[发明专利]一种基于长短期记忆神经网络增量模型的装配控制方法有效
申请号: | 201910431501.8 | 申请日: | 2019-05-22 |
公开(公告)号: | CN110154024B | 公开(公告)日: | 2020-09-15 |
发明(设计)人: | 张和明;刘文正;陈佳宁 | 申请(专利权)人: | 清华大学 |
主分类号: | B25J9/16 | 分类号: | B25J9/16 |
代理公司: | 北京清亦华知识产权代理事务所(普通合伙) 11201 | 代理人: | 廖元秋 |
地址: | 100084*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明提出一种基于长短期记忆神经网络增量模型的控制方法,属于信息物理系统智能控制技术领域。该方法通过建模软件对装配线上的待装配产品装配机器人和装配任务实体建立虚拟模型,并基于动力学原理对装配机器人运动位姿进行精准的控制,通过虚拟装配规划可行的装配方案,实现虚实模型之间实时的精准映射,使实际的装配满足虚拟装配的误差要求,以维护虚拟模型与设备实体在运动过程中的时空一致性。本发明可提高虚拟装配结果的准确性,确保实际装配顺利完成。 | ||
搜索关键词: | 一种 基于 短期 记忆 神经网络 增量 模型 装配 控制 方法 | ||
【主权项】:
1.一种基于长短期记忆神经网络增量模型的装配控制方法,其特征在于,包括以下步骤:1)训练阶段;1‑1)选定训练待装配产品,对装配机器人、训练待装配产品以及训练装配任务分别进行建模,得到装配机器人、训练待装配产品及训练装配任务分别对应的虚拟模型;1‑2)基于步骤1‑1)的装配机器人、训练待装配产品及训练装配任务的虚拟模型,规划装配机器人对训练待装配产品执行训练装配任务的装配路径,得到装配机器人虚拟模型在执行训练装配任务的虚拟路径点p'0……p'n及每个虚拟路径点对应的装配机器人虚拟模型的控制输入θ0……θn,其中,θi为第i个虚拟路径点p′i对应的装配机器人虚拟模型各关节转角组成的向量,p'0表示虚拟路径的起点,同时也是装配机器人的实际起点p0;p'n表示虚拟路径的目标点;1‑3)构建基于长短期记忆神经网络增量模型并进行训练,得到机器人虚实映射逆运动学初始模型;具体步骤如下:1‑3‑1)构建基于长短期记忆神经网络增量模型,其中,模型的输入为装配机器人第i个实际路径点位置pi;模型的输出是第i个虚拟路径点p′i对应的装配机器人虚拟模型的关节转角向量的预测值
1‑3‑2)令初始时刻,装配机器人虚拟模型的控制输入为θ0,装配机器人虚拟模型到达虚拟路径起点p'0,同时装配机器人处于实际路径的起点p0,分别采集此时的(p0,θ0)作为实际路径点p0对应的训练样本;1‑3‑3)令i=1;1‑3‑4)在第i‑1个虚拟路径点p′i‑1,将控制输入θi同时发送给装配机器人虚拟模型和装配机器人,虚拟模型和装配机器人分别进行相应的运动,虚拟模型到达p′i,装配机器人的实际输入为θ′i,实际到达pi,得到实际路径点pi对应的训练样本(pi,θi);1‑3‑5)令i=i+1,然后重新返回步骤1‑3‑4),直至装配机器人虚拟模型按照步骤1‑2)规划的路径点持续进行运动至p'n,此时装配机器人运动至训练装配任务的目标点pn,得到每个实际路径点对应的训练样本组成训练样本集{(p0,θ0)……(pn,θn)};1‑3‑6)利用训练样本集{(p0,θ0)……(pn,θn)}训练步骤1‑3‑1)建立的基于长短期记忆神经网络增量模型,直至模型收敛,得到机器人虚实映射逆运动学初始模型;2)装配阶段;2‑1)选取实际装配产品及对应的实际装配任务(实际装配产品无特殊要求,满足这机器人的负载重要求即可,实际装配产品可与训练装配产品不同,,本实施例中实际装配产品具体为仪器舱及其中的配件,实际装配任务为将配件放入仪器舱,实际装配任务中装配工作空间在装配机器人的工作半径以内即可);2‑2)建立步骤2‑1)选取的实际装配产品和实际装配任务分别对应的虚拟模型,装配机器人虚拟模型为步骤1‑1)建立的装配机器人虚拟模型;2‑3)基于装配机器人、实际装配产品和实际装配任务的虚拟模型,重复步骤1‑2),得到装配机器人虚拟模型执行实际装配任务对应的虚拟路径系列点(p'a0,……,p'am),其中下标a表示实际装配任务,p′ai表示装配机器人虚拟模型执行实际装配任务a对应的第i‑1个路径点;2‑4)将步骤1‑3‑4)得到的初始模型作为当前模型;2‑5)将步骤2‑3)得到的路径规划结果(p'a0,……,p'am)输入当前模型,得到装配机器人虚拟模型在各个虚拟路径点对应的控制输入(θa0,……,θam);2‑6)令装配机器人虚拟模型的控制输入为θa0,装配机器人虚拟模型到达p'a0,同时装配机器人处于实际装配任务的实际路径起点pa0,pa0与p'a0为同一个点;2‑7)令i=1;2‑8)在第i‑1个虚拟路径点p′ai‑1,将控制输入θai同时发送给虚拟模型和装配机器人,虚拟模型和装配机器人分别进行相应的运动,虚拟模型到达p'ai,装配机器人的实际输入为θ'ai,实际到达pai;2‑9)比较p'ai与pai之间的误差并进行判定:若误差小于设定的误差阈值,则不更新当前模型,令i=i+1,然后重新返步骤回2‑8);若误差大于设定的误差阈值,则利用增量学习对(pai,θai)进行学习,更新优化当前模型,直到p'ai与pai之间的误差小于误差阈值,然后令i=i+1,重新返回2‑8);2‑10)当i=m时,装配机器人到达实际装配任务的目标点pam,装配控制结束。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于清华大学,未经清华大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201910431501.8/,转载请声明来源钻瓜专利网。