[发明专利]一种用于打磨机器人的柔性恒力控制方法及系统

权利要求书

1.一种用于打磨机器人的柔性恒力控制方法，其特征在于，所述方法应用于一用于打磨机器人的柔性恒力控制系统，所述系统包括恒力补偿模块和九轴姿态补偿模块，所述方法包括：

通过所述恒力补偿模块，检测获取第一打磨机器人所要进行打磨的第一打磨信息；

将所述第一打磨信息输入恒力补偿分析模型，获得恒力补偿信息；

采用所述恒力补偿信息对所述第一打磨机器人进行打磨恒力补偿调整，并检测所述第一打磨机器人的姿态，获得第一姿态信息；

根据所述第一姿态信息，构建姿态平衡补偿状态空间；

在所述姿态平衡补偿状态空间内，获取多种姿态补偿行为信息；

构建姿态补偿优化适应度，在多种所述姿态补偿行为信息内进行优化，获得最优姿态补偿行为信息，其中所述构建姿态补偿优化适应度，包括：采集获取不同所述姿态补偿行为信息进行姿态平衡补偿后的第二姿态信息；采集获取不同所述姿态补偿行为信息进行姿态平衡补偿后对所述第一打磨机器人的恒力控制影响信息；根据对打磨影响的严重程度，对所述第二姿态信息和所述恒力控制影响信息进行权重分配，获得权重分配结果；将所述第二姿态信息、所述恒力控制影响信息和所述权重分配结果作为所述优化适应度；

采用所述最优姿态补偿行为信息进行姿态平衡补偿，并进行打磨，且将补偿后的姿态信息作为下次进行姿态平衡补偿的初始姿态信息。

2.根据权利要求1所述的方法，其特征在于，所述将所述第一打磨信息输入恒力补偿分析模型，包括：

采集获取第一打磨场景信息，其中，所述第一打磨场景信息内包括多种打磨信息，所述第一打磨信息包括于多种所述打磨信息内；

基于神经网络模型，根据所述第一打磨场景信息构建所述恒力补偿分析模型；

将所述第一打磨信息输入所述恒力补偿分析模型，获得第一输出结果；

根据所述第一输出结果，获得前馈恒力补偿信息和反馈恒力补偿信息；

将所述前馈恒力补偿信息和所述反馈恒力补偿信息作为所述恒力补偿信息。

3.根据权利要求2所述的方法，其特征在于，所述基于神经网络模型，根据所述第一打磨场景信息构建所述恒力补偿分析模型，包括：

基于神经网络模型，构建所述恒力补偿分析模型的输入层、隐藏层和输出层，其中所述隐藏层包括前馈恒力补偿分析网络和反馈恒力补偿分析网络；

采集获取多组前馈恒力补偿数据，其中，每组所述前馈恒力补偿数据均包括打磨信息、初始打磨恒力信息、前馈恒力补偿信息和调整打磨恒力信息；

对多组所述前馈恒力补偿数据进行划分和标识，对所述前馈恒力补偿分析网络进行监督训练、验证和测试，直到所述前馈恒力补偿分析网络的准确率达到预设要求；

采集获取多组反馈恒力补偿数据，其中，每组所述反馈恒力补偿数据均包括打磨信息、调整打磨恒力信息和反馈恒力补偿信息；

对多组所述反馈恒力补偿数据进行划分和标识，对所述反馈恒力补偿分析网络进行监督训练、验证和测试，直到所述反馈恒力补偿分析网络的准确率达到预设要求；

全连接所述前馈恒力补偿分析网络和所述反馈恒力补偿分析网络，并进行联合训练；

获得所述恒力补偿分析模型。

4.根据权利要求1或2所述的方法，其特征在于，所述检测所述第一打磨机器人的姿态，包括：

通过所述九轴姿态补偿模块采集获取所述第一打磨机器人的多维度姿态信息集合，其中，所述多维度姿态信息集合包括三轴加速度姿态信息集合、三轴角速度姿态信息集合和三轴角运动姿态信息集合；

对所述多维度姿态信息集合进行融合降维，获得所述第一姿态信息。

5.根据权利要求4所述的方法，其特征在于，所述对所述多维度姿态信息集合进行融合降维，包括：

对所述多维度姿态信息集合进行去中心化处理，获得特征数据集；

计算获得所述特征数据集的协方差矩阵；

对所述协方差矩阵进行运算，获得所述协方差矩阵的特征值和特征向量；

将所述多维度姿态信息集合投影至所述特征向量上，获得降维数据集；

将所述降维数据集作为所述第一姿态信息。