[发明专利]基于深度物理网络的机器人控制系统

说明书

本发明公开了基于深度物理网络的机器人控制系统，涉及机器人系统技术领域，包括以下步骤：步骤一、位置与速度信息获取，步骤二、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，步骤三、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。通过系统学习补偿运动学、动力学和扰动模型，学习动力学让基于神经网络的非线性控制具有物理意义，学习运动学让机器人自己学会模型判定，从而让它适应自身条件变化，学习扰动让机器人学会对未知的扰动进行补偿，提高了系统本体感知，利用对自身结构的先验知识进行学习，降低无法辨别扰动的影响，提高抗扰能力。

技术领域

本发明涉及机器人系统技术领域，具体为基于深度物理网络的机器人控制系统。

背景技术

仿生机器人主要在复杂、未知的环境中运行，其机器人本体的控制问题为欠驱动控制，求解更加困难，对感知、规划功能要求更高，现有的动力学方程数值求解器难以满足大多数欠驱动控制问题，深度神经网络在机器人上往往不够稳定，本文提出一种基于深度物理网络的架构，提升复杂系统的控制稳定性，DRL方法采用基于神经网络的黑盒控制系统从大量样本中直接学习控制方程，例如系统的加速度：其中，为粒子的位置，为粒子的速度，为控制信号，这样学习的结果不稳定，主要体现在以下方面：大部分数值解并没有物理意义，在真实世界中不存在，系统缺乏本体感知，难以利用对自身结构的先验知识进行学习，无法辨别扰动的影响，导致抗扰能力差。

发明内容

本发明提供的发明目的在于提供基于深度物理网络的机器人控制系统，解决上述背景技术中的问题。

为实现以上目的，本发明通过以下技术方案予以实现：基于深度物理网络的机器人控制系统，包括以下步骤：

步骤一、位置与速度信息获取；

步骤二、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；

步骤三、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；

步骤四、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；

步骤五、通过拉格朗日量和控制输入决定机器人的加速度。

进一步的，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：

进一步的，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。

进一步的，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的低位表示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)。

进一步的，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：