1.一种基于神经网络的机器人碰撞检测系统,其特征在于,包括多个与关节电机一一对应的碰撞检测模块,每个碰撞检测模块包括数据采集单元、数据预处理单元、预测单元、判断单元;
所述数据采集单元采集并存储对应关节电机的实际位置;
所述数据预处理单元将关节电机的指令位置、指令速度、实际位置进行归一化,并组合为列向量作为神经网络输入特征数据;
所述预测单元基于预处理单元得到的数据作为神经网络的输入特征数据来预测当前时刻的关节电机位置;
所述判断单元比较当前时刻的所述关节电机实际位置与预测关节电机位置的偏差,如果偏差超过设定范围,则判断发生了碰撞;否则,判断未发生碰撞。
2.根据权利要求1所述的基于神经网络的机器人碰撞检测系统,其特征在于,定义第i个碰撞检测模块的碰撞检测函数ξi(t)为:
机器人每个关节电机伺服系统都有一个与之对应的碰撞检测模块;ei(t)表示第i个碰撞检测模块获得的所述关节电机实际位置与预测电机位置的偏差,t为机器人系统采样时刻,
碰撞检测函数cd(t)如下:
cd(t)=ξ1(t)||ξ2(t)||...ξi(t)||...||ξn(t)
双竖线表示或,当cd(t)为1时,判定机器人发生了碰撞,n表示关节电机数量。
3.根据权利要求1或2所述的基于神经网络的机器人碰撞检测系统,其特征在于,所述预测单元内置神经网络,所述神经网络输入特征数据向量xn(t)为:
其中,
4.根据权利要求3所述的基于神经网络的机器人碰撞检测系统,其特征在于,k值确定包括:
tmax为机器人实际运行的一段非周期长轨迹所经历的机器人系统指令周期数;jmax为不大于50的正整数,j为正整数,取值范围为1~jmax。
5.根据权利要求1或2所述的基于神经网络的机器人碰撞检测系统,其特征在于,还包括上层控制器,生成每个指令周期的指令并发送给关节电机伺服系统;关节电机伺服系统驱动关节电机运转;上层控制器将所述数据采集单元获得的关节电机的实际位置及控制器自己生成的指令位置、指令速度发送给数据预处理单元;数据预处理单元将数据进行归一化、组合预处理操作;处理后的数据作为输入特征数据发送给预测单元。
6.一种基于神经网络的机器人碰撞检测方法,其特征在于,包括:
检测每个关节电机的实际位置;获取关节电机的指令位置和指令速度;
基于关节电机的指令位置、指令速度、实际位置预测当前时刻的关节电机位置;
比较当前时刻的所述关节电机实际位置与预测关节电机位置的偏差,如果偏差超过设定范围,则判断发生了碰撞;否则,判断未发生碰撞。
7.根据权利要求6所述的基于神经网络的机器人碰撞检测方法,其特征在于,定义第i个碰撞检测模块的碰撞检测函数ξi(t)为:
机器人每个关节电机伺服系统都有一个与之对应的碰撞检测模块;ei(t)表示第i个碰撞检测模块获得的所述关节电机实际位置与预测电机位置的偏差,t为机器人系统采样时刻,
碰撞检测函数cd(t)如下:
cd(t)=ξ1(t)||ξ2(t)||...ξi(t)||...||ξn(t)
双竖线表示或,当cd(t)为1时,判定机器人发生了碰撞,n表示关节电机数量。
8.根据权利要求6或7所述的基于神经网络的机器人碰撞检测方法,其特征在于,所述预测单元内置神经网络,所述神经网络输入特征数据向量xn(t)为:
其中,
9.根据权利要求8所述的基于神经网络的机器人碰撞检测方法,其特征在于,所述神经网络为bp神经网络、rbf神经网络、循环神经网络或深度神经网络。
10.根据权利要求9所述的基于神经网络的机器人碰撞检测方法,其特征在于,所述神经网络的训练包括:
控制机器人在正常工况下做非周期重复的无规律的长轨迹运动;运动过程中满足各个关节电机能够达到最大位置和最大速度;采集运动过程中机器人系统各个关节在各个时刻的实际位置,并存储各个时刻的指令位置、指令速度和实际位置;
对所得到的指令位置、指令速度和实际位置数据进行归一化,并组合为列向量作为神经网络输入特征数据;
将处理后的数据作为神经网络的训练样本,以预处理后的指令位置、指令速度、实际位置的组合数据作为神经网络的输入特征数据,以当前时刻的实际位置作为神经网络的输出标签进行有监督的神经网络训练。