神经网络式机器人逆动力学模型逼近器内人工神经网络的连接权值和阈值，即得神经网络式计算力矩控制器；
（7）用步骤（6）所述的神经网络式计算力矩控制器替换步骤（3）中所述的基于人工神经网络的自适应控制模型，得到力矩控制的高速并联机器人控制系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013101858566A CN103279039A (zh) | 2013-05-17 | 2013-05-17 | 一种机器人神经网络式计算力矩控制器训练平台及训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013101858566A CN103279039A (zh) | 2013-05-17 | 2013-05-17 | 一种机器人神经网络式计算力矩控制器训练平台及训练方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103279039A true CN103279039A (zh) | 2013-09-04 |
Family
ID=49061603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2013101858566A Pending CN103279039A (zh) | 2013-05-17 | 2013-05-17 | 一种机器人神经网络式计算力矩控制器训练平台及训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103279039A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103605285A (zh) * | 2013-11-21 | 2014-02-26 | 南京理工大学 | 汽车驾驶机器人系统的模糊神经网络控制方法 |
| CN107253195A (zh) * | 2017-07-31 | 2017-10-17 | 中南大学 | 一种运载机器人手臂操控自适应混合学习映射智能控制方法及系统 |
| CN107414830A (zh) * | 2017-07-31 | 2017-12-01 | 中南大学 | 一种运载机器人手臂操控多层映射智能控制方法及系统 |
| CN108122027A (zh) * | 2016-11-29 | 2018-06-05 | 华为技术有限公司 | 一种神经网络模型的训练方法、装置及芯片 |
| CN109343363A (zh) * | 2018-10-30 | 2019-02-15 | 清华大学 | 基于光计算的运动测控系统 |
| CN110023965A (zh) * | 2016-10-10 | 2019-07-16 | 渊慧科技有限公司 | 用于选择由机器人智能体执行的动作的神经网络 |
| CN110769985A (zh) * | 2017-12-05 | 2020-02-07 | 谷歌有限责任公司 | 使用循环神经网络的机器人末端执行器的视点不变的视觉伺服 |
| CN110809505A (zh) * | 2017-07-07 | 2020-02-18 | 西门子股份公司 | 用于执行机器人手臂的移动控制的方法和装置 |
| CN111096878A (zh) * | 2018-10-29 | 2020-05-05 | 纬创资通股份有限公司 | 具有判断使用意图的助行器及其操作方法 |
| CN111203883A (zh) * | 2020-01-16 | 2020-05-29 | 盐城师范学院 | 面向机器人电子元器件装配的自学习模型预测控制方法 |
| CN111360834A (zh) * | 2020-03-25 | 2020-07-03 | 中南大学 | 一种基于深度强化学习的仿人机器人运动控制方法及系统 |
| CN113561185A (zh) * | 2021-09-23 | 2021-10-29 | 中国科学院自动化研究所 | 一种机器人控制方法、装置及存储介质 |
| CN114035593A (zh) * | 2021-09-28 | 2022-02-11 | 北京炎凌嘉业机电设备有限公司 | 多模式运动的力伺服足式运动控制方法 |
| CN114424132A (zh) * | 2019-09-19 | 2022-04-29 | 西门子能源环球有限责任两合公司 | 用于提供设施的数字复制品的系统和方法和对应的计算机程序产品 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101122777A (zh) * | 2007-09-18 | 2008-02-13 | 湖南大学 | 大型冷凝器水下作业环境下二关节机器人的控制方法 |
-
2013
- 2013-05-17 CN CN2013101858566A patent/CN103279039A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101122777A (zh) * | 2007-09-18 | 2008-02-13 | 湖南大学 | 大型冷凝器水下作业环境下二关节机器人的控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| 宋建梅 等: "神经网络在机器人控制中的应用", 《1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集（上册）》 * |
| 栾楠: "机器人逆动力学神经网络建模", 《电机与控制学报》 * |
| 汪木兰 等: "虚实结合的多关节机器人开放式仿真系统研究", 《系统仿真学报》 * |
| 王振滨 等: "柔性印刷机虚机实电仿真系统", 《系统仿真学报》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103605285A (zh) * | 2013-11-21 | 2014-02-26 | 南京理工大学 | 汽车驾驶机器人系统的模糊神经网络控制方法 |
| US11534911B2 (en) | 2016-10-10 | 2022-12-27 | Deepmind Technologies Limited | Neural networks for selecting actions to be performed by a robotic agent |
| CN110023965B (zh) * | 2016-10-10 | 2023-07-11 | 渊慧科技有限公司 | 用于选择动作的神经网络的系统、方法和存储介质 |
| CN110023965A (zh) * | 2016-10-10 | 2019-07-16 | 渊慧科技有限公司 | 用于选择由机器人智能体执行的动作的神经网络 |
| CN108122027B (zh) * | 2016-11-29 | 2021-01-12 | 华为技术有限公司 | 一种神经网络模型的训练方法、装置及芯片 |
| CN108122027A (zh) * | 2016-11-29 | 2018-06-05 | 华为技术有限公司 | 一种神经网络模型的训练方法、装置及芯片 |
| WO2018099085A1 (zh) * | 2016-11-29 | 2018-06-07 | 华为技术有限公司 | 一种神经网络模型的训练方法、装置及芯片 |
| CN110809505A (zh) * | 2017-07-07 | 2020-02-18 | 西门子股份公司 | 用于执行机器人手臂的移动控制的方法和装置 |
| CN110809505B (zh) * | 2017-07-07 | 2023-08-04 | 西门子股份公司 | 用于执行机器人手臂的移动控制的方法和装置 |
| US11554486B2 (en) | 2017-07-07 | 2023-01-17 | Siemens Aktiengesellschaft | Method and apparatus for performing control of a movement of a robot arm |
| CN107253195A (zh) * | 2017-07-31 | 2017-10-17 | 中南大学 | 一种运载机器人手臂操控自适应混合学习映射智能控制方法及系统 |
| CN107414830A (zh) * | 2017-07-31 | 2017-12-01 | 中南大学 | 一种运载机器人手臂操控多层映射智能控制方法及系统 |
| CN110769985B (zh) * | 2017-12-05 | 2023-10-17 | 谷歌有限责任公司 | 使用循环神经网络的机器人末端执行器的视点不变的视觉伺服 |
| US11701773B2 (en) | 2017-12-05 | 2023-07-18 | Google Llc | Viewpoint invariant visual servoing of robot end effector using recurrent neural network |
| CN110769985A (zh) * | 2017-12-05 | 2020-02-07 | 谷歌有限责任公司 | 使用循环神经网络的机器人末端执行器的视点不变的视觉伺服 |
| CN111096878A (zh) * | 2018-10-29 | 2020-05-05 | 纬创资通股份有限公司 | 具有判断使用意图的助行器及其操作方法 |
| CN109343363A (zh) * | 2018-10-30 | 2019-02-15 | 清华大学 | 基于光计算的运动测控系统 |
| CN114424132A (zh) * | 2019-09-19 | 2022-04-29 | 西门子能源环球有限责任两合公司 | 用于提供设施的数字复制品的系统和方法和对应的计算机程序产品 |
| US12223858B2 (en) | 2019-09-19 | 2025-02-11 | Siemens Energy Global GmbH & Co. KG | System and method for providing a digital simulation of an installation, and corresponding computer program product |
| CN111203883B (zh) * | 2020-01-16 | 2022-09-23 | 盐城师范学院 | 面向机器人电子元器件装配的自学习模型预测控制方法 |
| CN111203883A (zh) * | 2020-01-16 | 2020-05-29 | 盐城师范学院 | 面向机器人电子元器件装配的自学习模型预测控制方法 |
| CN111360834A (zh) * | 2020-03-25 | 2020-07-03 | 中南大学 | 一种基于深度强化学习的仿人机器人运动控制方法及系统 |
| CN113561185A (zh) * | 2021-09-23 | 2021-10-29 | 中国科学院自动化研究所 | 一种机器人控制方法、装置及存储介质 |
| CN113561185B (zh) * | 2021-09-23 | 2022-01-11 | 中国科学院自动化研究所 | 一种机器人控制方法、装置及存储介质 |
| CN114035593A (zh) * | 2021-09-28 | 2022-02-11 | 北京炎凌嘉业机电设备有限公司 | 多模式运动的力伺服足式运动控制方法 |
| CN114035593B (zh) * | 2021-09-28 | 2024-04-12 | 北京炎凌嘉业机电设备有限公司 | 多模式运动的力伺服足式运动控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103279039A (zh) | 一种机器人神经网络式计算力矩控制器训练平台及训练方法 | |
| CN108789417B (zh) | 基于自适应动态规划的可重构机械臂保代价分散控制方法 | |
| CN103472724B (zh) | 一种用于多自由度并联机构的实时控制动力学建模方法 | |
| CN111941432B (zh) | 一种高性能机械臂人工智能输出反馈控制方法 | |
| CN102385342B (zh) | 虚拟轴机床并联机构运动控制的自适应动态滑模控制方法 | |
| CN105772917B (zh) | 一种三关节点焊机器人轨迹跟踪控制方法 | |
| CN103331756A (zh) | 一种机械臂运动控制方法 | |
| CN108549237A (zh) | 基于深度增强学习的预观控制仿人机器人步态规划方法 | |
| CN109085749B (zh) | 一种基于自适应模糊反演的非线性遥操作双边控制方法 | |
| CN110116409B (zh) | 一种基于扰动观测器的四通道遥操作双边控制方法 | |
| CN105404744B (zh) | 一种空间机械臂全状态动力学半物理仿真系统 | |
| CN109213175A (zh) | 一种基于原对偶神经网络的移动机器人视觉伺服轨迹跟踪预测控制方法 | |
| CN112894821A (zh) | 基于电流法的协作机器人拖动示教控制方法、装置及设备 | |
| CN111168682B (zh) | 并联机器人结合鲁棒精确微分器有限时间收敛滑模控制方法 | |
| CN104635738B (zh) | 不确定康复步行训练机器人的精确轨迹跟踪最优控制方法 | |
| CN104635509B (zh) | 多轴联动系统精度控制的反步-滑模控制器及控制方法 | |
| CN110597051A (zh) | 基于RBF神经网络的Stewart稳定平台控制方法 | |
| CN114326722A (zh) | 六足机器人自适应步态规划方法、系统、装置及介质 | |
| CN102944997A (zh) | 多自由度冗余并联机构的同步光滑滑模控制方法和系统 | |
| CN111639749A (zh) | 一种基于深度学习的工业机器人摩擦力辨识方法 | |
| CN113050427A (zh) | 一种执行器故障下非线性系统快速终端滑模容错控制方法 | |
| CN105459114A (zh) | 冗余驱动并联机构驱动力优化方法及轴组控制验证平台 | |
| CN104950683A (zh) | 一种视觉伺服机械臂系统的自适应间隙逆模型发生装置 | |
| CN105173606B (zh) | 混联式汽车电泳涂装输送机构的复合动力学控制系统与方法 | |
| CN104564913A (zh) | 并联六自由度转台液压控制系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| ASS | Succession or assignment of patent right |
Owner name: ANHUI HUACHUANG INTELLIGENT EQUIPMENT CO., LTD. Free format text: FORMER OWNER: ANHUI UNIVERSITY OF TECHNOLOGY Effective date: 20140909 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| COR | Change of bibliographic data |
Free format text: CORRECT: ADDRESS; FROM: 243032 MAANSHAN, ANHUI PROVINCE TO: 243000 MAANSHAN, ANHUI PROVINCE |
|
| TA01 | Transfer of patent application right |
Effective date of registration: 20140909 Address after: 243000 Anhui Province, Ma'anshan City Yutian Road No. 1269 (Yu Shan Economic Development Zone) Applicant after: Anhui Huachuang Intelligent Equipment Co., Ltd. Address before: 243032 Anhui city in Ma'anshan Province town Ma Xianglu Applicant before: Anhui University of Technology |
|
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130904 |