基于运动状态优化的多目标运动融合控制方法和系统

1.本发明涉及多目标控制优化技术领域，具体涉及一种基于运动状态优化的多目标运动融合控制方法、系统、存储介质和电子设备。


背景技术：

2.多目标控制优化是针对多个目标之间存在冲突时，通过将控制优化问题转化为多个约束条件下求解帕累托最优问题，往往采用多目标优化算法无限逼近最优边界得到理论最优解。多目标控制优化在工业生产、电力调度、智能驾驶、机器人控制等领域都有广泛应用。
3.例如，专利cn108657232a《一种城轨列车的多目标控制方法》公开了：一种城轨列车多目标控制方法，包括列车控制系统和列车驾驶曲线生成系统，列车驾驶曲线生成系统能为列车控制系统生成自动驾驶曲线，列车控制系统能根据自动驾驶曲线控制列车运行，其特征在于：所述列车驾驶曲线生成系统包括基础群模块、精英群模块、全局外部档案模块、局部外部档案模块、通信控制模块和驾驶曲线生成模块。
4.但是，以上述技术方案为代表的现有技术至少存在以下技术缺陷：控制目标的增添删减极为不便。现有的多目标控制主要是将多目标按权重转换为单目标问题求最优解，或者是转换为线性规划问题求取帕累托解，但随着新的目标增加，则需要重新构建模型，其工程量大对操作人员的知识经验水平要求高。且随着控制目标数量的增加求解过程更为复杂，计算量更为庞大，难以满足高实时性要求的复杂系统需求。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了一种基于运动状态优化的多目标运动融合控制方法、系统、存储介质和电子设备，解决了难以满足高实时性要求的技术问题。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：
9.一种基于运动状态优化的多目标运动融合控制方法，包括：
10.s1、构建总体线性控制系统并建立状态方程，针对当前复杂场景下的各个目标实现需求，分别设计目标控制器；
11.s2、针对各个目标控制器分别建立对应的运动控制预测模型以及目标评价函数，在当前时刻的系统运动状态基础上估计未来一段预测时间区间的运动状态，并计算相应的目标评价函数累计值；
12.s3、分别计算各个控制器目标评价函数累计值在当前时刻的目标梯度；
13.s4、根据预设的权重函数，按照权重层次序列由低到高依次嵌套融合各个控制器对应的目标梯度值，并将其加入系统总的控制输入中，实现当前复杂场景下的多目标运动融合。
14.优选的，所述s1包括：
15.s11、构建总体线性控制系统并建立状态方程；
[0016][0017]
y(t)＝cx(t) du(t)
[0018]
其中，x(t)为系统t时刻的运动状态，为系统t时刻的运动速度，u(t)为t时刻的系统总的控制输入，y(t)为t时刻的系统总的控制输出，a、b、c、d为状态方程的计算参数；
[0019]
s12、针对当前复杂场景下的各个目标实现需求，分别设计目标控制器；
[0020]
ui(t)＝f(y(t),ri(t))
[0021]
其中，ui(t)为控制器i的控制输入，是t时刻系统总的控制输出与期望控制目标的函数，ri(t)为控制目标t时刻的期望值。
[0022]
优选的，所述s2包括：
[0023]
s21、针对各个目标控制器分别建立对应的运动控制预测模型；
[0024][0025][0026]
其中，为预测区间内t时刻控制器i的预测运动状态，为预测区间内t时刻控制器i的预测运动速度，为预测区间内t时刻控制目标i的预测控制输出；
[0027]
s22、针对各个目标控制器分别建立目标评价函数，结合对应的所述运动控制预测模型，在当前时刻t0的系统运动状态基础上估计未来一段预测时间区间的运动状态，并计算相应的目标评价函数累计值；
[0028][0029]
其中，ji(t0)为第i个控制器t0时刻的目标函数累计值，gi为第i个控制器预测区间t0到t0 t内单时刻点的目标评价函数值，t为预测时间区间。
[0030]
优选的，所述s3中采用如下公式计算所述目标梯度：
[0031][0032]
其中，gi(t0)是控制器i在t0时刻的目标评价函数累计值的目标梯度。
[0033]
优选的，所述s4中，根据预设的权重函数，按照权重层次序列由低到高依次嵌套融合各个控制器对应的目标梯度值，包括：
[0034]
s41、按目标的重要程度排序确定各个控制器的优先级；
[0035]
m＝[m1,m2…
,m
l
…
,m
l
]
[0036]
其中，m是目标控制器的权重层次序列，满足n为总的目标控制数量，l为层次等级数，m
l
为第l个层次的目标控制器集合；
[0037]
s42、按权重层次序列由低到高依次嵌套计算融合后的目标梯度值；
[0038][0039][0040]
其中，是关于梯度g的归一化函数，α表示分层参数，w
l
(t0)表示从1到l的嵌套计算结果。
[0041]
优选的，所述s4中，将所有控制器嵌套融合后的目标梯度值，并将其加入系统总的控制输入，表示为：
[0042][0043]
其中，w
l
(t)为n个控制器嵌套融合后的目标梯度值，k为比例系数。
[0044]
一种基于运动状态优化的多目标运动融合控制系统，包括：
[0045]
设计模块，用于构建总体线性控制系统并建立状态方程，针对当前复杂场景下的各个目标实现需求，分别设计目标控制器；
[0046]
预测模块，用于针对各个目标控制器分别建立对应的运动控制预测模型以及目标评价函数，在当前时刻的系统运动状态基础上估计未来一段预测时间区间的运动状态，并计算相应的目标评价函数累计值；
[0047]
计算模块，用于分别计算各个控制器目标评价函数累计值在当前时刻的目标梯度；
[0048]
融合模块，用于根据预设的权重函数，按照权重层次序列由低到高依次嵌套融合各个控制器对应的目标梯度值，并将其加入系统总的控制输入中，实现当前复杂场景下的多目标运动融合。
[0049]
一种存储介质，其存储有用于多目标运动融合的控制的计算机程序，其中，所述计算机程序使得计算机执行如上所述的基于运动状态优化的多目标运动融合控制方法。
[0050]
一种电子设备，包括：
[0051]
一个或多个处理器；
[0052]
存储器；以及
[0053]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的基于运动状态优化的多目标运动融合控制方法。
[0054]
(三)有益效果
[0055]
本发明提供了一种基于运动状态优化的多目标运动融合控制方法、系统、存储介质和电子设备。与现有技术相比，具备以下有益效果：
[0056]
本发明包括：构建总体线性控制系统并建立状态方程，针对当前复杂场景下的各个目标实现需求，分别设计目标控制器；针对各个目标控制器分别建立对应的运动控制预测模型以及目标评价函数，在当前时刻的系统运动状态基础上估计未来一段预测时间区间的运动状态，并计算相应的目标评价函数累计值；分别计算各个控制器目标评价函数累计值在当前时刻的目标梯度；根据预设的权重函数，按照权重层次序列由低到高依次嵌套融合各个控制器对应的目标梯度值，并将其加入系统总的控制输入中，实现当前复杂场景下的多目标运动融合。针对不同的控制目标需求，分别设立目标函数，通过融合梯度的方式，实现控制目标的运动融合，满足高实时性要求。
附图说明
[0057]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0058]
图1为本发明实施例提供的一种基于运动状态优化的多目标运动融合控制方法的流程示意图；
[0059]
图2为本发明实施例提供的一种三维数字模型；
[0060]
图3为本发明实施例提供的一种主从控制模式下手术电凝切割的多目标运动融合仿真结果图。
具体实施方式
[0061]
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0062]
本技术实施例通过提供一种基于运动状态优化的多目标运动融合控制方法、系统、存储介质和电子设备，解决了难以满足高实时性要求的技术问题。
[0063]
针对现有多目标运动控制方法在目标增删减不便、实时性难以满足、控制器权重设置不够灵活的不足等技术缺陷，本技术要求保护一种基于运动状态优化的多目标运动融合控制方法，构建了一套通用的多目标运动融合控制框架，通过单目标评价函数梯度与单目标控制器的叠加方式，实现目标的自由增删减，通过梯度的层级融合实现目标的优先级划分，以此达到复杂场景下多目标之间的高效运动融合。
[0064]
具体而言，本发明实施例包括：构建总体线性控制系统并建立状态方程，针对当前复杂场景下的各个目标实现需求，分别设计目标控制器；针对各个目标控制器分别建立对应的运动控制预测模型以及目标评价函数，在当前时刻的系统运动状态基础上估计未来一段预测时间区间的运动状态，并计算相应的目标评价函数累计值；分别计算各个控制器目标评价函数累计值在当前时刻的目标梯度；根据预设的权重函数，按照权重层次序列由低到高依次嵌套融合各个控制器对应的目标梯度值，并将其加入系统总的控制输入中，实现当前复杂场景下的多目标运动融合。针对不同的控制目标需求，分别设立目标函数，通过融
合梯度的方式，实现控制目标的运动融合，满足高实时性要求。
[0065]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0066]
如图1所示，本发明实施例提供了一种基于运动状态优化的多目标运动融合控制方法，包括：
[0067]
s1、构建总体线性控制系统并建立状态方程，针对当前复杂场景下的各个目标实现需求，分别设计目标控制器；
[0068]
s2、针对各个目标控制器分别建立对应的运动控制预测模型以及目标评价函数，在当前时刻的系统运动状态基础上估计未来一段预测时间区间的运动状态，并计算相应的目标评价函数累计值；
[0069]
s3、分别计算各个控制器目标评价函数累计值在当前时刻的目标梯度；
[0070]
s4、根据预设的权重函数，按照权重层次序列由低到高依次嵌套融合各个控制器对应的目标梯度值，并将其加入系统总的控制输入中，实现当前复杂场景下的多目标运动融合。
[0071]
本发明实施例针对不同的控制目标需求，分别设立目标函数，通过融合梯度的方式，实现控制目标的运动融合，满足高实时性要求。
[0072]
下面将结合具体内容详细介绍上述技术方案的各个步骤：
[0073]
在步骤s1中，构建总体线性控制系统并建立状态方程，针对当前复杂场景下的各个目标实现需求，分别设计目标控制器；具体包括：
[0074]
s11、构建总体线性控制系统并建立状态方程；
[0075][0076]
y(t)＝cx(t) du(t)
[0077]
其中，x(t)为系统t时刻的运动状态，为系统t时刻的运动速度，u(t)为t时刻的系统总的控制输入，y(t)为t时刻的系统总的控制输出，a、b、c、d为状态方程的计算参数；
[0078]
s12、针对当前复杂场景下的各个目标实现需求，分别设计目标控制器；
[0079]
ui(t)＝f(y(t),ri(t))
[0080]
其中，ui(t)为控制器i的控制输入，是t时刻系统总的控制输出与期望控制目标的函数，ri(t)为控制目标t时刻的期望值。
[0081]
需要说明的是，上述各个控制器设定原则必须满足控制目标的需求以及系统稳定性的要求。
[0082]
在步骤s2中，针对各个目标控制器分别建立对应的运动控制预测模型以及目标评价函数，在当前时刻的系统运动状态基础上估计未来一段预测时间区间的运动状态，并计算相应的目标评价函数累计值，具体包括：
[0083]
s21、针对各个目标控制器分别建立对应的运动控制预测模型；
[0084][0085][0086]
其中，为预测区间内t时刻控制器i的预测运动状态，为预测区间内t时
刻控制器i的预测运动速度，为预测区间内t时刻控制目标i的预测控制输出；
[0087]
s22、针对各个目标控制器分别建立目标评价函数，结合对应的所述运动控制预测模型，在当前时刻t0的系统运动状态基础上估计未来一段预测时间区间的运动状态，并计算相应的目标评价函数累计值；
[0088][0089]
其中，ji(t0)为第i个控制器t0时刻的目标函数累计值，gi为第i个控制器预测区间t0到t0 t内单时刻点的目标评价函数值，t为预测时间区间。
[0090]
需要说明的是，上述目标函数的设定原则包括：
①
目标函数是单调递增的；
②
目标函数一阶可导；
③
目标函数值非负。
[0091]
在步骤s3中，分别计算各个控制器目标评价函数累计值在当前时刻的目标梯度。
[0092]
优化的方式具体采用如下公式计算所述目标梯度：
[0093][0094]
其中，gi(t0)是控制器i在t0时刻的目标评价函数累计值的目标梯度。
[0095]
在步骤s4中，根据预设的权重函数，按照权重层次序列由低到高依次嵌套融合各个控制器对应的目标梯度值，并将其加入系统总的控制输入中，实现当前复杂场景下的多目标运动融合，具体包括：
[0096]
s41、按目标的重要程度排序确定各个控制器的优先级；
[0097]
m＝[m1,m2…
,m
l
…
,m
l
]
[0098]
其中，m是目标控制器的权重层次序列，满足n为总的目标控制数量，l为层次等级数，m
l
为第l个层次的目标控制器集合；
[0099]
s42、按权重层次序列由低到高依次嵌套计算融合后的目标梯度值；
[0100][0101][0102]
其中，是关于梯度g的归一化函数，α表示分层参数，w
l
(t0)表示从1到l的嵌套计算结果。
[0103]
s43、将所有控制器嵌套融合后的目标梯度值，并将其加入系统总的控制输入，表示为：
[0104][0105]
其中，w
l
(t)为n个控制器嵌套融合后的目标梯度值，k为比例系数。
[0106]
本发明实施例针对控制目标重要程度，设定权重等级划分方法，实现多目标的层级运动融合。
[0107]
实施例1：
[0108]
医生在操作腹腔手术机器人执行手术任务过程中，针对术中电凝切割任务，电凝刀末端的运动既要精准地跟随主手的操控轨迹，也要在规划轨迹下平滑运动；同时，在遇到组织、器官、血管等关键性部位时能自主性的避让。
[0109]
在多目标运动融合控制方法下，最终的轨迹会由主从跟随控制、碰撞规避控制、规划路径跟踪控制和切割深度限制控制四个控制器联立的目标评价函数确定，以此为医生提供手术任务执行的智能辅助功能。
[0110]
本实施例选取肝叶切除术手术场景，进行仿真验证方法的可行性和有效性。肝脏具有丰富血流，在肝叶切除术手术中，如何保证精准切割的同时，避开关键血管，有效地控制出血是手术成功的关键。通过在matlab中建立三维数字模型如图2所示，定义了主从轨迹、规划轨迹、切割深度和需要避开的血管，实现的效果如图3所示。
[0111]
此时，技术方案具体展开包括：
[0112]
首先，将机器人系统简化为一个弹簧质点阻尼线性控制系统，并建立状态方程，针对手术切割场景下的主从跟随控制、碰撞规避控制、规划路径跟踪控制和切割深度限制控制四个目标实现需求，分别设计目标控制器；
[0113]
其次，建立四个控制器的运动控制预测模型以及目标评价函数，在当前时刻运动状态基础上估计未来一段时间区间的运动状态并计算相应的目标评价函数累计值；
[0114]
然后，通过优化的方式，分别计算各个控制器目标评价函数累计值在单时刻点的目标梯度；
[0115]
最后，将控制器按目标的重要程度排序，以确定各个控制器的优先级，设置权重函数，按权重层次由低到高依次嵌套融合目标梯度值，并将其加和到总的控制输入中，实现多控制目标的运动融合。
[0116]
为了进一步阐释上述方案，本实施例还补充了：将融合后的运动速度和姿态变化的速度转换为机器人的关节角，机器人执行融合运动。
[0117]
下面将结合具体内容详细介绍方案在该场景下的各个步骤：
[0118]
1、首先，将机器人系统简化为一个质量-阻尼-弹簧线性控制系统，并建立状态方程，针对手术切割场景下的规划路径跟踪控制、主从跟随控制、切割深度限制控制和碰撞规避控制四个目标实现需求，分别设计目标控制器。
[0119]
将机器人系统简化为一个弹簧质点阻尼线性控制系统，并建立状态方程；
[0120]
[0121][0122]
其中，x(t)为系统t时刻的运动状态，为系统t时刻的运动速度，为系统t时刻的加速度，u(t)为t时刻的系统总的控制输入，y(t)为t时刻的系统总的控制输出，m、b和k为质量-阻尼-弹簧系统的惯性参数、阻尼参数和刚度参数。
[0123]
针对目标需求设计目标控制器，控制器设定原则必须满足控制目标的需求以及系统稳定性的要求；
[0124]
针对规划路径跟踪控制设置控制器，保证机器人自主切割执行过程满足规划轨迹的设定：
[0125]us
(t)＝f(y(t),rs(t))
[0126]
例如：
[0127][0128]es
(t)＝rs(t)-y(t)
[0129]
其中，us(t)为规划路径跟踪控制器的输入，为规划路径跟踪控制器pd控制的比例系数和微分系数，rs(t)为t时刻规划路径跟踪控制器的运动状态，es(t)为规划路径跟踪控制器所控制对象期望位置与系统总的控制输出的偏差。
[0130]
针对主从跟随控制设置控制器，保证机器人跟随人手切割的路径，控制输入是关于当前位置和目标位置的函数：
[0131]
uh(t)＝f(y(t),rh(t))
[0132]
例如：
[0133][0134]eh
(t)＝rh(t)-y(t)
[0135]
其中，uh(t)为主从跟随控制器的输入，为主从跟随控制器pd控制的比例系数和微分系数，rh(t)为主手t时刻的位置，eh(t)为主从跟随控制器所控制对象期望位置与系统总的控制输出的偏差。
[0136]
针对切割深度限制设置控制器，保证机器人切割组织的深度控制在一定范围内：
[0137]
ud(t)＝f(y(t),rd(t))
[0138]
例如:
[0139][0140]
ed(t)＝rd(t)-y(t)
[0141]
其中，ud(t)为切割深度限制控制器的输入，为切割深度限制控制器pd控制的比例系数和微分系数，rd(t)为切割深度限制平面上离总的控制输出最近的点，ed(t)为
切割深度限制控制器所控制对象的切割深度限制平面与系统总的控制输出的偏差，β为ed(t)与y(t)向量的夹角。
[0142]
针对碰撞规避控制设置控制器，保证器械末端与碰撞规避区域的距离最短，最大程度的保证非目标区域的安全性，控制输入是与当前位置和障碍物位置相关的函数。
[0143]
ua(t)＝f(y(t),ra(t))
[0144]
例如：
[0145][0146]
cd(t)＝‖y(t)-ra(t)‖
[0147]
其中，ua(t)为碰撞规避控制器的输入，为碰撞规避控制器pd控制的比例系数和微分系数，ra(t)为t时刻障碍物中心点的位置，r为以障碍物中心点为球体碰撞检测区域的半径，r为以障碍物中心点为球体碰撞规避区域的半径，cd(t)为系统总的控制输出与障碍物中心点的距离，ε为很小的常数，保证当进入碰撞规避区域内，有较大的向外排斥速度
[0148]
2、其次，建立运动控制预测模型以及控制器的目标评价函数，在当前t时刻运动状态基础上估计未来一段时间区间的运动状态并计算相应的目标评价函数值。
[0149]
(1)对各个控制器分别建立运动控制预测模型。
[0150]
对各个控制器分别建立运动控制预测模型。
[0151][0152][0153]
其中，为预测区间内t时刻控制器i的预测运动状态，为预测区间内t时刻控制器i的预测运动速度，为预测区间内t时刻控制器i的预测加速度，为预测区间内t时刻控制目标i的预测控制输出。
[0154]
(2)针对不同控制器构建目标评价函数，在当前t时刻运动状态基础上估计未来一段时间区间的运动状态并计算相应的目标评价函数值。
[0155]
目标函数的设定原则：
①
目标函数是单调递增的；
②
目标函数一阶可导；
③
目标函数值非负。以t0时刻为例，系统的在预测区间内各个控制器的目标评价函数如下。
[0156]
针对轨迹规划跟踪控制目标建立目标评价函数，评估轨迹规划跟踪控制器在预测区间内的有效性。
[0157]
[0158][0159]
其中，js(t0)是轨迹规划跟踪控制器t0时刻的目标函数累计值，gs是轨迹规划跟踪控制器在预测区间t0到t0 t内单时刻点的目标评价函数值，是预测区间内t时刻轨迹规划跟踪控制目标的预测控制输出。
[0160]
对主从跟随控制目标建立目标评价函数，评估主从跟随控制在预测区间内的有效性。
[0161][0162][0163]
其中，jh(t0)是主从跟随控制器t0时刻的目标函数累计值，gh是主从跟随控制器在预测区间t0到t0 t内单时刻点的目标评价函数值，是预测区间内t时刻主从跟随控制目标的预测控制输出。
[0164]
针对切割深度限制控制目标建立目标评价函数，评估切割深度限制控制器在预测区间内的有效性。
[0165][0166][0167]
其中，jd(t0)是切割深度限制控制器t0时刻的目标函数累计值，gd是切割深度限制控制器在预测区间t0到t0 t内单时刻点的目标评价函数值，是预测区间内t时刻切割深度限制控制目标的预测控制输出。
[0168]
针对碰撞规避控制目标建立目标评价函数，评估碰撞规避控制器在预测区间内的有效性。
[0169][0170][0171]
其中，ja(t0)是碰撞规避控制器t0时刻的目标函数累计值，ga是碰撞规避控制器在预测区间t0到t0 t内单时刻点的目标评价函数值，是预测区间内t时刻碰撞规避控制目标的预测控制输出，rz为很小的常数。
[0172]
3、通过优化的方式，分别计算各个控制器目标评价函数累计值的下降梯度，根据
医生输入各个控制目标的参数以及控制目标的重要程度，采用多目标运动融合的控制方法，实现多目标控制输入按权重层次由低到高的嵌套融合。
[0173]
(1)通过优化的方式，分别计算各个控制器目标评价函数累计值在当前状态t0时刻的下降梯度。
[0174][0175][0176][0177][0178]
其中，gs(t0)、gh(t0)、gd(t0)、ga(t0)分别是轨迹规划跟踪控制器、主从跟随控制器、切割深度限制控制器以及碰撞规避控制器在t0时刻的目标评价函数累计值的目标梯度。
[0179]
(2)输入各个控制目标的参数以及控制目标的重要程度，例如碰撞规避控制器》切割深度限制控制器》主从跟随控制器》轨迹规划跟踪控制器，将控制器按目标的重要程度排序确定各个控制器的优先级。
[0180]
m＝[gs,gh,gd,ga]
[0181]
(3)按权重层次由低到高依次嵌套计算融合后的目标梯度值。
[0182][0183]
其中，是关于梯度g的归一化函数，w
l
(t)为4个控制器嵌套融合后的目标梯度值。
[0184]
(4)将嵌套融合后的目标梯度值加和到融合后的控制器中，由此实现多种不同目标运动控制器的运动融合。
[0185]
u(t)＝us(t) uh(t) ud(t) ua(t)-kw
l
(t)
[0186]
其中，k为比例系数。
[0187]
4、将融合后的运动速度和姿态变化的速度转换为机器人的关节角，机器人执行融合运动。
[0188][0189]yt
＝z
t
×
x
t-1
[0190][0191]qt
＝[x
t y
t z
t
]
[0192]
θ(t)＝ζ(q(t))
[0193][0194]
其中，xm表示固定的rcm点，x
t
表示姿态矩阵的x轴向量，y
t
表示姿态矩阵的y轴向
量，z
t
表示姿态矩阵的z轴向量，q
t
为机器人运动的姿态，函数ζ表示将姿态旋转矩阵转换为笛卡坐标系下的欧拉角，θ(t)为笛卡坐标系下的欧拉角，为欧拉角变化的速度，为机器人关节角的转动速度，j-1
(θ)为雅可比矩阵。
[0195]
本实施例针对上述4个不同控制目标重要程度，设定权重等级划分方法，最终实现术中电凝切割任务场景下的多目标的层级运动融合。如图三所示，在肝脏模型上进行电凝切割任务，有轨迹跟踪、主从跟随、深度限制和碰撞规避四个目标，分别对应图中黑色粗线(规划轨迹)、黑色细线(主手轨迹)、灰色平面(切割深度)和淡灰色圆柱(规避血管)，在多目标运动融合方法下，虚线部分代表融合后的运动曲线。从图中可以看出，在碰撞规避控制器》切割深度限制控制器》主从跟随控制器》轨迹规划跟踪控制器的优先级设置下，虚线沿着轨迹始终不超过限制的的切割深度，在遇到障碍物时能精准避开，最终到达结束点完成任务。
[0196]
实施例2：
[0197]
在建筑物理空间中，平面移动式机器人实现从a位置到b位置的自主移动，既要按预设的轨迹移动到b位置，也要在移动过程中实时避开障碍物。为此，根据障碍物区域、轨迹点、目标点的位置，设定规划轨迹跟踪控制器、目标点追踪控制器以及障碍物规避控制器，并建立对应的目标评价函数，实现平面移动式机器人自主移动的多目标运动融合。
[0198]
本发明实施例提供了一种基于运动状态优化的多目标运动融合控制系统，包括：
[0199]
设计模块，用于构建总体线性控制系统并建立状态方程，针对当前复杂场景下的各个目标实现需求，分别设计目标控制器；
[0200]
预测模块，用于针对各个目标控制器分别建立对应的运动控制预测模型以及目标评价函数，在当前时刻的系统运动状态基础上估计未来一段预测时间区间的运动状态，并计算相应的目标评价函数累计值；
[0201]
计算模块，用于分别计算各个控制器目标评价函数累计值在当前时刻的目标梯度；
[0202]
融合模块，用于根据预设的权重函数，按照权重层次序列由低到高依次嵌套融合各个控制器对应的目标梯度值，并将其加入系统总的控制输入中，实现当前复杂场景下的多目标运动融合。
[0203]
本发明实施例提供了一种存储介质，其存储有用于多目标运动融合的控制的计算机程序，其中，所述计算机程序使得计算机执行如上所述的基于运动状态优化的多目标运动融合控制方法。
[0204]
一种电子设备，包括：
[0205]
一个或多个处理器；
[0206]
存储器；以及
[0207]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的基于运动状态优化的多目标运动融合控制方法。
[0208]
可理解的是，本发明实施例提供的基于运动状态优化的多目标运动融合控制系统、存储介质和电子设备与本发明实施例提供的基于运动状态优化的多目标运动融合控制方法相对应，其有关内容的解释、举例和有益效果等部分可以参考基于运动状态优化的多
目标运动融合控制方法中的相应部分，此处不再赘述。
[0209]
综上所述，与现有技术相比，具备以下有益效果：
[0210]
1、本发明实施例针对不同的控制目标需求，分别设立目标函数，通过融合梯度的方式，实现控制目标的运动融合，满足高实时性要求。
[0211]
2、本发明实施例针对控制目标重要程度，设定权重等级划分方法，实现多目标的层级运动融合。
[0212]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0213]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。