[发明专利]一种基于异步时域视觉传感器的油缸运动优化方法

权利要求书

1.一种基于异步时域视觉传感器的油缸运动优化方法，其特征在于，包括以下步骤：

S1：采集油缸的异步时域视觉传感器数据，包括：

采集异步时域视觉传感器输出的时间戳序列，其中每个时间戳表示像素变化的时间和位置，时间戳序列的形式为：

；

其中，表示第i个时间戳，和表示像素在图像平面上的位置，表示像素的极性，即表示该像素在时间戳时是发生了亮度增加和/或亮度减小，N表示时间戳序列的长度；

S2：对异步时域视觉传感器数据进行预处理，去除干扰信息，得到油缸图像，包括：

将S1中获取的时间戳序列转化为图像用于后续处理，转换为图像的方式为：

S21：计算每个像素的时间差序列：对每个像素(x,y)，计算它的时间差序列，，其中表示像素(x,y)在时间戳序列D中出现的次数；

S22：计算像素的极性加权值：对每个像素(x,y)，将它的极性乘以中相应时间差权重，得到像素(x,y)的极性加权值：

；

S23：生成像素的亮度值：对每个像素(x,y)，根据其极性加权值生成像素的亮度值：

；

S24：生成图像：将每个像素(x,y)的亮度值填充到对应的像素位置上，生成图像；

S25：对生成的图像进行去噪，获得更准确的图像：按照采样时长进行加权平均得到动态范围调整后的图像：

；

其中，表示像素(x,y)在时间戳序列D中出现的次数；，表示出现的序号；为像素(x,y)在S24中生成的图像上的值；表示像素(x,y)的采样时长；

S3：对油缸图像进行处理，提取油缸的运动信息；

根据图像，计算油缸的运动信息，包括油缸当前位置，速度，加速度：

为获取油缸当前位置，首先计算每个带有油缸位置的标准图像与当前异步时域视觉传感器生成的油缸图像的距离：

；

其中，C表示和不同标准图像之间的距离集合；计算欧式距离；表示第j个标准图像；J表示标准图像的数量，标准图像通过预先对油缸不同位置进行拍摄获得；

对C从小到大排序，选择C中第K小的元素，得到参考距离值d，从而根据参考距离值选取K个标准图像所对应的位置计算油缸的当前位置：

；

获得油缸的位置后，即可根据油缸的位置序列计算当前油缸图像在当前位置的速度与加速度，从而组成油缸当前运动信息；

S4：对油缸的运动信息进行建模，为油缸运动状态的控制和优化提供基础；

根据S3中获得的油缸的运动信息序列，使用循环神经网络对该序列进行建模，使得循环神经网络能够根据当前的运动信息，预测油缸下一步的运动信息，为后续油缸运动优化提供基础；

S41：循环神经网络的输入和输出由相邻两个运动信息构成，即：

；

；

其中，代表循环神经网络的输入，代表循环神经网络在预测完全准确时的输出，r代表油缸第r个运动信息；

S42：根据循环神经网络的输入和循环神经网络的结果计算网络的输出：

；

；

其中，代表循环神经网络隐藏层的状态，为激活函数，用于增加循环神经网络的非线性表达能力；，，，b和c分别为权重和偏置；

S43：通过最小化网络的输出和真实值之间计算得到的损失函数，调整模型参数并优化模型性能，损失函数的计算方式为：

；

参数的更新方式为：

；

；

；

；

；

其中，表示学习率，控制参数学习的速率，，，，和分别为损失函数对于权重和偏置的偏导数；

S44：根据训练好的循环神经网络，即可预测未来若干个油缸的运动信息；

S5：根据油缸的建模结果预测油缸的运动信息，构建优化目标调整油缸的运动轨迹，完成油缸运动优化。

2.根据权利要求1所述的一种基于异步时域视觉传感器的油缸运动优化方法，其特征在于，所述S5步骤中根据油缸的建模结果预测油缸的运动信息，构建优化目标调整油缸的运动轨迹，完成油缸运动优化，包括：

根据S4获得油缸当前和预测出的未来的运动信息后，即可优化油缸的运动轨迹，使其能够在规定时间内保持运动的平滑和稳定，构建优化的目标函数：

；

其中，表示最小化内部函数，表示油缸从第r个位置到循环神经网络预测出的第r+1个位置所消耗的时间；表示油缸从第r个位置到循环神经网络预测出的第r+1个位置所消耗的能量；

完成需要优化的目标函数构建后，进一步限定需要优化的油缸运动时的速度和加速度的约束：

；

；

；

其中，，和表示油缸运动轨迹中的位置，速度和加速度；和表示油缸第r个位置和循环神经网络预测出的第r+1个位置；和表示油缸第r个位置和循环神经网络预测出的第r+1个位置的速度；和表示油缸第r个位置和循环神经网络预测出的第r+1个位置的速度；

在约束条件下随机生成若干组油缸运动时的位置，速度和加速度，选取能让目标函数最小的油缸运动轨迹作为优化后的油缸的运动轨迹。