本发明涉及协调控制领域，更具体地说，它涉及一种蜘蛛吊车多关节臂协调控制系统。
背景技术：
1、公开号为cn113126502a的一种欠驱动吊车系统的控制方法及控制系统，先利用扰动观测器对吊车系统进行观测，得到系统状态和总扰动。然后利用强化学习控制器对系统状态进行处理，得到虚拟控制律，并根据虚拟控制律和总扰动计算实际控制律，再利用实际控制律对吊车系统进行控制，能够在控制跟踪误差消除的过程中，融入强化学习智能控制机制，只解决了吊车系统跟踪控制的反馈误差消除问题，而对于目标抓取过程中的路线规划而未曾涉及。
2、在蜘蛛吊车多关节臂协调控制过程中，多关节臂的结构复杂，一条关节臂就有多个关节组成，需要所有关节联动才能实现关节臂的运动，尤其是在与需要抓取的目标进行联系时，复杂的关节使得越目标的交互难度增加，尤其是对关节臂的运动轨迹进行设计时，立体空间的多向延伸增加了路径选择的难度，而且多个关节臂增加了运行负担，此外，各个关节在实际运行中容易受到外部扰动和误差，因此，如何对蜘蛛吊车多关节臂协调控制进行设计，是现在迫切需要去解决的。
技术实现思路
1、针对现有技术存在的问题，本发明的目的在于提供一种蜘蛛吊车多关节臂协调控制系统，实现蜘蛛吊车中多关节臂的高效协调控制。
2、为实现上述目的，本发明提供了如下技术方案：所述蜘蛛吊车多关节臂协调控制系统包括：
3、多关节臂数据采集及建模模块：用于采集蜘蛛吊车多关节臂的数据信息，根据采集的信息进行孪生数字模型的构建；
4、环境拟合模块：构建空白三维空间，将蜘蛛吊车多关节臂的孪生数字模型与目标在仿真三维空间内建立交际关系；
5、轨迹选择模块：在仿真三维空间内，使用混合算法对各个关节臂的轨迹进行设计，获取关节臂到达目标的最佳实现路径；
6、最佳实现路径优化模块：对于获取的最佳实现路径，使用拟合算法进行平滑处理，然后进行时间分配，获取优化后的路径，记为实际规划路线；
7、控制输出模块：使用pid控制根据实际规划路线进行各个关节的控制，直到末端执行器达到目标的位置坐标，根据力反馈传感器实现对目标的工作要求。
8、优选地，所述采集蜘蛛吊车多关节臂的数据信息，其方法包括：
9、蜘蛛吊车多关节臂的数据信息包括几何参数、运动学参数、动力学参数、运动数据和环境信息，数据信息的采集方法包括使用传感器、数据记录中心、标定测试和仿真工具。
10、优选地，所述根据采集的信息进行孪生数字模型的构建，其方法包括：
11、提取蜘蛛吊车多关节臂的数据信息中所需参数信息，对参数信息进行去噪清洗，并将所有来源的参数信息基于时间序列对齐，转换成统一格式；
12、对每个关节臂和关节臂中每个关节进行编号，且针对每个关节臂，计算关节相对于关节的坐标系变换，获取关节的齐次变换矩阵，其中，是关节的旋转矩阵，用于描述坐标系的旋转，是关节的位移向量，用于描述坐标系的平移，是一个零向量，用于确保矩阵的维度正确，将所有关节的变换矩阵相乘，得到末端执行器相对于基坐标系的齐次变换矩阵，，提取末端执行器的位置和姿态，进而获取到，使用数值方法或解析方法对变换矩阵进行求解，计算出各个关节的角度；
13、对于关节上的质心，设置线性运动方程为，是作用在关节的外力，是关节的质量，是关节的质心加速度，角运动方程为，是作用在关节的外力矩，是关节的转动惯量矩阵，是关节的角加速度，是关节的角速度；
14、递归计算每个关节的角度、线性运动方程和角运动方程，得到整体关节臂的动力学行为，通过实际操作数据校正模型，获取最终的孪生数字模型。
15、优选地，所述将蜘蛛吊车多关节臂的孪生数字模型与目标在三维空间内建立交际关系的方法包括：
16、使用三维建模软件创建空白三维空间，并根据实际环境创建基础模拟物，读取孪生数字模型并导入空白三维空间中，并使用三维建模软件进行优化，形成仿真三维空间；
17、在仿真三维空间中添加目标，选取任意空间点为基点，且基点处为0坐标，延伸生成轴、轴和轴，进而在仿真三维空间中建立坐标系，通过坐标位置建立孪生数字模型与目标之间的交际关系。
18、优选地，所述使用混合算法对各个关节臂的轨迹进行设计的方法包括：
19、提取目标的位置坐标，使用四元数设置各个关节臂的目标姿态；
20、其中，给定旋转矩阵，参数，参数，参数，参数；
21、初始化各个关节臂的起始状态，起始状态包括起始位置和起始姿态，使用rrt进行快速探索和路径初步发现，获取待选路径集，然后，使用a*算法对待选路径集中的路径进行优化，获得最佳实现路径。
22、优选地，所述使用rrt进行快速探索和路径初步发现，获取待选路径集的方法包括：
23、步骤s1：定义配置空间，设定机器人关节臂的配置空间，配置空间包括关节臂所有的可能状态，配置空间的维度等于关节臂的自由度；
24、步骤s2：初始化树s_a和树s_b，树s_a以关节臂的起始状态为根节点，树s_b以目标的位置坐标为根节点，并设置扩展步长和连接阈值；
25、步骤s3：在配置空间随机采样一个可能状态，对于树s_a，寻找到距离可能状态最近的节点，沿节点向可能状态的方向扩展一个新的节点，如果节点不与障碍物碰撞，，则判定有效，加入树s_a中，对于树s_b，重复树s_a的扩展过程，获取扩展处新的有效节点为；
26、步骤s4：检查树s_b中新生成的节点是否足够接近树s_a中的节点，判断节点与节点之间的距离是否小于连接阈值，如果小于连接阈值，则连接成功，通过回溯两棵树中的节点生成一条从起始位置到目标位置的完整路径，获取一条可行路径，如果不小于连接阈值，则重新生成节点，重复步骤s3；
27、步骤s5：重复步骤s3和s4，直到没有新的可行路径生成时停止，收集所有生成的可行路径形成待选路径集。
28、优选地，所述使用a*算法对待选路径集中的路径进行优化，获得最佳实现路径的方法包括：
29、步骤r1：定义代价函数为实际代价与启发式估计代价之和，实际代价为路径的长度或能量消耗，启发式估计代价使用欧几里得距离；
30、步骤r2：对于待选路径集中每条路径，初始化起始节点的实际代价为0，从起始节点开始依次扩展路径上的节点，计算每个节点的单代价函数，汇总每条路径上所有节点的单代价函数，获取单条路径上的总代价函数；
31、步骤r3：收集待选路径集中所有路径的总代价函数并进行比较，选择总代价函数值最小时对应的路径为最佳实现路径。
32、优选地，所述使用拟合算法进行平滑处理，然后进行时间分配的方法包括：
33、依次提取最佳实现路径中各个节点的位置坐标，设定仿真三维空间内每个节点的三维位置坐标为输入，以平滑处理后的节点三维位置坐标为输出；
34、使用三维样条插值方法将每个节点处的坐标分量进行插值平滑，通过公式，逐个计算坐标分量、和，将每个节点表示为；
35、其中，、、和是待确定系数，表示时间的索引；
36、待确定系数的确定条件为与三维空间中的位置坐标相匹配、每个节点处关节臂的速度和加速度连续；
37、获取最佳实现路径通过三维样条插值方法平滑后的路径，并计算路径中相邻两个节点之间的距离，根据孪生数字模型提取关节臂各个关节的最大速度和最大加速度，进而通过距离与速度的比值计算出初始计量时间，根据梯度下降设置学习率优化初始计量时间，获得优化后的实施时间；
38、设定多关节臂的每个关节是依次运动，则当前关节在当前对应的实施时间内进行工作后，下一关节才开始运动工作。
39、优选地，所述末端执行器的工作包括对目标的抓取和松开，通过控制器对末端执行器的工作进行控制。
40、优选地，所述多关节臂数据采集及建模模块、环境拟合模块、轨迹选择模块、最佳实现路径优化模块和控制输出模块均通过蜘蛛吊车的显示设备进行界面显示。
41、与现有技术相比，本发明具备以下有益效果：
42、本发明中，使用混合算法（如rrt和a*算法）进行路径规划，使得多关节臂能够在复杂的环境中找到最佳路径。这种路径规划方法不仅考虑了空间中的障碍物，还优化了路径的长度和能量消耗。通过三维样条插值方法，系统能够对路径进行平滑处理，确保路径的平滑性以及关节的速度和加速度的连续性，减小了运动过程中的冲击和抖动，通过时间分配，系统能够根据路径长度和关节的最大速度、加速度，合理分配各关节的运动时间，保证了整个操作过程的效率和协调性。系统使用梯度下降法优化时间分配，进一步减少了操作时间，提高了整个系统的工作效率；
43、通过环境拟合模块，系统能够构建仿真三维空间，并将孪生数字模型与目标在该空间中建立交互关系。这使得多关节臂能够在虚拟环境中进行预演，提前发现并解决可能的问题，提高了实际操作的成功率，系统通过对多关节臂的动态行为进行递归计算，结合实际操作数据对模型进行校准，构建了一个高精度的孪生数字模型。这个模型不仅能够准确反映实际系统的行为，还能用于预测和优化未来的操作过程。这种数字孪生模型的构建，为进一步的仿真、优化和控制提供了坚实的基础，使用pid控制结合力反馈传感器，实现了对末端执行器的精细控制，确保在执行过程中对目标的抓取和操作达到了所需的精度和力要求；
44、自适应的调控优化机制，不断提升智能分析的整体效率，多模块相互协作，能够实现数据的全面采集、处理和分析，提供检测数据实时、精准的分析，实现蜘蛛吊车中多关节臂的高效协调控制。