主从式蛇形机器人系统及其位置控制方法
【专利摘要】本发明涉及一种主从式蛇形机器人系统及其位置控制方法，获取主机器人的主手位置信息，对主手位置信息进行主从映射变化得到主从映射位置信息。获取从机器人的实际位移变化量，根据从机器人的实际位移变化量计算得到从手位置误差。根据主从映射位置信息和从手位置误差，通过神经网络相关性剪枝算法处理得到从手角度变化量，将从手角度变化量输出至从机器人，以控制从机器人跟随主机器人运动。通过神经网络相关性修剪算法实现从机器人与主机器人的位置精确控制，无需对从机器人进行运动学反解，避免了多解性的产生，对从机器人的自由度个数没有限制，提高控制实时性。
【专利说明】
主从式蛇形机器人系统及其位置控制方法
技术领域
[0001] 本发明涉及机器人控制技术领域，特别是涉及一种主从式蛇形机器人系统及其位 置控制方法。
【背景技术】
[0002] 蛇形医疗机器人可以进入人手无法达到的空间，进入人体自然腔道完成手术和定 点给药，将蛇形医疗机器人的一端固定，那么它就变成一个具有冗余自由度的操作手，可以 完成复杂的抓取动作，可在狭小空间的进行操作。
[0003] 传统的主从式蛇形机器人位置控制方法是采用雅克比算法进行控制，拾取主手在 三维空间内速度变化，在对从手进行运动学建模，计算其雅克比矩阵，对矩阵求逆，利用瞬 时的速度转化为位移。这种方法对从手自由度以及结构上有较强的限制，通常自由度为3自 由度或6自由度，其余自由度个数的从手则不适用。在从手机械结构上，要求三个相邻关节 轴线相交于一点，或者三个相邻关节轴向相互平行，而蛇形机构多才有正交关节分布，相邻 两个轴向相互垂直，求解过程中由于转角的周期性，会产生多解性，各个角度的变化范围也 较大，需要对求解结果进行筛选。传统的主从式蛇形机器人位置控制方法存在控制实时性 差的缺点。
【发明内容】
[0004] 基于此，有必要针对上述问题，提供一种可提高控制实时性的主从式蛇形机器人 系统及其位置控制方法。
[0005] -种主从式蛇形机器人系统的位置控制方法，包括以下步骤：
[0006] 获取主机器人的主手位置信息，对所述主手位置信息进行主从映射变化得到主从 映射位置信息；
[0007] 获取从机器人的实际位移变化量，根据所述从机器人的实际位移变化量计算得到 从手位置误差；
[0008] 根据所述主从映射位置信息和从手位置误差，通过神经网络相关性剪枝算法处理 得到从手角度变化量；
[0009] 将所述从手角度变化量输出至所述从机器人，以控制所述从机器人跟随所述主机 器人运动。
[0010] -种主从式蛇形机器人系统，包括主机器人、主从控制系统和从机器人，所述主机 器人连接所述主从控制系统，所述主从控制系统连接所述从机器人，
[0011] 所述主从控制系统用于获取所述主机器人的主手位置信息，对所述主手位置信息 进行主从映射变化得到主从映射位置信息;接收所述从机器人的实际位移变化量，根据所 述从机器人的实际位移变化量计算得到从手位置误差；以及根据所述主从映射位置信息和 从手位置误差，通过神经网络相关性剪枝算法处理得到从手角度变化量并输出至所述从机 器人；
[0012] 所述从机器人用于根据所述从手角度变化量跟随所述主机器人运动，并反馈所述 实际位移变化量至所述主从控制系统。
[0013] 上述主从式蛇形机器人系统及其位置控制方法，获取主机器人的主手位置信息， 对主手位置信息进行主从映射变化得到主从映射位置信息。获取从机器人的实际位移变化 量，根据从机器人的实际位移变化量计算得到从手位置误差。根据主从映射位置信息和从 手位置误差，通过神经网络相关性剪枝算法处理得到从手角度变化量，将从手角度变化量 输出至从机器人，以控制从机器人跟随主机器人运动。通过神经网络相关性修剪算法实现 从机器人与主机器人的位置精确控制，无需对从机器人进行运动学反解，避免了多解性的 产生，对从机器人的自由度个数没有限制，提高控制实时性。通过对从机器人的误差反馈， 可以减小在空间位置误差。
【附图说明】
[0014] 图1为一实施例中主从式蛇形机器人系统的位置控制方法的流程图；
[0015] 图2为一实施例中主从式多关节蛇形机器人控制原理图；
[0016]图3为一实施例中利用机器人工具箱获取正反解的样本的示意图；
[0017]图4为一实施例中神经网络相关性剪枝算法模型的原理图；
[0018] 图5为一实施例中主从式蛇形机器人系统的结构示意图；
[0019] 图6为另一实施例中主从式蛇形机器人系统的结构示意图；
[0020] 图7为一实施例中主机器人的几何构型及连杆坐标示意图；
[0021 ]图8为一实施例中从机器人的几何构型及连杆坐标示意图。
【具体实施方式】
[0022]在一个实施例中，一种主从式蛇形机器人系统的位置控制方法，如图1所示，包括 以下步骤：
[0023] 步骤S120:获取主机器人的主手位置信息，对主手位置信息进行主从映射变化得 到主从映射位置信息。
[0024] 具体地，可通过主从控制系统接收主机器人的主手运动指令，根据主手运动指令 获取主机器人中主手各个关节的位置变化信息，经过主手正运动学的计算，可以得到主手 末端在笛卡尔空间坐标系的位置变化信息。可以理解，在其他实施例中，也可直接对主手各 个关节的位置变化信息进行采集。
[0025] 在采集得到主机器人的主手位置信息之后，根据预设的主从映射关系，对对主手 位置信息进行主从映射变化得到主从映射位置信息。主从映射位置信息即指控制从机器人 的理论位置变化，本实施例中，可通过比例矩阵对主手位置信息进行主从映射变化。
[0026] 步骤S140:获取从机器人的实际位移变化量，根据从机器人的实际位移变化量计 算得到从手位置误差。
[0027] 可通过从机器人内部的编码器获取实际位移变化量并反馈至主从控制系统。主从 控制系统根据实际位移变化量以及对应的理论位移变化量计算得到从手位置误差。具体 地，在进行某一次位置控制时，根据主机器人的主手位置信息计算得到理论位移变化量，根 据理论位移变化量控制从机器人运动后，采集从机器人的实际位移变化量，并与理论位移 变化量进行比较得到从手位置误差。在进行下一次位置控制时，可根据从手位置误差对下 一次得到的理论位移变化量进行调整。通过将误差送入下一次运动中，进行系统结构误差 补偿。
[0028] 步骤S160:根据主从映射位置信息和从手位置误差，通过神经网络相关性剪枝算 法处理得到从手角度变化量。
[0029] 将上一次位置控制的从手位置误差，和本次的主从映射位置信息一起输入神经网 络控制器，输出的从手角度变化量用于控制从机器人运动，依次循环，即可减小主从位置跟 随性误差。
[0030] 步骤S180:将从手位置误差输出至从机器人，以控制从机器人跟随主机器人运动。
[0031] 在计算得到从手角度变化量后输出至从机器人，以控制从机器人跟随主机器人运 动，进而完成对任务对象的操作。
[0032]如图2所示为一实施例中主从式多关节蛇形机器人控制原理图。主从操作系统包 括主机器人、控制系统、从机器人和编码器组成。操作者将主手运动指令输入到神经网络控 制器，神经网络控制器输出角度变量到驱动器，编码器将从手实时变化位置大小反馈给控 制器。蛇形机器人控制系统以台式PC机为开发平台，采用上、下位机的控制方式。
[0033] 通过主从控制系统实时检测主机器人的位置变化信息，将变化信息经过比例矩阵 处理，送入神经网络相关性剪枝算法处理，计算出从手角度变化量。将从手角度变化量发送 至驱动器，驱动电机转动，通过编码器计算从机器人的实际位置。编码器实时记录电机转 角，利用正向运动学记录当前从机器人的实际位置，并与主手的位置变化信息对比，将差值 反馈给操作人员，与上一次的理论位置做差，送入下一次的位置变换中。通过编码器的实时 反馈建立一个闭环控制系统，对主从位置跟随性误差在一定程度上补偿，使从机器人在空 间位置运动更加准确。
[0034] 上述主从式蛇形机器人系统的位置控制方法，通过神经网络相关性修剪算法实现 从机器人与主机器人的位置精确控制，无需对从机器人进行运动学反解，避免了多解性的 产生，对从机器人的自由度个数没有限制，提高控制实时性。通过对从机器人的误差反馈， 可以减小在空间位置误差。
[0035]在一个实施例中，步骤S120中获取主机器人的主手位置信息，具体为
[0036] Δ em=Xi+i-Xi
[0037] 其中，Xl为当前时刻主机器人的空间位置，Xl+1为下一次时刻采样点获取的主机 器人的空间位置，Ae m为主机器人的位置变化信息，表征主机器人在最小采样周期内的实 际位置变化。
[0038]在一个实施例中，步骤S120中对主手位置信息进行主从映射变化得到主从映射位 置信息，具体为
[0039] Δ e = k* Δ em
[0040] 其中，Δ es为主从映射位置信息，表征经过主从映射变化后从机器人理论上的位 移大小，A ^为主机器人的位置变化信息，k为3*3主从映射对角系数矩阵。
[0041] 可以理解，步骤S120的【具体实施方式】并不限于以上实施例。
[0042]在一个实施例中，步骤S140中根据从机器人的实际位移变化量计算得到从手位置 误差，具体为
[0043]
[0044]
[0045]
[0046] 其中，Δ E为从手位置误差，《'名…故)和?^消+1,C4…C1)分别为第i个和第i + 1个采样周期记录的从机器人的电机角度，通过正向运动学计算，可以得到从机器人在空间 内的实际位移，L (6f14+i…if1)和7；⑷,尽…贫)两者之差即为实际位移变化量。 7；咐>丨...<)和7； +|?_|_,(1_..<_1_)分别为第1个和第1 +1个采样周期通过神经网络计算得 到的输出角度，通过正向运动学计算，可以得到从机器人在空间内的理论位移， 7； +1 (Of'...矿1')和7：(<名'… < 俩者之差即为理论位移变化量。
[0047] 在一个实施例中，步骤S160包括步骤162至步骤166。
[0048] 步骤162:对从机器人进行运动学建模仿真，获取多组样本。
[0049] 具体地，可以通过MATLAB机器人工具箱对从机器人进行运动学建模仿真，获取从 机器人的正反样本。调整从机器人各个关节的角度变化量，可以获得从手末端的位置，多次 调整关节角度，获取多个样本。如图3所示为一实施例中利用机器人工具箱获取正反解的样 本的示意图。
[0050] 步骤164:根据多组样本建立神经网络相关性剪枝算法模型。
[0051] 根据多组样本进行训练，建立神经网络相关性剪枝算法模型，通过对大量样本进 行学习，可以反解出从机器人的角度变化量。
[0052] 步骤166:将主从映射位置信息和从手位置误差作为神经网络相关性剪枝算法模 型的输入，得到从手角度变化量。
[0053]在训练得到神经网络相关性剪枝算法模型后，将主从映射位置信息和从手位置误 差作为输入，从手角度变化量作为输出，可计算得到从手角度变化量。
[0054]具体地，步骤164中建立神经网络相关性剪枝算法模型，基于原始BP神经网络的权 值修正量增加动量因素，使权值调整变化量幅度减小，减小神经网络的震荡。对于变学习 率，如果当前的神经网络误差减小，则增大学习率，加快收敛过程，如果神经网络的误差变 大，则减小学习率，减小神经网络的误差。相关性减枝法的基本思想是计算隐层节点之间的 相关性，然后给予相关性对隐层节点进行删除。隐含层的神经元个数可以采用逐渐增加的 方法，依次增加神经元的个数，并不断训练，获取每次的训练误差，随着神经元的增加误差 会不断减少，通常来说，三层神经元就可以满足要求。
[0055] 在一个实施例中，步骤164包括步骤1至步骤7。
[0056] 步骤1:初始化神经网络相关性剪枝算法模型各个节点的阀值和网络权值。
[0057] 设m为隐层神经元个数，X、y为输入和输出的神经元个数，a为常数，其范围为(0， 1)，通常存在以下经验公式：
[0058]
[0059] 对于现有的机器人模型，输入为3，即为主手在空间内X、Y、Z方向上的位移变化量。 Y为输出，即为从机器人各个关节的变化角度，本实施例中从机器人有8个自由度。经过计算 隐层神经元的个数初步选为6个，可以根据误差的大小，对隐层神经元的个数适当增加。
[0060] 初始化各个节点的阀值和网络的权值，设定的学习周期数ME，设定相关数阀值F1、 F2.以及设定隐层节点剪枝周期CE。设定初始学习率、动量因子和目标误差e。
[0061] 步骤2:利用BP神经网络的梯度下降法训练网络权值以及阀值，定义周期误差，设 第t个周期的误差为SE(t)，第t-Ι个周期的误差为SE(t-l)。通过各个周期的误差变化，需要 对网络学习率B(t)进行调整。具体为
[0062]
[0063]其中，B(t)为网络学习率，SE(t)和SE(t-l)分别为第t个周期和第t-Ι个周期的误 差。
[0064] 步骤3:计算神经网络的权值变化，具体为
[0065] Δ wij(t) =ηΧ Δ wij(t_l )+B XEj X Oi
[0066] 其中，AWlj(t)表示神经网络的权值变化，ri为动量因子，AWlj(t_l)为上一个周期 的权值变化量，B为网络学习率，&为下一层节点的误差，O 1S上一层节点的输出；
[0067] 步骤4:判断当前周期CE(t)是否为0;若否，则返回步骤2;若是，则进行步骤5。
[0068] 步骤5:计算所有隐层节点之间的相关系数，具体为
[0069]
[0070]
[0071]
[0072] 其中，苟和*ζ分别表示隐层节点i和隐层节点j的标准差，η为样本总数，Hlq为隐层 节点i的第q个样本输出，瓦为隐层节点i的输出序列H i的平均值;Dij表示隐层节点i和j之 间的相关系数。
[0073] 步骤6:根据相关系数对隐层神经元的个数进行修剪，并对隐层各个节点到输出层 的权值以及输出层各个节点的阀值进行调整。
[0074]若隐层节点i和j之间的相关系数DljSF1，且隐层节点i和j各自的标准差满足 S,2 2 6和^2巧，则删除节点j，对隐层各个节点到输出层的权值进行调整。具体为
[0075]
[0076]
[0077]其中，Wiu为隐层节点i到输出层u的权值，L为权值调整系数。
[0078] 对输出层各个节点的阀值进行调整，具体为
[0079] aj = aj+Gaj
[0080] G=W^-LWf
[0081] 其中，G为阀值调整系数，为被删除节点j的输出序列的平均值，为节点i的输 出序列的平均值。
[0082]步骤7:计算均方误差SE(t)，判断均方误差SE(t)是否小于预设的误差阈值e;若 否，则返回步骤2;若是，则停止训练，得到神经网络相关性剪枝算法模型。如图4所示为一实 施例中神经网络相关性剪枝算法模型的原理图。
[0083]通过设计主从运动映射策略，采用基于变学习率和附加动量的神经网络相关性剪 枝控制算法，通过编码器的实时反馈建立一个闭环控制系统，并对主从位置跟随性误差在 一定程度上补偿。当从机器人的结构以及自由度发生改变，只需要对隐层的神经元个数进 行修改，灵活性强。
[0084]在一个实施例中，一种主从式蛇形机器人系统，具体可采用上述位置控制方法进 行主从机器人的跟随控制。如图5所示，该系统包括主机器人120、主从控制系统140和从机 器人160,主机器人120连接主从控制系统140,主从控制系统140连接从机器人160。
[0085] 主从控制系统140用于获取主机器人120的主手位置信息，对主手位置信息进行主 从映射变化得到主从映射位置信息；接收从机器人160的实际位移变化量，根据从机器人 160的实际位移变化量计算得到从手位置误差；以及根据主从映射位置信息和从手位置误 差，通过神经网络相关性剪枝算法处理得到从手角度变化量并输出至从机器人160。
[0086] 从机器人160用于根据从手角度变化量跟随主机器人120运动，进而完成对任务对 象的操作。从机器人160还反馈实际位移变化量至主从控制系统140。
[0087]主从控制系统140具体可接收主机器人120的主手运动指令，根据主手运动指令获 取主机器人中主手各个关节的位置变化信息。主从控制系统140通过比例矩阵对主手位置 信息进行主从映射变化得到主从映射位置信息。将上一次位置控制的从手位置误差，和本 次的主从映射位置信息一起输入神经网络控制器，输出的从手角度变化量用于控制从机器 人160运动，依次循环，即可减小主从位置跟随性误差。
[0088]上述主从式蛇形机器人系统，通过神经网络相关性修剪算法实现从机器人与主机 器人的位置精确控制，无需对从机器人进行运动学反解，避免了多解性的产生，对从机器人 的自由度个数没有限制，提高控制实时性。通过对从机器人的误差反馈，可以减小在空间位 PJ3、口 -Vg- 置祆差。
[0089] 在一个实施例中，如图6所示，主从控制系统140包括工业PC机142、神经网络控制 器144和信号转换单元146,工业PC机142连接主机器人120、神经网络控制器144和信号转换 单元146,神经网络控制器144连接从机器人160,信号转换单元146连接从机器人160。
[0090] 信号转换单元146具体连接从机器人160的编码器，用于对编码器的初值进行设定 以及记录。本实施例中，工业PC机142通过IEEE1394接口连接主机器人120，工业PC机142通 过网卡连接神经网络控制器144,工业PC机142通过RE232接口与信号转换单元146连接。信 号转换单元146还可通过RS422接口与从机器人160的驱动器连接。
[0091] 工业PC机142获取主机器人120的主手位置信息进行主从映射变化得到主从映射 位置信息。信号转换单元146接收从机器人160输出的实际位移变化量，进行转换后输送至 工业PC机142,工业PC机142根据从机器人160的实际位移变化量计算得到从手位置误差。工 业PC机142将上一次位置控制的从手位置误差，和本次的主从映射位置信息一起输入神经 网络控制器144,神经网络控制器144输出从手角度变化量至从机器人160。
[0092] 本实施例中，主从控制系统140采用上、下位机的控制方式。上位机通过外围硬件 接口和总线将主机器人120、运动控制卡、数据采集卡等联系起来。上位机将主机器人120的 操作指令传递给主控机，主控机接收机器人运动状态并通过控制算法对操作命令进行处 理，生产机器人运动指令通过以太网卡发送给下位机的运动控制卡。下位机的运动控制卡 接收主控机的控制命令，通过驱动从机器人160中的直流电机使机器人完成相应的动作。
[0093] 在一个实施例中，继续参照图6,从机器人160包括驱动器162、直流电机164和编码 器166,驱动器162连接主从控制系统140和直流电机164,编码器166连接直流电机164和主 从控制系统140。
[0094] 驱动器162、直流电机164和编码器166的数量并不唯一，驱动器162具体连接主从 控制系统140的神经网络控制器144,编码器166具体可连接主从控制系统140的信号转换单 元146。驱动器162接收神经网络控制器144发送的运动指令，驱动直流电机164转动特定角 度，编码器166记录转动角度大小送入主从控制系统140实时计算误差。
[0095] 主机器人120的具体类型并不唯一，在一个实施例中，如图7所示，主机器人120采 用Phantom主手，通过操作Phantom主手来控制从机器人末端，使得从手可以跟随主手的运 动方向。Phantom主手为6R结构，基座三个关节控制腕部中心位置，执行末端3个旋转关节控 制姿态。
[0096] 从机器人160的具体类型也不唯一，在一个实施例中，如图8所示，从机器人160采 用蛇形结构。
[0097] 对于主从式多关节蛇形机器人系统，可以更换关节数更多的主机器人，对于从机 器人的自由度和结构也可以增加和复杂化。在其他实施例中，对于从手定位控制方法上，可 以将神经网络算法与雅克比算法相互结合，利用雅克比矩阵对权值进行调节，误差较小，且 无需大量的从手正反解样本。
[0098] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实 施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存 在矛盾，都应当认为是本说明书记载的范围。
[0099] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并 不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来 说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护 范围。因此，本发明专利的保护范围应以所附权利要求为准。
【主权项】
1. 一种主从式蛇形机器人系统的位置控制方法，其特征在于，包括以下步骤： 获取主机器人的主手位置信息，对所述主手位置信息进行主从映射变化得到主从映射 位置信息； 获取从机器人的实际位移变化量，根据所述从机器人的实际位移变化量计算得到从手 位置误差； 根据所述主从映射位置信息和从手位置误差，通过神经网络相关性剪枝算法处理得到 从手角度变化量； 将所述从手角度变化量输出至所述从机器人，以控制所述从机器人跟随所述主机器人 运动。2. 根据权利要求1所述的方法，其特征在于，所述获取主机器人的主手位置信息，具体 为 A Gm - Xi+1-Xi 其中，Xl为当前时刻主机器人的空间位置，Xl+1为下一次时刻采样点获取的主机器人的 空间位置，A em为主机器人的位置变化信息，表征主机器人在最小采样周期内的实际位置 变化。3. 根据权利要求1所述的方法，其特征在于，所述对所述主手位置信息进行主从映射变 化得到主从映射位置信息，具体为 A es = k* A em 其中，A es为主从映射位置信息，表征经过主从映射变化后从机器人理论上的位移大 小，A如为主机器人的位置变化信息，k为3*3主从映射对角系数矩阵。4. 根据权利要求1所述的方法，其特征在于，所述根据所述从机器人的实际位移变化量 计算得到从手位置误差，具体为 A E - A Gm- ^ 6mm其中，A E为从手位置误差，7:⑷…技)和7^(代+1,巧+1…6T1)分别为第i个和第i + l个 采样周期记录的从机器人的电机角度，…和1；+1?+1',_+1'…分别为第i个 和第i+1个采样周期通过神经网络计算得到的输出角度。5. 根据权利要求1所述的方法，其特征在于，所述根据所述主从映射位置信息和从手位 置误差，通过神经网络相关性剪枝算法处理得到从手角度变化量，包括： 对所述从机器人进行运动学建模仿真，获取多组样本； 根据所述多组样本建立神经网络相关性剪枝算法模型； 将所述主从映射位置信息和从手位置误差作为所述神经网络相关性剪枝算法模型的 输入，得到从手角度变化量。6. 根据权利要求5所述的方法，其特征在于，所述根据所述多组样本建立神经网络相关 性剪枝算法模型，包括： 初始化神经网络相关性剪枝算法模型各个节点的阀值和网络权值； 利用BP神经网络的梯度下降法训练网络权值以及阀值，具体为其中，B(t)为网络学习率，SE(t)和SE(t-l)分别为第t个周期和第t-1个周期的误差。 计算神经网络的权值变化，具体为 Awij(t)=riX A wij(t-l)+B XEj XOi 其中，AWlj(t)表示神经网络的权值变化，n为动量因子，AWlj(t-i)为上一个周期的权 值变化量，B为网络学习率，&为下一层节点的误差，(^为上一层节点的输出； 判断当前周期是否为〇; 若否，则返回所述利用BP神经网络的梯度下降法训练网络权值以及阀值的步骤； 若是，则计算所有隐层节点之间的相关系数，具体为其中，巧和g分别表示隐层节点i和隐层节点j的标准差，n为样本总数，Hlq为隐层节点i 的第q个样本输出，瓦为隐层节点i的输出序列出的平均值;Di谦示隐层节点i和j之间的相 关系数； 根据所述相关系数对隐层神经元的个数进行修剪，并对隐层各个节点到输出层的权值 以及输出层各个节点的阀值进行调整； 计算均方误差，判断所述均方误差是否小于预设的误差阈值;若是，则停止训练;若否， 则返回所述利用BP神经网络的梯度下降法训练网络权值以及阀值的步骤。7. -种主从式蛇形机器人系统，其特征在于，包括主机器人、主从控制系统和从机器 人，所述主机器人连接所述主从控制系统，所述主从控制系统连接所述从机器人， 所述主从控制系统用于获取所述主机器人的主手位置信息，对所述主手位置信息进行 主从映射变化得到主从映射位置信息;接收所述从机器人的实际位移变化量，根据所述从 机器人的实际位移变化量计算得到从手位置误差；以及根据所述主从映射位置信息和从手 位置误差，通过神经网络相关性剪枝算法处理得到从手角度变化量并输出至所述从机器 人； 所述从机器人用于根据所述从手角度变化量跟随所述主机器人运动，并反馈所述实际 位移变化量至所述主从控制系统。8. 根据权利要求7所述的系统，其特征在于，所述主从控制系统包括工业PC机、神经网 络控制器和信号转换单元，所述工业PC机连接所述主机器人、所述神经网络控制器和所述 信号转换单元，所述神经网络控制器连接所述从机器人，所述信号转换单元连接所述从机 器人。9. 根据权利要求8所述的系统，其特征在于，所述工业PC机通过网卡连接所述神经网络 控制器，和/或所述工业PC机通过RE232接口与所述信号转换单元连接。10.根据权利要求7所述的系统，其特征在于，所述从机器人包括驱动器、直流电机和编 码器，所述驱动器连接所述主从控制系统和所述直流电机，所述编码器连接所述直流电机 和所述主从控制系统。
【文档编号】B25J9/16GK106041912SQ201610430962
【公开日】2016年10月26日
【申请日】2016年6月16日
【发明人】李橡欣, 任岭雪, 韩世鹏, 李栓, 熊璟, 王磊
【申请人】深圳先进技术研究院