一种类人机器人上肢运动模型的类神经精准控制方法
【技术领域】
[0001]本发明涉及一种类人机器人运动模型的控制方法，尤其涉及一种类人机器人上肢 运动模型的类神经精准控制方法。
[0002] 背景
[0003] 传统机器人采用以关节电机为主的驱动方式，在控制过程中需要通过对各个关节 的精确控制来完成运动任务，当运动的自由度很高时，控制会变得很复杂。而且，传统机器 人大多根据特定任务设计，功能单一，不具有广泛的应用能力，无法很好地应对新的运动任 务。
[0004] 参照人体运动系统，采用仿人的肌肉-关节结构的类人机器人与传统机器人相比， 在灵活性、通用性和可靠性上具有显著的改善。但由于其特殊的结构设计，增加了运动模型 的自由度和非线性性，也使得对模型的反向求解计算过程繁琐，计算量大，因此对传统的控 制方法提出了更高的要求。
[0005] 现有一种技术方案如下：
[0006] 现有技术I :H.Qiao，C.Li，P.J.Yin，W.Wu and Z.-Y.Liu,Human-inspired motion model of upper-1imb with fast response and learning ability-A promising direction for robot system and control,Assembly Automation,in publication.
[0007] 现有技术I公开了一种类人机器人上肢运动的类神经控制方法，该方法是基于将 习惯计划理论应用于类人机器人控制而提出的，可以根据学习所得的运动模板来完成新的 运动任务。该方法大幅地减少了机器人控制过程中的计算量，与传统控制方法相比提高了 运动速度，还可以通过不断地积累更多的运动模板点来提高运动精度。但是该方法在提高 控制精度时所需的模板点数量大，因此在学习过程中可能存在计算量大，学习过程缓慢，且 对存储要求高等问题。而且该方法所提高的运动精度局限在所习得的运动模板范围内，缺 乏泛化能力。
[0008] 在神经认知领域，生物学家提出了群体向量编码的机制，可以根据相关运动神经 元的放电情况，预测生物上肢的运动方向。通过对人体运动通路的研究，生物学家们发现小 脑对运动控制的修正作用。本发明的类人机器人上肢运动模型的类神经精准控制方法就是 基于以上生物机制提出的。
【发明内容】
[0009] 针对以上问题，本发明提出了一种类人机器人上肢运动模型的类神经精准控制方 法，通过较小的样本点更新权重修正模型，降低存储要求，而且习得的权重修正模型具有一 定的泛化能力。
[0010] 本发明提出的一种类人机器人上肢运动模型的类神经精准控制方法，包括模型及 模板的构建、模板的选择和控制输出两大部分，模型及模板的构建包括类人机器人的上肢 动力学模型、运动模板库的构建，模型及模板的构建还包括权重修正模型的建立，模板的选 择和控制输出部分之前设置有更新权重修正模型的步骤：
[0011] 建立权重修正模型：
[0012] 步骤Al:设定一组运动目标点，依次对各运动目标点，基于习惯计划理论的类神经 控制方法从运动模板库中选择k个运动模板并计算各模板点的权重值^，进一步计算运动 目标点的控制信号11，依据控制信号u执行第一轮上肢运动，计算该轮执行结果中终点位置 与对应运动目标点的误差errori;
[0013] 步骤A2:依据第一轮上肢运动的每一个终点位置与对应运动目标点和各模板下的 运动参考点的坐标的相对位置，对权重值Wi进行离线修正，得到修正后的权重值V i ;
[0014] 步骤A3:依次对各运动目标点，根据修正后的各权重值V1计算各运动目标点的控 制信号Y，依据控制信号Y执行第二轮上肢运动，计算该轮执行结果中终点位置与对应运 动目标点的误差error2;
[0015] 步骤A4:依据误差err〇ri和误差errors的变化趋势进行样本筛选，保存误差减小的 运动目标点的运动信息，建立样本库；
[0016] 步骤A5:根据样本库中的信息建立初始的权重修正模型；
[0017]更新权重修正模型：
[0018]步骤BI:指定一批新的运动目标点，基于习惯计划理论的类神经控制方法，并结合 权重修正模型执行一轮上肢运动，计算该轮运动中运动终点坐标与运动目标点坐标的误差 的平均值errormean;
[0019] 步骤B2:若errormean〉设定的误差阈值errorthreshoid，则权重修正模型还未满足控 制要求，需要执行步骤B3进行模型更新;若errorm_《设定的误差阈值errorthreshoid，则权 重修正模型已满足控制要求，结束模型的更新过程；
[0020] 步骤B3:若已有的权重修正模型不能满足控制要求，则建立新的权重修正模型，并 根据新的权重修正模型再次执行步骤Bl。
[0021 ]优选的，所述步骤Al中每一个运动目标点的第一轮上肢运动相关参数的计算方法 包括以下步骤：
[0022] 步骤All:根据给定的运动目标点位置pnew，选择k个合适的运动模板点pi，计算各 模板点权重Wi，
[0025]其中，Cl1、山均表示目标点位置与模板点位置的距离，i、j表示选定的模板点的序 号，（Xi，y i)表示模板点位置的坐标，（Xm，ynew)表示给定目标点位置的坐标；
[0026]步骤A12:根据各模板点的权重W1及控制信号upi，计算目标点的控制信号u，
[0028]步骤A13:根据控制信号执行运动，得到运动终点位置p'，并计算运动终点位置与 运动目标点位置之间的误差errori，
[0030]其中，（X' ,y')为运动终点位置p'的坐标。
[0031]优选的，步骤A2中对权重值Wi修正的方法是参照生物大脑中的群体向量编码机制 而设计的，其具体一下步骤：
[0032] 步骤A21:根据步骤Al中第一轮上肢运动执行结果中终点位置计算相关参数：
[0033] 计算模板点位置Pi与坐标系原点的距离
[0035]计算运动目标点位置Pnew与坐标系原点的距离，
[0037]计算运动终点位置p'与坐标系原点的距离(V，
[0039]计算目标点位置与运动终点位置的距离作为误差距离derror，
[0044] 其中，neN;
[0045] 步骤A23:计算权重修正值Δ Wi和修正后的权重值V i
[0048] 步骤A3中每一个运动目标点的第二轮上肢运动相关参数的计算方法包括以下步 骤：
[0049] 步骤A31:根据各模板点修正后的权重V1及模板点控制信号upi，计算目标点的控 制信号Y ;
[0050] 步骤A32:根据控制信号Y执行上肢运动，得到运动终点位置p〃，并计算运动终点 位置与运动目标点位置Pnew之间的误差error2;
[0051 ] 对步骤A22中的自然数η的不同取值依次分别执行步骤A22、A23、A31、A32并计算误 差error2的值，η的取值从0开始依次向上取值，若n = b时计算的误差值比n = b-l时计算的 误差值要大，则停止继续取值和计算，并保留n = b-l时的误差值为误差errors。
[0052]优选的，步骤A4中建立样本库的方法包括以下步骤：
[0053] 步骤A41:对比两轮运动中各运动目标点的对应的误差，选择errorXerron的目标 占 .
[0054]步骤Α42:保存所选运动目标点的运动信息，建立样本库；运动目标点的运动信息 包括:该运动目标点的位置坐标Pnew、该运动目标点所对应的各模板点的位置坐标Pi、各模 板点的权重值Wi，各模板点的权重修正值Δ Wi。
[0055] 优选的，步骤A5中权重修正模型的建立方法为：
[0056] 针对k个模板点，建立k个权重修正模型，其中每一个权重修正模型的建立过程如 下：以样本库中的运动目标点位置坐标Pnew、各模板点位置坐标Pi，各模板权重值Wi作为输入 向量，以模板点的权重修正值A W1作为输出向量，建立权重修正模型如下：
[0058]其中，W1，W2, ... ,Wk为各模板点权重值，P1，P2, ... ,Pk为各模板点位置对应的坐标。 [0059]优选的，步骤Bl中计算该轮运动中运动终点坐标与运动目标点坐标的误差的平均 值errormun的方法包括如下步骤：
[0000]步骤Bll:根据给定的目标点位置pnew，运动模板点位置pi，计算模板点权重Wi;
[0061 ]步骤Bl2:根据权重修正模型Gi，计算权重修正值Δ Wi并计算修正后的权重值，i， 如下：
[0064]步骤B13:根据各模板点修正后的权重值V1及控制信号upi，计算目标点的控制信 号u;
[006