5] 步骤B14:根据控制信号执行上肢运动，得到运动终点位置P7，并计算运动终点位 置与运动目标点位置之间的误差errori;
[0066] 步骤Bl 5:计算各目标点位置pnew对应的误差errori的均值errormean。
[0067]优选的，步骤B3中建立新的权重修正模型的方法包括如下步骤：
[0068] 步骤B31:基于Bl中的运动终点坐标及误差erron，采用步骤A2的方法对步骤B12 中计算得到的权重值^ :进行修正，得到修正后的权重值w〃1;
[0069]步骤B32:采用步骤A3的方法根据修正后的权重值W1，计算控制信号Y，执行第二 轮的上肢运动，并计算误差error2;
[0070] 步骤B33:采用步骤A4的方法依据误差errori和误差error〗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，建立新样本库；
[0071] 步骤B34:根据新样本库中的信息建立新的权重修正模型，再次执行步骤Bl和步骤 B2〇
[0072] 本发明的有益效果是:本发明参考了生物大脑中的群体向量编码机制和小脑在运 动控制中的修正作用设计了基于运动结果进行离线修正的权重修正方法和建立以及更新 权重修正模型的方法，与传统控制方法相比，该方法避免了实时的逆动力学求解，大幅减少 了计算量，加快了反应速度，使类人机器人能同时具备高精度、学习能力和快速反应能力。 与已有类神经控制方法相比，该方法可以在不增加模板点数目的情况下通过建立和更新权 重修正模型来提高运动精度，而且该模型具有一定的泛化能力。
【附图说明】
[0073]图1是本发明权重修正模型的建立方法示意图。
【具体实施方式】
[0074] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照 附图，对本发明作进一步的详细说明。
[0075] 本发明参考生物学家提出的群体向量编码机制和小脑在运动控制中的修正作用 进行算法设计，在现有的类人机器人上肢运动的类神经控制方法中加入权重的离线和实时 修正以及实时修正模型的更新等相应算法。
[0076] 现有的类人机器人上肢运动的类神经控制方法包括模型及模板的构建和运动模 板的选择和控制输出两大部分，模型及模板的构建部分为实际工作前的准备阶段，包括类 人机器人的上肢动力学模型、运动模板库的构建，运动模板的选择和控制输出为实际的工 作过程，具体为：
[0077]模型及模板的构建：
[0078]步骤XAl，建立类人机器人的上肢动力学模型D;
[0079] 步骤XA2,根据类人机器人的上肢动力学模型D，建立m组运动的初始的运动模板形 成运动模板库并存储于机器人控制器中，m2 3;运动模板由类人机器人上肢运动的控制信 号和输出结果组成；
[0080] 类人机器人上肢运动的控制信号为类神经元信号，该信号为一组由机器人控制器 产生的时间序列，机器人控制器依据类神经元信号控制电机转动，进而带动类人机器人的 上肢肌肉运动，将类人机器人上肢运动到指定的终点位置，类人机器人上肢运动的输出结 果为上肢运动的终点位置。
[0081 ]该步骤中，运动模板库的建立包括如下步骤：
[0082] 步骤XA21，设定一次上肢运动中期望的终点位置
[0083] 步骤XA22,根据Poi及上肢动力学模型D反向计算出对应的控制信号upi;
[0084]步骤XA23,根据upi及上肢动力学模型D计算出机器人上肢运动中实际的终点位置 Pi;
[0085]步骤XA24,同一次运动中的upi和pi将作为一组初始的运动模板；
[0086] 步骤XA25，重复步骤XA21至步骤XA24获得m组初始的运动模板形成运动模板库并 存储于机器人控制器中，运动模板库表示为U={UP1，UP2, . . .，Upm}和P={pi，P2, . . .，pm}。 [0087]模板的选择和控制输出：
[0088] 步骤XBl，给定新的运动任务位置Pnew= {xnew，ynew};
[0089]步骤XB2,依据人体运动的习惯计划理论和运动通路中小脑与脊髓间的信息传播 机制，给定新的运动任务位置Pnew后机器人控制器从运动模板库中选择k个运动模板;其中k >3；
[0090]步骤XB2中运动模板的选择方法包括如下步骤：
[0091]步骤XB21，从运动模板库中选择3个运动模板，使3个运动模板中类人机器人上肢 的终点位置Pi能够形成包围Pnew的最小三角形；
[0092]步骤XB22，当选择的模板数k>3时，从运动模板库中选择其余的运动模板，选择依 据为类人机器人上肢的终点位置的距离从小到大顺序选择，且能与步骤XB21中所 选择的3个运动模板中类人机器人上肢的终点位置Pl形成一个包围pnew的凸多边形N;
[0093]本步骤中所述的其余运动模板的个数为:若为首次执行步骤XB21则为k-3,若非首 次执行步骤XB21则为k-4个运动模板。
[0094]步骤XB23，若为首次执行步骤XB21，则k个运动模板由步骤XB21中选择3个运动模 板，以及步骤XB22中选择k-3个运动模板共同构成;若非首次执行步骤XB21，则k个运动模板 由步骤XB21中选择3个运动模板、步骤XB22中选择k-4个运动模板、步骤XB3中前一次计算得 到u及P 7所形成的一组运动模板共同构成。
[0095]步骤XB3,根据各所选模版中上肢终点位置与pnew的距离关系确定各运动模板的权 重Wi，将所选择的各个运动模板的控制信号Upi及对应权重Wi相乘后求和计算出新的运动任 务所需的控制信号U，将U输入上肢动力学模型计算上肢运动的终点位置P';
[0096]该步骤中u和P7具体计算方法如下：
[0097]步骤XB31，依次计算?"?与步骤XB2中所选的运动模板所对应上肢终点位置pi的权 重关系W1，如公式(1)所示；
) 表示Pi与Pnew的欧几里得距离；
[0100] 步骤XB32,利用步骤XB2中所选的运动模板的控制信号upi及对应权重 Wi计算新任 务所需的控制信号u，计算公式如公式(2)所示：
[0102] 步骤XB33,将控制信号u带入上肢动力学模型D，计算出在新任务的上肢运动中实 际的终点位置P7。
[0103] 步骤XB4,计算步骤XB3中得到的上肢运动的终点位置P'与期望终点位置pnew的误 差值并统计步骤XB3的执行次数，若误差值大于设定的误差阈值，将该控制信号u及终点位 置P 7所形成的一组运动模板保存入运动模板库，再次重复步骤XB2、步骤XB3、步骤XB4，直至 误差值《设定的误差阈值或步骤XB3执行次数大于设定的执行次数阈值，机器人控制器将 保存对应的控制信号及终点位置作为新任务的运动模板，执行该模板中的控制信号，输出 运动结果。
[0104] 由步骤XB4返回步骤XB2重新选择运动模板时，选择前一次步骤XB3所产生的运动 模板u和P7为其中一个模板。这可使k个运动模板中各个的平均距离更近，再次生成 的运动模板精度更高，即新任务中上肢运动的实际终点位置P'与期望终点位置Pnew的误差 更小。
[0105] 步骤XB4中依据控制精度和计算时间进行误差阈值σ的设定，选取的设定值越大， 控制精度越高，但计算时间越长，选取的设定值越小，计算时间越短，但控制精度下降。
[0106] 本发明在模型及模板的构建部分加入了权重修正模型的建立步骤，在模板的选择 和控制输出部分之前设置有更新权重修正模型的步骤，在类人机器人工作环境设定之后， 在正式工作之前先执行更新权重修正模型的步骤进行该工作环境下权重修正模型的更新， 后续正常工作过程中的均采用更新后的权重修正模型进行修正。
[0107] 第一部分:建立权重修正模型
[0108] 如图1所示，包括以下步骤：
[0109] 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u，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;
[0110] 该步骤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：
[01 1 1 ]步骤Al 1 :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W1，如公式(3)、(4)所示，
[0114] 其中，cU、山均表示目标点位置与模板点位置的距离，i、j表示
[0115] 选定的模板点的序号，（Xi，yi)表示模板点位置的坐标，（Xne3W，ynew)
[0116] 表示给定目标点位置的坐标；
[0117]步骤