本技术公开了连续体机器人无模型形状控制方法、系统、装置及介质,方法包括:对形状特征参数误差函数应用零化神经网络模型,根据第一设计公式得出执行器的更新公式,根据雅可比矩阵的估计值计算出执行器的变化量;对参数速度误差函数应用零化神经网络模型,根据第二设计公式得出雅可比矩阵的更新公式,根据传感器反馈的实际形状特征参数的加速度值和估计的执行器加速度计算出雅可比矩阵的估计变化量;根据执行器的变化量和雅可比矩阵的估计变化量学习得到下一时刻连续体机器人的执行器控制输入和雅可比矩阵的估计值,对下一时刻的连续体机器人进行形状控制。本发明提高了连续体机器人无模型形状控制的效率和准确性,可应用于机器人控制技术领域。
背景技术
机器人在各个领域中有广泛的应用前景。传统机器人由于自由度非常有限,其灵活性,安全性和适应性较差,在一些周围环境不固定,变化的非结构化环境或受限环境中表现不好,难以达到理想的控制效果。相比之下,连续体机器人由于其交互的安全性及其高度的柔软性和敏捷性,可以更安全地与环境进行交互,降低对自身和环境造成伤害的风险,进而在上述的非结构化或受限的复杂环境中得到广泛应用。因此,连续体机器人控制是最近机器人领域的一个热点。
然而,在需要尽量避免碰撞或全臂路径规划的情况下(例如人体微创手术),就需要对于机器人的形状进行全局的控制。连续体机器人的形状控制一般是让手臂从初始的形状运动到指定的形状,进而避免与环境发生碰撞。
连续体机器人与人体手臂类似,其手臂通常使用杨氏模量接近或低于生物皮肤的材料制作。连续体机器人的驱动方式也有多种,有绳驱机器人、气动机器人、同心管机器人等。机器人的数学模型可分为运动学模型和动力学模型,其中运动学模型描述的是手臂各个关节角度与手臂上的某一模块(如手臂末端)在任务空间中的位姿之间的映射关系,而动力学模型描述的是手臂各个关节所施加的力、力矩和关节角度之间的映射关系。手臂的控制通常可分为逆运动学控制和逆动力学控制两种,其中逆运动学控制指的是根据手臂的期望姿态来计算所需要的关节角度,而逆动力学控制指的是根据期望的关节角度来计算所需要的关节力矩。
现有技术中连续体机器人的控制方法存在以下缺点:
1)十分依赖于机器人的数学模型。事实上,已有的技术方案基本都是基于模型的控制方案,而对于不同驱动的机器人和不同建模的机器人,其执行器和形状特征参数的关系是不同的,而研究者不可能事先知道所有连续体机器人的数学模型,故这类方法的应用场景比较有限。
2)对于无模型的控制方法,其控制需要经过网络的预训练,这需要大量的数据集。而且同样的,由于这类方法需要经过预训练,本质上是需要预先学习机器人的数学模型。如果更换机器人进行形状控制,就需要重新进行预训练,这需要消耗大量时间。而数据集的创建也十分麻烦,需要消耗大量资源。因此,这类方法的泛用性仍然较差,不能应用于更多机器人上。因此,需要研究一种应用场景更广泛、消耗资源更少、效率更高的形状控制方法。
3)目前的无模型的控制方法由于缺少模型,其控制效果并不理想,控制的形状相对误差都超过1%。尽管在形状控制任务中,1%的相对误差并不算大,但在一些精度要求较高的任务中,这样的相对误差可能会带来不必要的风险。因此,需要研究一种更准确的无模型形状控制方法。
实现思路