[发明专利]基于群体编码脉冲神经网络的多机械臂协同运动规划方法

说明书

本发明公开了基于群体编码脉冲神经网络的多机械臂协同运动规划方法，所述方法包括以下步骤：从运动场景中任意时刻的任意一个机械臂获取其周边相关机械臂的状态数据，分别设计群体编码模块，脉冲神经网络模块，群体解码模块，输出机械臂每个关节在下一个时刻应该转动的角度，实现该机械臂的自主运动规划。本发明通过基于群体编码脉冲神经网络对多机械臂的协同运动规划，使每个机械臂都考虑了其周边其他机械臂的运动，可以很大程度上减少机械臂之间的碰撞，此外，本发明是基于群体编码脉冲神经网络，只需要在出现脉冲时，将突触权重加到其神经元膜电位上，避免了传统神经网络中大量的浮点数高精度乘法运算。

技术领域

本发明涉及机械臂运动规划技术领域，具体为一种基于群体编码脉冲神经网络的多机械臂协同运动规划方法。

背景技术

多机械臂协同工作是指多个机械臂在同一个任务中相互合作，以达到更高的效率和更高的精度。在大型制造过程中，如汽车制造、航空制造等，通常需要多个机械臂协同工作，以完成不同的制造步骤。在物流和仓储领域，多机械臂协同运动已经成为提高生产效率、降低成本和提高品质的重要手段之一。此外，在一些危险的场景下，如核电站、危险化工厂等，多机械臂协同工作也能够用于替代人力完成一些危险操作，提高生产效率的同时，也保障了工作人员的安全。

然而，多机械臂协同工作需要确保各个机器人运动轨迹的协调性和一致性，才能够实现任务的高效完成。运动轨迹的规划过程是机械臂协同工作的关键因素。基于采样的运动规划算法随着机械臂自由度增加，其计算量呈指数增长，不够快速和灵活，缺乏实时响应和动态规划的能力。基于学习的运动规划算法需要在较长的训练阶段和更快的在线执行之间进行权衡，多集中在解决单机械臂自身的运动问题，不足以处理多机械臂之间共同协作的问题。现有的基于学习的多臂运动规划研究多依赖于集中式反向运动学（IK）解算器，如果在工作场景中添加、移除或移动手臂，则必须从头开始学习其约束。

脉冲神经网络能够部署在神经形态处理器上，是深度网络的节能替代方案。在这种新兴的神经形态计算范式中，记忆和计算紧密集成，只需要在出现脉冲时，将突触权重加到其神经元膜电位上，避免了传统神经网络中大量的浮点数高精度乘法运算，因此在系统运行过程中，能量消耗极低。目前，脉冲神经网络已被应用于自动驾驶环境感知领域，用于检测、分类或者追踪汽车、行人和路标等物体，但是脉冲神经网络在工业机械臂高维连续运动规划问题上的研究是相当有限的，也正在得到越来越多的关注和投入。

发明内容

本发明的目的在于提供基于群体编码脉冲神经网络的多机械臂协同运动规划方法，以解决现有多机械臂运动规划中存在的灵活性低、能耗高的问题。

为实现上述目的，本发明提供如下技术方案：基于群体编码脉冲神经网络的多机械臂协同运动规划方法，包括以下步骤：

步骤一:从运动场景中任意时刻的任意一个机械臂获取其周边相关机械臂的状态数据；

步骤二: 设计群体编码模块，将观测到的状态数据的每个维度编码为一个神经元群体得到脉冲信号；

步骤三:设计脉冲神经网络模块处理脉冲信号输出群体活动脉冲；

步骤四:设计群体解码模块，将群体活动脉冲解码为机械臂每个关节在下一个时刻应该转动的角度，实现该机械臂的自主运动规划；

步骤五:基于深度强化学习框架优化群体编码模块、脉冲神经网络模块以及群体解码模块的参数，规划场景中多个机械臂协同运动。

优选的，相关机械臂为所有基底与机械臂基底距离在1.0m范围内的机械臂，且包括机械臂本身，都为机械臂的相关机械臂；

任意一个相关机械臂的状态数据包括：相关机械臂的基底位姿、末端位姿、10个关节的位置、6个关节角度、目标末端位姿；