[发明专利]一种机器人逆动力学模型的建模方法及系统

权利要求书

1.一种机器人逆动力学模型的建模方法，其特征在于，所述方法包括：

搭建循环神经网络，所述循环神经网络包括输入层、隐藏层和输出层，所述隐藏层包括外层和内层，所述外层包括外层遗忘门和外层重置门，所述内层包括内层遗忘门和内层重置门；

确定所述循环神经网络的输入数据和输出数据，所述循环神经网络的输入数据为机械臂的运动状态，所述循环神经网络的输出数据为控制所述机械臂产生所述运动状态的扭矩，所述运动状态包括运动位置、运动速度和运动加速度；

所述输入数据按照所述机械臂运动的时间输入到所述循环神经网络；从所述输入层输出的数据输入到所述隐藏层的外层；

所述外层遗忘门根据当前时刻输入到所述外层的数据和前一时刻的外层记忆单元数据得到当前时刻的外层记忆单元数据，并将当前时刻的外层记忆单元数据输入到内层；

所述内层遗忘门根据当前时刻输入的外层记忆单元数据和前一时刻的内层记忆单元数据得到当前时刻的内层记忆单元数据；

所述内层重置门根据当前时刻所述内层记忆单元数据更新所述当前时刻的外层记忆单元数据；

更新后的当前时刻的外层记忆单元数据在所述外层重置门通过跳跃连接的作用获得所述隐藏层的输出数据；所述隐藏层的输出数据在所述输出层经过线性变换后输出；

利用均方误差训练公式对所述隐藏层的输出数据和收集的真实输出数据进行对比，得到对比误差；对所述线性变换中的参数进行调整，当所述对比误差小于设定阈值时，获得所述机械臂的逆动力学模型；

所述当前时刻的外层记忆单元数据的计算公式为：c_t＝f_t⊙c_t-1+(1-f_t)⊙X_t，c_t表示当前时刻的外层记忆单元数据，c_t-1表示前一时刻的外层记忆单元数据，X_t表示加权后的当前时刻输入到外层的数据，X_t＝Wx_t，W表示外层加权权重，f_t表示当前时刻输入到外层的数据中应用到所述外层遗忘门的数据比例，t表示当前时刻，t-1表示前一时刻；

f_t＝σ(W_fx_t+b_f)，x_t表示当前时刻输入到外层的数据，W_f表示外层遗忘门权重，b_f表示外层遗忘门的偏置，σ表示sigmoid激活函数；

所述当前时刻的内层记忆单元数据的计算公式为：表示当前时刻的内层记忆单元数据，表示前一时刻的内层记忆单元数据，表示加权后的当前时刻输入内层的数据，表示当前时刻输入内层的数据，表示内层加权权重，表示当前时刻输入到内层数据中应用到所述内层遗忘门的数据比例；

表示所述内层遗忘门权重，表示所述内层遗忘门偏置；

所述当前时刻的外层记忆单元数据的更新公式为：表示当前时刻的内层记忆单元数据，表示当前时刻从所述内层重置门中输出数据的比例，g为tanh激活函数；

表示所述内层重置门权重，表示所述内层重置门偏置。

2.根据权利要求1所述的机器人逆动力学模型的建模方法，其特征在于，所述隐藏层的输出公式为：h_t＝r_t⊙g(c_t)+(1-r_t)⊙x_t，h_t表示当前时刻隐藏层的输出数据，r_t表示当前时刻从所述外层重置门中输出数据的比例，g为tanh激活函数；

r_t＝σ(W_rx_t+b_r)，W_r表示所述外层重置门权重，b_r表示所述外层重置门偏置。