[发明专利]一种基于深度学习的机器人轨迹规划方法

摘要

本发明公开了一种基于深度学习的机器人轨迹规划方法，先通过建立机器人的运动学模型，并给机器人一个基础规划轨迹，让机器人运动起来，采集机器人的实时信息，包括位置，力矩等信息，建立机器人的动力学模型，然后，利用Q‑learning强化学习得到最优的规划轨迹；该发明基于实际采集数据进行建模和学习，避免了在理想环境下建模。该套方法可以在各种复杂的环境中应用于工业机器人因为其具有参数自学习，自调整的能力。在机器人一致性较好的情况下，机器人学习到的模型可以共享给同类型机器人平台。这一研究在工业生产中，具有广泛的应用前景。

主权项

1.一种基于深度学习的机器人轨迹规划方法，其特征在于：包括机器人本体、所述机器人本体包括机器人控制系统，所述机器人控制系统包括轨迹规划模块、状态观测模块和智能学习模块，所述轨迹规划模块用于建立运动学模型和样条曲线规划；所述状态观测模块包括数据采集单元和加工执行单元，具体的轨迹规划方法包括如下步骤：步骤一：所述轨迹规划模块使用DH参数建立机器人的运动学模型，设置机器人的运动学限制；并进行基础的轨迹规划，滤波后得到基础规划轨迹；步骤二：将基础规划轨迹作为机器人运动的参考轨迹让机器人运动起来，所述状态观测模块内的数据采集单元采集得到机器人的实际运行轨迹；将所述实际运行轨迹作为所述智能学习模块的输入，将所述基础规划轨迹作为所述智能学习模块的输出，训练所述智能学习模块后得到所述实际运行轨迹与所述基础规划轨迹之间的映射关系；步骤三：利用步骤二得到的映射关系，将理想轨迹输入给所述智能学习模块，使机器人按照所述智能学习模块输出的参考轨迹运动，并且，所述状态观测模块内的数据采集单元采集到每个关节的位置、速度、加速度以及力矩；将每个关节的位置、速度、加速度作所述智能学习模块的输入，相对应的关节的力矩作为所述智能学习模块的输出；训练所述智能学习模块后得到每个关节的位置、速度、加速度和力矩的映射关系；步骤四：利用步骤三生成的映射关系，得到机器人在运行轨迹的各个位置下的关节力矩大小，判断所述关节力矩是否超出限制，并且确定连续轨迹。