[发明专利]机械臂移动控制方法、装置和智能设备

权利要求书

1.一种机械臂移动控制方法，其特征在于，包括：

获取目标物体的图像，所述目标物体的图像为机械臂末端执行机构上设置的视觉传感器采集的；

将所述目标物体的图像输入预先训练的神经网络模型，确定所述机械臂末端执行机构相对所述目标物体的方向和在所述方向上所述机械臂末端执行机构相对所述目标物体的距离；

根据确定的方向和距离，控制所述机械臂移动；

所述控制所述机械臂移动之后，还包括：

再次获取所述目标物体的图像；

将再次获取的所述目标物体的图像输入所述神经网络模型，再次确定所述机械臂末端执行机构相对所述目标物体的方向；

根据再次确定的方向和预设的移动距离，再次控制所述机械臂移动。

2.根据权利要求1所述的方法，其特征在于，所述再次控制所述机械臂移动之后，还包括：

对所述目标物体进行预设操作。

3.根据权利要求2所述的方法，其特征在于，所述预设操作为抓取操作。

4.根据权利要求1所述的方法，其特征在于，所述神经网络模型为卷积神经网络模型。

5.一种如权利要求1-4中任一所述的机械臂移动控制方法中神经网络模型的训练方法，其特征在于，包括：

获取训练样本，所述训练样本包括训练物体的图像、获取所述训练物体的图像时所述机械臂末端执行机构相对所述训练物体的方向和在所述方向上所述机械臂末端执行机构相对所述训练物体的距离；

将所述训练样本输入待训练的神经网络模型的输入层，对所述待训练的神经网络模型进行训练，所述待训练的神经网络模型的输出结果包括所述机械臂末端执行机构相对所述训练物体的方向和在所述方向上所述机械臂末端执行机构相对所述训练物体的距离；

当所述输出结果满足预设条件时，获得训练好的神经网络模型。

6.根据权利要求5所述的方法，其特征在于，所述神经网络模型包括5个卷积层和4个全连接层，每个层对应的激活函数为线性整流函数，每个全连接层后设置了dropout层；所述神经网络模型的每个输出结果均设置了softmax层。

7.根据权利要求5所述的方法，其特征在于，所述训练样本采用如下方式生成：

将所述机械臂末端执行机构调整到预设位置；

从所述预设位置开始，沿预设方向，按照预设的距离间隔移动所述机械臂，通过所述机械臂末端执行机构上设置的视觉传感器获取所述训练物体的图像，并记录获取所述训练物体的图像时所述机械臂末端执行机构相对所述训练物体的方向和在所述方向上所述机械臂末端执行机构相对所述训练物体的距离。

8.根据权利要求5所述的方法，其特征在于，所述获得训练好的神经网络模型之后，还包括：

将所述训练物体的图像输入所述神经网络模型，确定所述机械臂末端执行机构相对所述训练物体的方向和在所述方向上所述机械臂末端执行机构相对所述训练物体的距离；

根据确定的方向和距离，控制所述机械臂移动；

通过所述机械臂末端执行机构上设置的视觉传感器再次获取所述训练物体的图像，并记录再次获取所述训练物体的图像时所述机械臂末端执行机构相对所述训练物体的方向和在所述方向上所述机械臂末端执行机构相对所述训练物体的距离；

将再次获取的所述训练物体的图像、再次获取所述训练物体的图像时所述机械臂末端执行机构相对所述训练物体的方向和在所述方向上所述机械臂末端执行机构相对所述训练物体的距离输入到所述神经网络模型的输入层，对所述神经网络模型进行再次训练。