[发明专利]基于图像识别的机械臂多任务自主学习控制方法及系统

权利要求书

1.一种基于图像识别的机械臂多任务自主学习控制方法，其特征在于，包括下述步骤：

在辨识阶段构建一组同构机械臂的运动学模型、动力学模型和多个期望回归的笛卡尔空间轨迹模型，定义每种期望回归轨迹为一种工作任务；

在辨识阶段，根据构建的机械臂逆运动学模型将笛卡尔空间轨迹映射为机械臂关节空间回归轨迹，通过构建通讯拓扑结构，在关节空间联合轨迹下实现一组同构机械臂神经网络权值在线经验分享，设计自适应神经网络协同学习控制器为：

其中，c_i,2为设计的正常数控制增益矩阵，为理想神经网络权值的估计值，S(ψ_i)是以向量ψ_i为输入的高斯径向基函数，a_ij为机械臂间通讯拓扑的邻接矩阵元素，z _i,p为误差变量，Γ_i为设计的正定对角矩阵，σ_i为常数；ρ为协同增益系数；

在协同学习控制后闭环系统一致收敛的时间段[t₁,t₂]内，选取常值神经网络权值形式为：

利用经验权值设计常值神经网络控制器：

在辨识阶段利用卷积神经网络的特征提取和泛化能力，训练图像经过卷积池化操作进行特征提取得到特征层，所述特征层再经过卷积池化操作，将特征泛化得到增强层，特征层与增强层全链接于输出层，构建一类基于卷积神经网络的宽度学习系统作为图像分类器；

在辨识阶段将图像分类器中图像的类别和多个工作任务设置映射表，建立一一对应关系，表示为：

f:κ→Σ_y

其中，κ∈{1,2,...,K}是图像分类的标签，Σ_y是机械臂组可完成的所有工作任务；

在识别阶段摄像头实时监测环境变化，获得图像标签；

在识别阶段通过建立好的映射表切换到所述图像标签对应工作任务；

机械臂在识别阶段调用常值神经网络控制器，完成机械臂多任务自主控制。

2.根据权利要求1所述的基于图像识别的机械臂多任务自主学习控制方法，其特征在于，在辨识阶段构建一组同构机械臂的运动学模型，具体步骤包括：

正运动学表示机械臂从关节空间到笛卡尔空间的映射：

χ＝T(q)

逆运动学表示机械臂从笛卡尔空间到关节空间的映射：

q＝InvT(χ)

其中，χ＝[x,y,z]^T为机械臂末端在笛卡尔空间的位置，q＝[θ₁,θ₂,...,θ_n]^T为机械臂在关节空间的角位移，n对应着机械臂的关节数，T(·)为正运动学映射关系，InvT(·)为逆运动学映射关系。

3.根据权利要求1所述的基于图像识别的机械臂多任务自主学习控制方法，其特征在于，所述一组同构机械臂的动力学模型表示为：

其中，x_i,1＝[x_i,1,1,x_i,1,2,…,x_i,1,n]^T、x_i,2＝[x_i,2,1,x_i,2,2,…,x_i,2,n]^T分别为机械臂关节角位移和关节角速度，M(x_i,1)为机械臂的惯性矩阵，C(x_i,1,x_i,2)为向心力矩阵，G(x_i,1)为重力项，F(x_i,2)为摩擦力向量，u_i为控制力矩。

4.根据权利要求1所述的基于图像识别的机械臂多任务自主学习控制方法，其特征在于，所述笛卡尔空间轨迹模型表示为：

其中，分别为图像分类标签κ的工作任务下机械臂末端在笛卡尔空间下的期望回归轨迹，分别为已知的连续可导周期函数。