一种基于神经网络的机械臂逆运动学求解方法、电子设备及存储介质与流程

技术特征：
1.一种基于神经网络的机械臂逆运动学求解方法，其中，将机械臂的末端位姿变量作为神经网络的输入、机械臂的关节变量作为神经网络的输出，神经网络的输出个数、机械臂的自由度个数及机械臂的关节个数相等，其特征在于，所述方法包括：对每个输入进行向量化，将其转化为对应的属性向量；将各属性向量输入第一权重计算模块，得到各属性向量对应的第一权重；利用各第一权重对相应的属性向量进行加权后求和，得到第一全连接神经网络模块的输入向量，第一全连接神经网络模块的输出为至少部分关节变量的预测值。2.根据权利要求1所述的机械臂逆运动学求解方法，其特征在于，所述对每个输入进行向量化具体为，为每个输入设置对应的第一权值向量，输入与对应的第一权值向量相乘得到对应的属性向量。3.根据权利要求1所述的机械臂逆运动学求解方法，其特征在于，所述第一权重计算模块的输入还包括辅助向量，所述辅助向量与各属性向量进行运算，得到各属性向量对应的第一权重。4.根据权利要求1所述的机械臂逆运动学求解方法，其特征在于，所述第一全连接神经网络模块输出所有关节变量的预测值。5.根据权利要求1所述的机械臂逆运动学求解方法，其特征在于，所述神经网络包括至少两个全连接神经网络模块；所述第一全连接神经网络模块输出部分关节变量的预测值，其中包括第一关节变量的预测值，所述第一关节变量所对应的关节距离机械臂末端最远；为所述第一关节变量的预测值设置对应的第二权值向量，所述第一关节变量的预测值与对应的第二权值向量相乘得到对应的标签向量；将所述第一关节变量预测值对应的标签向量与各属性向量输入第二权重计算模块，所述第一关节变量预测值对应的标签向量与各属性向量进行运算，得到各属性向量对应的第二权重；利用各第二权重对相应的属性向量进行加权后求和，得到第二全连接神经网络模块的输入向量，第二全连接神经网络模块的输出为至少部分剩余关节变量的预测值，其中包括第二关节变量的预测值，所述第二关节变量所对应的关节距离机械臂末端次远。6.根据权利要求5所述的机械臂逆运动学求解方法，其特征在于，所述第一全连接神经网络模块仅输出第一关节变量的预测值，所述第二全连接神经网络模块仅输出第二关节变量的预测值；以求解第二关节变量预测值的方式进行类推，依次计算出剩余关节变量的预测值。7.根据权利要求3或5所述的机械臂逆运动学求解方法，其特征在于，所述运算采用权重计算函数进行，所述权重计算函数为点积运算、曼哈顿距离运算、欧式距离运算或余弦距离运算。8.根据权利要求7所述的机械臂逆运动学求解方法，其特征在于，在利用神经网络进行机械臂逆运动学求解前，先对神经网络的超参数进行确定，其中，超参数包括全连接神经网络模块的隐层层数、隐层神经元数目和学习率，以及属性向量的维数、权重计算函数。9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机指令，其中，所述计算机指令被所述处理器运行时执行权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的方法。

技术总结
本发明公开了一种基于神经网络的机械臂逆运动学求解方法，所述方法包括：对每个输入进行向量化，将其转化为对应的属性向量；将各属性向量输入第一权重计算模块，得到各属性向量对应的第一权重；利用各第一权重对相应的属性向量进行加权后求和，得到第一全连接神经网络模块的输入向量，第一全连接神经网络模块的输出为至少部分关节变量的预测值。采用本发明的方法，不仅能增强神经网络的可解释性，还可以充分挖掘出数据中蕴含的信息，提升神经网络的精确性。的精确性。的精确性。


技术研发人员：陈力军 刘佳 江东 程唯 邵波 沈奎林
受保护的技术使用者：江苏图客机器人有限公司
技术研发日：2020.05.08
技术公布日：2021/11/8