[发明专利]基于深度物理网络的机器人控制系统

权利要求书

1.基于深度物理网络的机器人控制系统，其特征在于，包括以下步骤：

S1、位置与速度信息获取；

S2、位置信息通过动能(T)GNN进行动能计算速度信息通过势能(V)MLP进行势能计算；

S3、对动能数据进行拉格朗日量计算，根据势能数据，转换为当前状态数据，由设定的控制策略MLP进行判断；

S4、设定的扰动模型BNN，对当前状态进行计算，对控制输入的补偿；

S5、通过拉格朗日量和控制输入决定机器人的加速度。

2.根据权利要求1所述的基于深度物理网络的机器人控制系统，其特征在于，包括以下步骤：根据步骤一中的操作步骤，所述1.求解基于位置、速度、控制输出的正演模型：

3.根据权利要求1所述的基于深度物理网络的机器人控制系统，其特征在于，包括以下步骤：根据步骤一中的操作步骤，所述得到广义加速度我们可以用Runge-Kutta(RK)数值积分得到动态系统的未来状态所述采用MPC算法计算控制变量τ。

4.根据权利要求1所述的基于深度物理网络的机器人控制系统，其特征在于，包括以下步骤：根据步骤二中的操作步骤，所述机器人通过p(s_t|o_t，s_t-1，a_t-1)获得x_t的低维表示s_t，我们可以假设s_t代表粗粒度的x_t，并且符合同样的规律，代入多层感知机(MLP)学习动能和势能：V_MLP＝MLP(q)。

5.根据权利要求1所述的基于深度物理网络的机器人控制系统，其特征在于，包括以下步骤：根据步骤三中的操作步骤，所述机器人的机械结构对于机器人是未知的，控制问题先要解决模式辨识问题，所述机器人可以通过图神经网络(GNN)学习自身机械结构的运动学模型，所述GNN的输入是描述粒子动力学的图G＝(V，E)，包括可变数量的点(Vertices)和边(Edges)，这里，点为系统推测的粒子，边为系统推测的粒子间作用，利用GNN架构，GNN的输出是系统的运动学特征即逼近的动能：于是我们有了带有运动学的控制方程：

6.根据权利要求1所述的基于深度物理网络的机器人控制系统，其特征在于，包括以下步骤：根据步骤四中的操作步骤，所述进一步将非守恒力分解为系统自身的机械输出对于整个系统的影响，所述系统受到的扰动，例如摩擦、载荷等：τ＝B(q)·a+∈，其中，a～π(a_t|s_t)为控制策略，由雅各比矩阵B(q)转换为对整个系统的控制输入，系统受到的各种扰动∈～p(∈|s_t)取决于当前状态，通过MLP学习雅各比矩阵B(q)，通过贝叶斯神经网络学习(BNN)扰动模型p(∈|s_t)。

7.根据权利要求1所述的基于深度物理网络的机器人控制系统，其特征在于，包括以下步骤：根据步骤一中的操作步骤，我们用拉格朗日力学描述x_t的动态系统，广义坐标为动态系统的运动过程中，所有的粒子从状态x_t进入下一个状态x_t+1，这些粒子可能通过不同的路径从x_t到x_t+1，每个路径都有一个拉格朗日量，≡T-V，为动能，V(q)为势能。

8.根据权利要求1所述的基于深度物理网络的机器人控制系统，其特征在于，包括以下步骤：根据步骤三中的操作步骤，机器人有多种路径选择，通过控制输出，改变系统状态，这包括让系统保持在某种非稳态，也可能存在外力将系统踢出稳态，所以，拉格朗日量符合非守恒的欧拉-拉格朗日方程：

9.根据权利要求1所述的基于深度物理网络的机器人控制系统，其特征在于，包括以下步骤：根据步骤三中的操作步骤，所述τ代表系统中的非守恒力，令我们得到：

10.根据权利要求1所述的基于深度物理网络的机器人控制系统，其特征在于，包括以下步骤：根据步骤三中的操作步骤，所述链式法则将时间导数进一步展开：