[发明专利]一种基于长短期记忆神经网络增量模型的装配控制方法

权利要求书

1.一种基于长短期记忆神经网络增量模型的装配控制方法，其特征在于，包括以下步骤：

1)训练阶段；

1-1)选定训练待装配产品，对装配机器人、训练待装配产品以及训练装配任务分别进行建模，得到装配机器人、训练待装配产品及训练装配任务分别对应的虚拟模型；

1-2)基于步骤1-1)的装配机器人、训练待装配产品及训练装配任务的虚拟模型，规划装配机器人对训练待装配产品执行训练装配任务的装配路径，得到装配机器人虚拟模型在执行训练装配任务的虚拟路径点p'₀……p'_n及每个虚拟路径点对应的装配机器人虚拟模型的控制输入θ₀……θ_n，其中，θ_i为第i个虚拟路径点p′_i对应的装配机器人虚拟模型各关节转角组成的向量，p'₀表示虚拟路径的起点，同时也是装配机器人的实际起点p₀；p'_n表示虚拟路径的目标点；

1-3)构建基于长短期记忆神经网络增量模型并进行训练，得到机器人虚实映射逆运动学初始模型；具体步骤如下：

1-3-1)构建基于长短期记忆神经网络增量模型，其中，模型的输入为装配机器人第i个实际路径点位置p_i；模型的输出是第i个虚拟路径点p′_i对应的装配机器人虚拟模型的关节转角向量的预测值θ_i^e；

1-3-2)令初始时刻，装配机器人虚拟模型的控制输入为θ₀，装配机器人虚拟模型到达虚拟路径起点p'₀，同时装配机器人处于实际路径的起点p₀，分别采集此时的(p₀，θ₀)作为实际路径点p₀对应的训练样本；

1-3-3)令i＝1；

1-3-4)在第i-1个虚拟路径点p′_i-1，将控制输入θ_i同时发送给装配机器人虚拟模型和装配机器人，虚拟模型和装配机器人分别进行相应的运动，虚拟模型到达p′_i，装配机器人的实际输入为θ_i′，实际到达p_i，得到实际路径点p_i对应的训练样本(p_i,θ_i)；

1-3-5)令i＝i+1,然后重新返回步骤1-3-4)，直至装配机器人虚拟模型按照步骤1-2)规划的路径点持续进行运动至p'_n，此时装配机器人运动至训练装配任务的目标点p_n,得到每个实际路径点对应的训练样本组成训练样本集{(p₀，θ₀)……(p_n，θ_n)}；

1-3-6)利用训练样本集{(p₀，θ₀)……(p_n，θ_n)}训练步骤1-3-1)建立的基于长短期记忆神经网络增量模型，直至模型收敛，得到机器人虚实映射逆运动学初始模型；

2)装配阶段；

2-1)选取实际装配产品及对应的实际装配任务；

2-2)建立步骤2-1)选取的实际装配产品和实际装配任务分别对应的虚拟模型，装配机器人虚拟模型为步骤1-1)建立的装配机器人虚拟模型；

2-3)基于装配机器人、实际装配产品和实际装配任务的虚拟模型，重复步骤1-2)，得到装配机器人虚拟模型执行实际装配任务对应的虚拟路径系列点(p'_a0，……，p'_am)，其中下标a表示实际装配任务，p′_ai表示装配机器人虚拟模型执行实际装配任务a对应的第i-1个路径点；

2-4)将步骤1-3-4)得到的初始模型作为当前模型；

2-5)将步骤2-3)得到的路径规划结果(p'_a0，……，p'_am)输入当前模型，得到装配机器人虚拟模型在各个虚拟路径点对应的控制输入(θ_a0，……，θ_am)；

2-6)令装配机器人虚拟模型的控制输入为θ_a0，装配机器人虚拟模型到达p'_a0，同时装配机器人处于实际装配任务的实际路径起点p_a0，p_a0与p'_a0为同一个点；

2-7)令i＝1；

2-8)在第i-1个虚拟路径点p′_ai-1，将控制输入θ_ai同时发送给虚拟模型和装配机器人，虚拟模型和装配机器人分别进行相应的运动，虚拟模型到达p'_ai，装配机器人的实际输入为θ'_ai，实际到达p_ai；

2-9)比较p'_ai与p_ai之间的误差并进行判定：若误差小于设定的误差阈值，则不更新当前模型，令i＝i+1，然后重新返步骤回2-8)；若误差大于设定的误差阈值，则利用增量学习对(p_ai，θ_ai)进行学习，更新优化当前模型，直到p'_ai与p_ai之间的误差小于误差阈值，然后令i＝i+1，重新返回2-8)；

2-10)当i＝m时,装配机器人到达实际装配任务的目标点p_am，装配控制结束。