面向机械臂轨迹预测的并行互耦合光子储备池系统及方法

摘要: 本发明实施例涉及光子储备池计算,尤其涉及一种面向机械臂轨迹预测的并行互耦合光子储备池系统及方法。背景技术:1、随着智能制造与机器人技术的快速发展,多自由度机械臂...
面向机械臂轨迹预测的并行互耦合光子储备池系统及方法

本发明实施例涉及光子储备池计算,尤其涉及一种面向机械臂轨迹预测的并行互耦合光子储备池系统及方法。

背景技术:

1、随着智能制造与机器人技术的快速发展,多自由度机械臂已广泛应用于精密装配、人机协作、高速分拣及复杂动态操作等工业场景,在此类应用中,机械臂末端轨迹的高精度实时预测是实现高性能运动规划、动态避障与系统稳定运行的核心基础。目前主流的机械臂控制策略以基于解析动力学模型的方法为主,包括模型预测控制、自适应控制、滑模控制等,这类方法高度依赖系统状态方程的精确性,而实际机械臂系统通常具有强非线性、多变量强耦合、参数时变与外部扰动不确定性等特征,导致建模复杂度高、参数辨识难度大,同时复杂的在线矩阵求逆与迭代优化计算往往带来庞大的算力开销,传统数字微处理器难以在微秒级甚至亚微秒级时间尺度内完成动力学方程求解,无法满足现代高速机械臂的超低延迟控制需求。为克服解析建模的固有局限,数据驱动的动力学预测方法逐渐成为研究热点,递归神经网络、长短期记忆网络、高斯混合模型、数字孪生驱动等方法虽在轨迹预测任务中取得了一定进展,但这类方法通常依赖大规模参数训练与复杂的反向传播过程,存在计算开销高、推理时延大、功耗高的固有缺陷,仍无法适配高速机械臂的实时性要求。

2、光子储备池计算依托光学器件的极高带宽与皮秒级物理响应,为突破数字计算的速度与功耗瓶颈提供了全新的硬件实现路径,目前已有的近似方案主要分为两类,一类是基于数字平台的机械臂动力学预测方案,以深度神经网络、高斯混合模型、数字孪生技术为代表,通过软件算法拟合机械臂动力学特性,在通用cpu或gpu平台上实现轨迹预测,典型如带 k 值选择的高斯混合模型轨迹学习方法、数字孪生驱动的机器人误差预测补偿方法,这类方案精度尚可,但受限于电子器件的时钟频率,推理时延普遍在毫秒级以上,无法满足高速场景的超低延迟需求;另一类是基于单台或不具备双向互耦合特性的半导体激光器构建的光子储备池方案,这类方案多聚焦于mackey-glass、lorenz等抽象时序基准任务,多处于理论仿真阶段,针对机械臂动力学预测这一具有明确工程背景的任务缺乏真实硬件验证,也没有适配高维耦合机械臂状态的专用编码方法,无法直接将多变量耦合的机械臂动力学状态高效映射为单通道光注入信号,且单节点或无耦合的架构在处理高维强耦合动力学任务时非线性表征能力不足,预测精度与稳定性均存在明显短板。

技术实现思路

1、本发明实施例提供了一种面向机械臂轨迹预测的并行互耦合光子储备池系统及方法,依托光子器件的天然高速并行特性,推理延迟可降至皮秒至纳秒量级,同时系统功耗显著降低,可满足高速机械臂的超低延迟实时预测需求,有效突破了电子算力的速度瓶颈;采用双向互耦合架构有效增强了系统的高维非线性表征能力,预测精度与结果稳定性均有明显提升;同时首创的高维状态编码方法,解决了多变量耦合动力学信号在单光路中的传输与特征保留问题,在硬件层面实现了光子储备池对机械臂8维动力学状态的有效预测。

2、第一方面,本发明实施例提供了一种面向机械臂轨迹预测的并行互耦合光子储备池系统,包括:

3、高维状态编码模块,用于获取双关节机械臂的8维状态向量,对所述8维状态向量进行逐维归一化与固定顺序串行平铺处理,生成一维离散目标序列,并将所述一维离散目标序列与混沌掩模信号进行时间复用调制,得到携带动力学信息的光注入信号;

4、并行互耦合光子储备池模块,包括第一分布反馈式半导体激光器和第二分布反馈式半导体激光器,所述第一分布反馈式半导体激光器和第二分布反馈式半导体激光器均配置有独立的自反馈环路,且所述第一分布反馈式半导体激光器和第二分布反馈式半导体激光器之间通过双向互耦合链路连接;所述光注入信号同时注入所述第一分布反馈式半导体激光器与第二分布反馈式半导体激光器,以激发非线性瞬态响应,完成输入特征的高维非线性映射;

5、输出读出与轨迹预测模块,用于采集所述第一分布反馈式半导体激光器与第二分布反馈式半导体激光器的输出光信号,将所述输出光信号转换为电信号后构建储备池状态矩阵,基于训练集数据求解输出权重矩阵,并根据所述输出权重矩阵对测试集数据进行预测,得到机械臂的8维动力学状态及末端轨迹。

6、在一些实施例中,所述高维状态编码模块包括:

7、数据生成单元,用于基于双关节机械臂的刚体动力学模型生成参考轨迹,通过逆运动学求解得到关节角序列,并采用五点中心差分法计算关节角速度与角加速度,代入动力学方程求解得到关节力矩,构建包含2维关节角、2维关节角速度、2维关节角加速度与2维关节力矩的8维状态向量;

8、归一化与平铺单元,用于对所述8维状态向量中的每个分量分别执行min-max归一化处理,将各分量映射至[0,1]区间,再按照固定顺序将8维状态分量串行平铺,拼接为所述一维离散目标序列;

9、时间复用调制单元,用于将所述一维离散目标序列转换为模拟电压信号,通过高速乘法器将所述模拟电压信号与所述混沌掩模信号进行点乘运算,得到时间复用注入信号,并利用所述时间复用注入信号驱动马赫-曾德尔相位调制器,将机械臂状态信号调制到连续波激光器输出的光场上,形成所述光注入信号。

10、在一些实施例中,所述归一化与平铺单元中,所述固定顺序为按照关节角、关节角速度、关节角加速度、关节力矩的顺序依次排列各维度分量;所述时间复用调制单元中,所述混沌掩模信号由半导体激光器产生,掩模周期与虚拟节点间隔共同决定虚拟节点总数,且所述掩模周期与所述并行互耦合光子储备池模块的自反馈延时保持一致。

11、在一些实施例中,所述第一分布反馈式半导体激光器与第二分布反馈式半导体激光器的自反馈环路均由光纤延迟线、电控光放大器、电控光衰减器、光环形器及光隔离器组成;

12、所述双向互耦合链路中配置有光放大器与光衰减器,用于调节互耦合强度;

13、通过调节所述电控光放大器的增益与所述电控光衰减器的衰减量,分别连续调控自反馈系数与互耦合系数,以改变储备池的短期记忆效应与非线性表征能力。

14、在一些实施例中,所述输出读出与轨迹预测模块包括:

15、光电转换与采集单元,用于通过光电探测器将所述第一分布反馈式半导体激光器与第二分布反馈式激光器的输出光信号转换为电流信号,经电放大器放大后,由高速示波器按虚拟节点间隔进行采样,得到两台激光器对应的虚拟节点状态序列;

16、训练单元,用于构建储备池状态矩阵,所述储备池状态矩阵的每一列由偏置项、输入目标值与两台激光器的虚拟节点状态拼接组成,对应的目标矩阵为下一时刻的目标状态序列,采用带l2正则化的岭回归算法求解输出权重矩阵;

17、预测单元,用于将测试集对应的储备池状态代入求解得到的输出权重矩阵,得到预测的归一化状态序列,经反归一化与维度重构还原为8维机械臂动力学状态,并通过正运动学方程转换为末端执行器的笛卡尔空间轨迹。

18、在一些实施例中,所述训练单元中,岭回归算法的正则化系数为10的负6次方;所述求解输出权重矩阵的过程中,仅更新输出层权重,所述第一分布反馈式半导体激光器与第二分布反馈式半导体激光器的内部光学参数与动力学特性全程保持固定。

19、第二方面,本发明实施例还提供了一种机械臂动力学轨迹预测方法,应用于如第一方面所述的面向机械臂轨迹预测的并行互耦合光子储备池系统,所述方法包括:

20、步骤s1:获取双关节机械臂的8维状态向量,对所述8维状态向量进行逐维归一化与固定顺序串行平铺处理,生成一维离散目标序列;

21、步骤s2:将所述一维离散目标序列与混沌掩模信号进行时间复用调制,得到携带动力学信息的光注入信号;

22、步骤s3:将所述光注入信号同时注入两台带有独立自反馈环路的所述分布反馈式半导体激光器,所述两台分布反馈式半导体激光器通过双向互耦合链路连接,利用分布反馈式半导体激光器的非线性瞬态响应完成输入特征的高维非线性映射;

23、步骤s4:采集两台所述分布反馈式半导体激光器的输出光信号,构建储备池状态矩阵,基于训练集数据通过岭回归算法求解输出权重矩阵;

24、步骤s5:将测试集对应的储备池状态代入求解得到的输出权重矩阵,得到预测的机械臂8维动力学状态及末端轨迹。

25、在一些实施例中,所述步骤s1包括:

26、基于双关节机械臂的刚体动力学模型生成参考轨迹,所述参考轨迹包括混沌吸引子轨迹和周期几何轨迹;

27、通过逆运动学求解得到关节角序列,采用五点中心差分法计算关节角速度与角加速度,代入动力学方程求解得到关节力矩;

28、构建包含2维关节角、2维关节角速度、2维关节角加速度与2维关节力矩的8维状态向量,并按时间顺序以8:2的比例划分为训练集与测试集;

29、对8维状态向量中的每个分量分别执行min-max归一化处理,将各分量映射至[0,1]区间,再按照关节角、关节角速度、关节角加速度、关节力矩的固定顺序将8维状态分量串行平铺,拼接为所述一维离散目标序列。

30、在一些实施例中,所述步骤s4包括:

31、通过光电探测器将两台分布反馈式半导体激光器的输出光信号转换为电流信号,经电放大器放大后,由高速示波器按虚拟节点间隔进行采样,得到虚拟节点状态序列;

32、构建储备池状态矩阵,所述储备池状态矩阵的每一列由偏置项、输入目标值与两台激光器的虚拟节点状态拼接组成,对应的目标矩阵为下一时刻的目标状态序列;

33、采用带l2正则化的岭回归算法求解输出权重矩阵,正则化系数设置为10的负6次方,训练过程中储备池内部光学参数与动力学特性全程固定,仅更新输出层权重。

34、第三方面,本发明实施例还提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行如第二方面所述的机械臂动力学轨迹预测方法。

35、根据本发明实施例提供的面向机械臂轨迹预测的并行互耦合光子储备池系统及方法,其中,面向机械臂轨迹预测的并行互耦合光子储备池系统整体由高维状态编码模块、并行互耦合光子储备池模块、输出读出和轨迹预测模块三大模块级联构成,其中,高维状态编码模块用于获取双关节机械臂的8维状态向量,对8维状态向量进行逐维归一化与固定顺序串行平铺处理,生成一维离散目标序列,并将一维离散目标序列与混沌掩模信号进行时间复用调制,得到携带动力学信息的光注入信号;并行互耦合光子储备池模块包括第一分布反馈式半导体激光器和第二分布反馈式半导体激光器,第一分布反馈式半导体激光器和第二分布反馈式半导体激光器均配置有独立的自反馈环路,且第一分布反馈式半导体激光器和第二分布反馈式半导体激光器之间通过双向互耦合链路连接;光注入信号同时注入第一分布反馈式半导体激光器与第二分布反馈式半导体激光器,以激发非线性瞬态响应,完成输入特征的高维非线性映射;输出读出与轨迹预测模块用于采集第一分布反馈式半导体激光器与第二分布反馈式半导体激光器的输出光信号,将输出光信号转换为电信号后构建储备池状态矩阵,基于训练集数据求解输出权重矩阵,并根据输出权重矩阵对测试集数据进行预测,得到机械臂的8维动力学状态及末端轨迹。本系统为基于互耦合自反馈分布反馈式半导体激光器的并行光子储备池系统,利用光学器件的高带宽、低延迟天然特性,实现高速机械臂动力学的超低时延预测,突破传统数字计算的速度瓶颈。通过对8维状态向量进行逐维归一化、固定顺序串行平铺、时间复用掩模编码方法,解决机械臂8维多变量耦合动力学特征在单链路光学系统中的有效传输与特征保留难题。采用双向互耦合的光学储备池架构,引入跨储备池的非线性动态交互,增强系统对高维耦合动力学的表征能力,有效降低预测误差、提升结果稳定性。基于此,本发明实施例能够实现光子储备池对机械臂8维动力学状态的有效预测。