[发明专利]机器人控制装置和用于控制机器人的方法

说明书

本发明涉及机器人控制装置和用于控制机器人的方法。根据实施例描述了一种针对多关节机器人的机器人控制装置，所述机器人具有多个被链接的机器人连杆，所述机器人控制装置具有：多个递归神经网络；输入层，所述输入层设立为给每个递归神经网络输送针对相应的机器人连杆的相应运动信息，其中每个递归神经网络都训练来，从输送给该递归神经网络的运动信息中确定相应的机器人连杆的位置状态，并且输出所述位置状态；和神经控制网络，该神经控制网络训练来，从由递归神经网络输出的和作为输入量输送给神经控制网络的位置状态中确定针对机器人连杆的控制量。

技术领域

不同的实施例总体涉及机器人控制装置和用于控制机器人的方法。

背景技术

例如在生产设施中，操作任务非常重要。在此，基本任务是，将机器人的操作机（例如夹具）开动到预先给定的目标状态中。机器人在此包括一系列被链接的关节，这些关节具有不同的自由度（针对英语Degrees Of Freedom的DOF）。存在不同的方案来解决该问题。

基于强化学习（Reinforcement-Learning）方法的神经网络是用于控制一般自主的系统的可能性，所述神经网络也可以被用于控制多关节的机器人方法。在机器人控制中，大多使用显式坐标系（例如笛卡尔坐标或者球坐标），用于描述空间系统状态。

A. Banino等人的出版物“Vector-based navigation using grid-likerepresentations in artificial agents”（Nature，2018年）描述了以生物学方式来激励的神经网络的应用，为了表示空间坐标，所述神经网络使用所谓的位置细胞（Place-Zellen）和网格细胞（Grid-Zellen），用于解决导航问题。

发明内容

本发明所基于的问题是，提供借助神经网络对多关节机器人的高效控制。

具有权利要求1（对应于处于下面的第一实施例）和权利要求8（对应于处于下面的第八实施例）的特征的机器人控制装置和机器人控制方法能够实现，借助神经网络（也就是借助神经网络的控制的性能），以经过改进的方式计算针对多关节的物理系统（例如具有夹具或者操作机的机器人）的控制信号。这通过采用如下网络架构来实现：该网络架构产生针对位置状态的网格编码（GC），并且以此产生对于神经网络有用的针对空间坐标的图示。

在下文说明了不同的实施例。

第一实施例是一种针对多关节机器人的机器人控制装置，所述机器人具有多个被链接的机器人连杆（Roboterglidern），所述机器人控制装置具有：多个递归神经网络；输入层，该输入层设立为，给每个递归神经网络输送针对相应的机器人连杆的相应运动信息，其中每个递归神经网络都训练来，从输送给该递归神经网络的运动信息中确定相应的机器人连杆的位置状态，并且输出该位置状态；和神经控制网络，该神经控制网络训练来，从由递归神经网络输出的和作为输入量输送给神经控制网络的位置状态中，确定针对机器人连杆的控制量。

第二实施例是根据第一实施例的机器人控制装置，其中每个递归神经网络都训练来，确定呈网格编码图示的位置状态，并且神经控制网络训练来，处理呈网格编码图示的位置状态。

网格编码对于状态的路径整合是有利的，并且图示了也针对大距离（与最大网格大小相比为大）的度量（间距规格）。总的来看，为了由神经网络进一步处理，将空间状态图示为网格编码比直接的（例如笛卡尔图示）坐标图示是更有利的。

第三实施例是根据第一实施例或者第二实施例的机器人控制装置，其中每个递归神经网络都具有神经网格细胞集合，并且每个递归神经网络和相应的网格细胞集合都被训练为使得，相应的机器人连杆的所确定的位置状态越靠近与每个网格细胞关联的空间网格的网格点，针对该网格的每个网格细胞就越活跃。

第四实施例是根据第三实施例的机器人控制装置，其中对于每个递归神经网络，神经网格细胞集合都具有如下多个网格细胞：所述网格细胞与在空间上不同地来定向的网格关联。