本發(fā)明屬于機器人控制領(lǐng)域，特別涉及一種運載機器人手臂操控自適應(yīng)混合學(xué)習(xí)映射智能控制方法及系統(tǒng)。

背景技術(shù)：

近些年來，移動機器人被廣泛應(yīng)用于室內(nèi)運輸，如醫(yī)院利用移動機器人運輸醫(yī)療設(shè)備、超市的服務(wù)型機器人、工廠制造環(huán)境下的機器人等。而機器人手臂是機器人機械系統(tǒng)的重要組成部分，也是機器人實現(xiàn)其服務(wù)功能的主要載體。

機械手臂的控制問題一直是該行業(yè)的難點問題。早期，大部分手臂采用pid控制，能夠?qū)崿F(xiàn)中等以下速度的跟蹤，但是在高精度、快速的場合下，傳統(tǒng)的pid控制并不能滿足其控制要求。在這種情況下，出現(xiàn)了模糊控制、神經(jīng)網(wǎng)絡(luò)控制、模糊神經(jīng)網(wǎng)絡(luò)控制、專家控制等智能控制方法。

如今神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于機器人手臂控制：通過求解運動學(xué)方程來獲得訓(xùn)練樣本，然后利用神經(jīng)網(wǎng)絡(luò)建立手臂關(guān)節(jié)空間坐標(biāo)與笛卡爾空間坐標(biāo)的映射關(guān)系。然而通過求解運動學(xué)方程獲得大量樣本的方法并不實用，而且機器人手臂關(guān)節(jié)處的電機更換會使得之前構(gòu)建的神經(jīng)網(wǎng)絡(luò)需重新訓(xùn)練。因此，機器人的維護存在著極大的不便?；谏鲜鲈?，迫切地需要一種更為智能的手臂控制方法。

技術(shù)實現(xiàn)要素：

本發(fā)明提供了一種運載機器人手臂操控自適應(yīng)混合學(xué)習(xí)映射智能控制方法及系統(tǒng)，其目的在于，克服上述現(xiàn)有技術(shù)中存在的問題，通過建立機器人基座、抓取臺之間距離與機器人手臂姿態(tài)之間的映射，避免繁瑣的運動學(xué)方程建立；從抓取樣本集中根據(jù)耗電量選擇初始訓(xùn)練樣本；結(jié)合抓取中關(guān)節(jié)運動幅度并將關(guān)節(jié)分為三類，并且對這三類關(guān)節(jié)采用了不同的優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)組合進行訓(xùn)練和預(yù)測，提高了手臂關(guān)節(jié)的控制精度。

一種運載機器人手臂操控自適應(yīng)混合學(xué)習(xí)映射智能控制方法，包括以下步驟：

步驟1：將運載機器人位于指定抓取區(qū)域內(nèi)的抓取任務(wù)固定起始點，利用遠程服務(wù)器控制運載機器人手臂重復(fù)進行多次抓取訓(xùn)練，獲得抓取樣本集；

每個抓取樣本包括運載機器人從抓取任務(wù)固定起始點移動到抓取結(jié)束點的過程中依次經(jīng)過各個移動點，運載機器人在各個移動點上所有關(guān)節(jié)的控制值以及完成一次抓取任務(wù)的手臂運動耗電量；每個移動點所在位置是指運載機器人的基座與抓取臺底端邊緣之間的距離，相鄰移動點之間間距相等；

所述抓取結(jié)束點是指，當(dāng)運載機器人從抓取任務(wù)固定起始點運動到抓取結(jié)束點時，運載機器人抓到物體，完成抓取任務(wù)；

利用遠程服務(wù)器控制運載機器人手臂進行抓取，同時自動記錄距離和對應(yīng)的控制值矩陣，獲取樣本的方法不同于傳統(tǒng)反求運動學(xué)方程的復(fù)雜方法，避免了復(fù)雜的建模和求解過程。

步驟2：按照手臂運動耗電量選取初始訓(xùn)練樣本；

從抓取樣本集中選出手臂運動耗電量百分比低于10％的抓取樣本，并從手臂運動耗電量百分比低于10％的抓取樣本中選出手臂運動耗電量百分比最低的抓取樣本作為初始訓(xùn)練樣本；

步驟3：依據(jù)各手臂關(guān)節(jié)控制值的變化幅度對初始訓(xùn)練樣本進行關(guān)節(jié)分類，獲得各類關(guān)節(jié)樣本集；

從初始訓(xùn)練樣本中提取出各個關(guān)節(jié)樣本，每個關(guān)節(jié)樣本包括移動點位置和在對應(yīng)移動點的關(guān)節(jié)控制值；

依據(jù)關(guān)節(jié)控制值變化幅度a％，對初始訓(xùn)練樣本中每個關(guān)節(jié)樣本進行分類：

若a％<20％，該類關(guān)節(jié)作為第一類關(guān)節(jié)；

若20％≤a％≤50％，該類關(guān)節(jié)作為第二類關(guān)節(jié)；

若a％>50％，該類關(guān)節(jié)作為第三類關(guān)節(jié)

每個關(guān)節(jié)樣本的關(guān)節(jié)控制值變化幅度a％是指每個關(guān)節(jié)在一次抓取過程所有動作中的最大控制值和最小控制值之差與對應(yīng)關(guān)節(jié)的控制量程之比；

n個關(guān)節(jié)的控制值被劃分為三類；

步驟4：利用步驟3得到的關(guān)節(jié)樣本集作為最終訓(xùn)練集構(gòu)建運載機器人手臂關(guān)節(jié)控制值的預(yù)測模型；

依次將最終訓(xùn)練集中屬于同類型關(guān)節(jié)的所有關(guān)節(jié)樣本的移動點位置和在對應(yīng)移動點上的關(guān)節(jié)控制值分別作為訓(xùn)練模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓(xùn)練，構(gòu)建預(yù)測模型；

其中，第一類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為灰色神經(jīng)網(wǎng)絡(luò)模型；

第二類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為pid神經(jīng)網(wǎng)絡(luò)模型；

第三類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為廣義回歸神經(jīng)網(wǎng)絡(luò)模型；

建立距離與機器人手臂姿態(tài)之間的映射，而不需要建立復(fù)雜的運動學(xué)方程。同時，手臂關(guān)節(jié)處電機的更換不會造成神經(jīng)網(wǎng)絡(luò)訓(xùn)練的失效，方便了機器人的維護。

運用多種優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)的組合對手臂的抓取進行控制，針對不同關(guān)節(jié)選擇精度更加高的組合進行預(yù)測，提高了系統(tǒng)的穩(wěn)定性；

步驟5：當(dāng)運載機器人接收到抓取指令運動到抓取任務(wù)固定起始點時，利用設(shè)定的手臂關(guān)節(jié)動作數(shù)量將抓取區(qū)域進行等間隔劃分，得到各個移動點位置，依次輸入各個移動點的位置到預(yù)測模型，得到各個移動點位置上的各個關(guān)節(jié)的控制值，完成將抓取任務(wù)。

進一步的，所述第一類關(guān)節(jié)預(yù)測模型是以第一類關(guān)節(jié)樣本集中各關(guān)節(jié)樣本的移動點位置和在對應(yīng)移動點上的關(guān)節(jié)控制分別作為灰色神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓(xùn)練后，獲得的基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型：

所述基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型的輸入層節(jié)點個數(shù)為2，隱含層小波元個數(shù)為4，輸出層節(jié)點個數(shù)為2；訓(xùn)練過程中的最大迭代次數(shù)設(shè)置為500，訓(xùn)練學(xué)習(xí)率為0.1，閾值為0.05；

所述基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型的權(quán)值和閾值采用自改進狼群算法進行尋優(yōu)獲得。

進一步的，所述基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型的權(quán)值和閾值采用狼群算法進行尋優(yōu)獲得的過程如下：

步驟3.1：以個體狼的位置作為基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型的權(quán)值和閾值，初始化狼群并設(shè)置狼群參數(shù)；

狼群包含多只個體狼；

狼群規(guī)模的取值范圍為[10,100]，步長因子的取值范圍為[1000,2500]，探狼比例因子的取值范圍為[2,10]，最大游走次數(shù)的取值范圍為[5,20]，距離判定因子的取值范圍為[100,500]，最大奔襲次數(shù)的取值范圍為[5,15]，更新比例因子的取值范圍為[2,20]，最大迭代次數(shù)的取值范圍為[200,2000]，最大搜索精度的取值范圍為[0.01,0.1]；

步驟3.2：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)頭狼位置和迭代次數(shù)t，t＝1；

依次個體狼位置體對應(yīng)的權(quán)值和閾值代入基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型中，并利用個體狼位置確定的基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型計算第一類關(guān)節(jié)樣本集中每個關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值，將所有關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值和實際值的均方差mse的倒數(shù)作為第一適應(yīng)度函數(shù)f1(x)；

利用第一適應(yīng)度函數(shù)計算每個個體狼位置的適應(yīng)度，以最大適應(yīng)度對應(yīng)的磷蝦個體位置作為初始最優(yōu)頭狼位置

步驟3.3：探狼游走；

從狼群中選取適應(yīng)度最大的狼作為頭狼，并隨機選取探狼；計算探狼在各方向的適應(yīng)度，并使探狼向適應(yīng)度最大的方向探索：當(dāng)某只探狼適應(yīng)度大于頭狼或者達到最大游走次數(shù)時，游走結(jié)束，進入步驟3.4；

步驟3.4：猛狼奔襲；

除頭狼與探狼之外的個體狼均為猛狼，猛狼向頭狼所在方向奔襲，并不斷計算猛狼位置的適應(yīng)度；

若某猛狼位置適應(yīng)度高于頭狼位置適應(yīng)度，則更新頭狼，且其余猛狼改為向當(dāng)前頭狼奔襲，當(dāng)猛狼與當(dāng)前頭狼距離小于判定距離時，該猛狼奔襲停止，當(dāng)所有猛狼奔襲停止或達到最大奔襲次數(shù)時，奔襲結(jié)束，狼群進入圍攻狀態(tài)，進入步驟3.5；

步驟3.5：除當(dāng)前頭狼以外所有個體狼均向頭狼方向前進一步，依次判斷向前進一步后的個體狼位置適應(yīng)度是否優(yōu)于未向前進一步的位置的適應(yīng)度，若是，則將向前進一步的位置作為個體狼的新的位置，否則，若適應(yīng)度降低，則個體狼保持原位置不變；

步驟3.6：完成圍攻行為后，狼群中所有個體狼按照當(dāng)前適應(yīng)度由高到低排序，適應(yīng)度最高的個體狼設(shè)為頭狼，排名靠后的人工狼被淘汰，并重新隨機生成新的人工狼；

步驟3.7：當(dāng)達到最大搜索精度或最大迭代次數(shù)時，輸出最新的頭狼對應(yīng)的基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型的最優(yōu)權(quán)值和閾值，否則，令t＝t+1，返回步驟3.3，繼續(xù)下一次迭代。

進一步的，所述第二類關(guān)節(jié)預(yù)測模型是以第二類關(guān)節(jié)樣本集中各關(guān)節(jié)樣本的移動點位置和在對應(yīng)移動點上的關(guān)節(jié)控制值分別作為pid神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓(xùn)練后，獲得的基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型：

其中，所述基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型輸入層節(jié)點個數(shù)為2，隱含層個數(shù)為4，輸出層節(jié)點個數(shù)為2；訓(xùn)練過程中，最大迭代次數(shù)設(shè)置為100，訓(xùn)練學(xué)習(xí)率為0.1；

所述基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型的權(quán)值和閾值采用水循環(huán)算法進行尋優(yōu)獲得。

進一步的，所述基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型的權(quán)值和閾值采用水循環(huán)算法進行尋優(yōu)獲得的過程如下：

步驟5.1：將降雨層作為基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型的權(quán)值和閾值，初始化降雨層種群，并設(shè)置降雨層種群參數(shù)；

降雨層種群規(guī)模的取值范圍為[30,150]，河流和海洋的取值范圍為[5,15]，海洋個數(shù)1，極小值dmin的取值范圍為[0.02,0.1]，最大迭代次數(shù)的取值范圍為[200,1000]，最大搜索精度的取值范圍為[0.01,0.1]；

步驟5.2：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)降雨層和迭代次數(shù)t，t＝1；

將降雨層對應(yīng)的權(quán)值和閾值代入基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型中，并利用降雨層確定的基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型計算第二類關(guān)節(jié)樣本集中每個關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值，將所有關(guān)節(jié)樣本的控制預(yù)測值和實際值的均方差mse的倒數(shù)作為第二適應(yīng)度函數(shù)f2(x)；

利用第二適應(yīng)度函數(shù)計算每個降雨層的適應(yīng)度，以最大適應(yīng)度對應(yīng)的降雨層作為大海，以次小適應(yīng)度對應(yīng)的降雨層作為河流，其余的降雨層作為流入河流或海洋的溪流；

步驟5.3：使溪流匯入河流，如果發(fā)現(xiàn)溪流的解比河流的解更好，則它們互相交換位置；

步驟5.4：使河流流入海洋，若河流的解比海洋的解較優(yōu)，則河流與海洋交換位置，以最終海洋作為最優(yōu)解；

步驟5.5：檢查是否滿足蒸發(fā)條件；判斷河流與海洋的適應(yīng)值之差的絕對值是否小于極小值dmin；

如果小于，則認為滿足降雨條件，去掉該河流，并重新進行降雨過程，隨機生成新的降雨層，重新計算降雨層種群中各降雨層的適應(yīng)度，返回步驟5.3，否則，進入步驟5.6；

隨機生成的新的降雨層數(shù)量與刪掉的河流數(shù)量相同；

步驟5.6：判斷是否到達最大迭代次數(shù)，，若達到，輸出全局最優(yōu)大海對應(yīng)的基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型的權(quán)值和閾值，若未達到，則令t＝t+1，進入步驟5.3，繼續(xù)下一次迭代；

進一步的，所述第三類關(guān)節(jié)預(yù)測模型是以第三類關(guān)節(jié)樣本集中各關(guān)節(jié)樣本的移動點位置和在對應(yīng)移動點上的關(guān)節(jié)控制分別作為廣義回歸神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓(xùn)練后，獲得的基于廣義回歸神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)預(yù)測模型：

其中，所述基于廣義回歸神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)預(yù)測模型的輸入層節(jié)點個數(shù)為2，模式層神經(jīng)元個數(shù)為2，求和層神經(jīng)元個數(shù)為4，輸出層神經(jīng)元個數(shù)4；訓(xùn)練過程中，最大迭代次數(shù)設(shè)置為200，訓(xùn)練學(xué)習(xí)率為0.1；

所述基于廣義回歸神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)預(yù)測模型的光滑因子σ采用混沌和差分蝙蝠算法進行尋優(yōu)獲得。

進一步的，所述基于廣義回歸神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)預(yù)測模型的光滑因子σ采用混沌和差分蝙蝠算法進行優(yōu)化選擇尋優(yōu)獲得的過程如下：

步驟7.1：以蝙蝠個體的位置作為基于廣義回歸神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)預(yù)測模型的光滑因子σ，設(shè)置蝙蝠種群參數(shù)；

蝙蝠種群規(guī)模的取值范圍為[100,500]，蝙蝠個體最大脈沖頻度r0＝0.5，最大脈沖聲音強度a0的取值范圍為[0.2,0.7]，蝙蝠搜索頻度增加系數(shù)的取值范圍為[0.02,0.06]，聲音強度衰減系的取值范圍為[0.75,0.9]，交叉概率設(shè)置為0.5，變異概率設(shè)置為0.5，適應(yīng)度方差閾值的取值范圍為[0.01,0.05]，搜索脈沖頻率的取值范圍為[0，1.5]，最大迭代次數(shù)的取值范圍為[200,500]，最大搜索精度的取值范圍為[0.02,0.1]；

步驟7.2：根據(jù)混沌映射序列初始化蝙蝠種群中每個蝙蝠個體的位置、速度和頻率；

步驟7.3：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)蝙蝠個體位置和迭代次數(shù)t，t＝1；

將蝙蝠個體位置對應(yīng)的權(quán)值、閾值和伸縮平移系數(shù)代入基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型中，并利用蝙蝠個體位置確定的基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型計算第二類關(guān)節(jié)樣本集中每個關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值，將所有關(guān)節(jié)樣本的控制預(yù)測值和實際值的差值e構(gòu)建第三適應(yīng)度函數(shù)f3(x)，f3(x)＝1/(e+1)；

步驟7.4：利用設(shè)定的脈沖頻率更新蝙蝠的搜索脈沖頻率、位置和速度；

步驟7.5：若rand1>ri，則對處于個體最優(yōu)位置的蝙蝠進行隨機擾動，生成蝙蝠個體的擾動位置；

其中，rand1為在[0,1]上均勻分布的隨機數(shù)，ri為第i只蝙蝠的脈沖頻度；

步驟7.6：rand2>ai，蝙蝠個體的擾動位置的適應(yīng)度優(yōu)于擾動前的蝙蝠個體位置的適應(yīng)度，則將蝙蝠個體移動到擾動位置，否則保持原位；

其中，rand2為在[0,1]上均勻分布的隨機數(shù)，ai為第i只蝙蝠的聲音強度；

步驟7.7：計算當(dāng)前種群中每個蝙蝠個體的適應(yīng)度以及蝙蝠種群的群體適應(yīng)度方差；

群體適應(yīng)度方差是指所有蝙蝠個體的適應(yīng)度方差；

根據(jù)蝙蝠種群的群體適應(yīng)度方差判斷蝙蝠算法的早熟狀態(tài)，若群體適應(yīng)度方差小于給定的閾值，則對蝙蝠種群中每個蝙蝠個體進行交叉和變異操作，返回步驟7.5，否則，在當(dāng)前蝙蝠種群中尋找適應(yīng)度最大的蝙蝠個體，轉(zhuǎn)到步驟7.8；

步驟7.8：判斷是否達到最大搜索精度或者最大迭代次數(shù)，若達到，則輸出最優(yōu)蝙蝠個體位置對應(yīng)的基于廣義回歸神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)預(yù)測模型的光滑因子σ。

一種運載機器人手臂操控自適應(yīng)混合學(xué)習(xí)映射智能控制系統(tǒng)，包括：

抓取樣本集獲取單元，將運載機器人位于指定抓取區(qū)域內(nèi)的抓取任務(wù)固定起始點，利用遠程服務(wù)器控制運載機器人手臂重復(fù)進行多次抓取訓(xùn)練，獲得抓取樣本集；

每個抓取樣本包括運載機器人從抓取任務(wù)固定起始點移動到抓取結(jié)束點的過程中依次經(jīng)過各個移動點，運載機器人在各個移動點上所有關(guān)節(jié)的控制值以及完成一次抓取任務(wù)的手臂運動耗電量；每個移動點所在位置是指運載機器人的基座與抓取臺底端邊緣之間的距離，相鄰移動點之間間距相等；

初始訓(xùn)練樣本選取單元，從抓取樣本集中選出手臂運動耗電量百分比低于10％的抓取樣本，并從手臂運動耗電量百分比低于10％的抓取樣本中選出手臂運動耗電量百分比最低的抓取樣本作為初始訓(xùn)練樣本；

各類關(guān)節(jié)樣本集劃分單元，依據(jù)各手臂關(guān)節(jié)控制值的變化幅度對初始訓(xùn)練樣本進行關(guān)節(jié)分類，獲得各類關(guān)節(jié)樣本集；

從初始訓(xùn)練樣本中提取出各個關(guān)節(jié)樣本，每個關(guān)節(jié)樣本包括移動點位置和在對應(yīng)移動點的關(guān)節(jié)控制值；

依據(jù)關(guān)節(jié)控制值變化幅度a％，對初始訓(xùn)練樣本中每個關(guān)節(jié)樣本進行分類：

若a％<20％，該類關(guān)節(jié)作為第一類關(guān)節(jié)；

若20％≤a％≤50％，該類關(guān)節(jié)作為第二類關(guān)節(jié)；

若a％>50％，該類關(guān)節(jié)作為第三類關(guān)節(jié)；

每個關(guān)節(jié)樣本的關(guān)節(jié)控制值變化幅度a％是指每個關(guān)節(jié)在一次抓取過程所有動作中的最大控制值和最小控制值之差與對應(yīng)關(guān)節(jié)的控制量程之比；

預(yù)測模型構(gòu)建單元，利用關(guān)節(jié)樣本集作為最終訓(xùn)練集構(gòu)建運載機器人手臂關(guān)節(jié)控制值的預(yù)測模型；

依次將最終訓(xùn)練集中屬于同類型關(guān)節(jié)的所有關(guān)節(jié)樣本的移動點位置和在對應(yīng)移動點上的關(guān)節(jié)控制值分別作為訓(xùn)練模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓(xùn)練，構(gòu)建預(yù)測模型；

其中，第一類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為灰色神經(jīng)網(wǎng)絡(luò)模型；

第二類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為pid神經(jīng)網(wǎng)絡(luò)模型；

第三類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為廣義回歸神經(jīng)網(wǎng)絡(luò)模型；

控制單元，當(dāng)運載機器人接收到抓取指令運動到抓取任務(wù)固定起始點時，利用設(shè)定的手臂關(guān)節(jié)動作數(shù)量將抓取區(qū)域進行等間隔劃分，得到各個移動點位置，依次輸入各個移動點的位置到預(yù)測模型，得到各個移動點位置上的各個關(guān)節(jié)的控制值，完成將抓取任務(wù)。

進一步地，所述指定抓取區(qū)域內(nèi)的抓取任務(wù)固定起始點和抓取結(jié)束點與抓取臺邊緣之間的距離分別為28cm和18cm，相鄰移動點之間的間距為1cm。

進一步地，所述運載機器人基座與抓取臺底部邊緣距離采用運載機器人自帶的超聲波傳感器進行測量，且所述超聲波傳感器位于運載機器人基座的兩側(cè)，對稱設(shè)置。

運載機器人基座的超聲波傳感器是一般用作避障，本發(fā)明不需要在運載機器人身上增加任何距離測量裝置，擴展了自帶的超聲波傳感器用途。

有益效果

本發(fā)明提供了一種運載機器人手臂操控自適應(yīng)混合學(xué)習(xí)映射智能控制方法及系統(tǒng)，該方法通過建立機器人手臂關(guān)節(jié)控制值和距離的非線性映射關(guān)系，多次利用遠程服務(wù)器控制機器人手臂進行抓取訓(xùn)練，獲得抓取樣本集。根據(jù)耗電量指標(biāo)，選擇出初始訓(xùn)練樣本。根據(jù)樣本關(guān)節(jié)值變化幅度，將機器人的關(guān)節(jié)分成了三類，對每一類關(guān)節(jié)采用了不同的優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)組合進行控制。對第一類關(guān)節(jié)，采用了改進狼群算法優(yōu)化后灰色神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和預(yù)測；對第二類關(guān)節(jié)，采用了水循環(huán)算法優(yōu)化的pid神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和預(yù)測；針對第三類關(guān)節(jié)，建立廣義回歸神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練和預(yù)測，利用混沌和差分蝙蝠算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)的光滑因子σ，提高神經(jīng)網(wǎng)絡(luò)的全局搜索速度及尋優(yōu)精度。本發(fā)明所述方案，避免了反求解復(fù)雜的動力學(xué)方程，具有適用性廣、操控精度高、控制靈活的特點。

附圖說明

圖1為運載機器人抓取過程示意圖；

圖2為pid神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖；

圖3為廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖；

圖4為本發(fā)明所述手臂抓取控制方法流程圖。

具體實施方式

下面將結(jié)合附圖和實施例對本發(fā)明做進一步的說明。

運載機器人抓取過程示意圖如圖1所示；應(yīng)用本發(fā)明所述控制方法對機器人手臂抓取進行控制的流程圖如圖4所示。

一種運載機器人手臂操控自適應(yīng)混合學(xué)習(xí)映射智能控制方法及系統(tǒng)，包括以下步驟：

步驟1：將運載機器人位于指定抓取區(qū)域內(nèi)的抓取任務(wù)固定起始點a，利用遠程服務(wù)器控制運載機器人手臂重復(fù)進行多次抓取訓(xùn)練，獲得抓取樣本集；

每個抓取樣本包括運載機器人從抓取任務(wù)固定起始點a移動到抓取結(jié)束點b的過程中依次經(jīng)過各個移動點，運載機器人在各個移動點上所有關(guān)節(jié)的控制值以及完成一次抓取任務(wù)的手臂運動耗電量；每個移動點所在位置是指運載機器人的基座與抓取臺底端邊緣之間的距離，相鄰移動點之間間距相等；

步驟2：按照手臂運動耗電量選取初始訓(xùn)練樣本；

從抓取樣本集中選出手臂運動耗電量百分比低于10％的抓取樣本，并從手臂運動耗電量百分比低于10％的抓取樣本中選出手臂運動耗電量百分比最低的抓取樣本作為初始訓(xùn)練樣本；

步驟3：依據(jù)各手臂關(guān)節(jié)控制值的變化幅度對初始訓(xùn)練樣本進行關(guān)節(jié)分類，獲得各類關(guān)節(jié)樣本集；

從初始訓(xùn)練樣本中提取出各個關(guān)節(jié)樣本，每個關(guān)節(jié)樣本包括移動點位置和在對應(yīng)移動點的關(guān)節(jié)控制值。

依據(jù)關(guān)節(jié)控制值變化幅度a％，對初始訓(xùn)練樣本中每個關(guān)節(jié)樣本進行分類：

若a％<20％，該類關(guān)節(jié)作為第一類關(guān)節(jié)；

若20％≤a％≤50％，該類關(guān)節(jié)作為第二類關(guān)節(jié)；

若a％>50％，該類關(guān)節(jié)作為第三類關(guān)節(jié)；

每個關(guān)節(jié)樣本的關(guān)節(jié)控制值變化幅度a％是指每個關(guān)節(jié)在一次抓取過程所有動作中的最大控制值和最小控制值之差與對應(yīng)關(guān)節(jié)的控制量程之比；

步驟4：利用步驟3得到的關(guān)節(jié)樣本集作為最終訓(xùn)練集構(gòu)建運載機器人手臂關(guān)節(jié)控制值的預(yù)測模型；

依次將最終訓(xùn)練集中屬于同類型關(guān)節(jié)的所有關(guān)節(jié)樣本的移動點位置和在對應(yīng)移動點上的關(guān)節(jié)控制值分別作為訓(xùn)練模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓(xùn)練，構(gòu)建預(yù)測模型；

其中，第一類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為灰色神經(jīng)網(wǎng)絡(luò)模型；

第一類關(guān)節(jié)預(yù)測模型是以第一類關(guān)節(jié)樣本集中各關(guān)節(jié)樣本的移動點位置和在對應(yīng)移動點上的關(guān)節(jié)控制分別作為灰色神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓(xùn)練后，獲得的基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型：

所述基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型的輸入層節(jié)點個數(shù)為2，隱含層小波元個數(shù)為4，輸出層節(jié)點個數(shù)為2；訓(xùn)練過程中的最大迭代次數(shù)設(shè)置為500，訓(xùn)練學(xué)習(xí)率為0.1，閾值為0.05；

所述基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型的權(quán)值和閾值采用自改進狼群算法進行尋優(yōu)獲得。

基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型的權(quán)值和閾值采用狼群算法進行尋優(yōu)獲得的過程如下：

步驟3.1：以個體狼的位置作為基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型的權(quán)值和閾值，初始化狼群并設(shè)置狼群參數(shù)；

狼群包含多只個體狼；

狼群規(guī)模的取值范圍為[10,100]，步長因子的取值范圍為[1000,2500]，探狼比例因子的取值范圍為[2,10]，最大游走次數(shù)的取值范圍為[5,20]，距離判定因子的取值范圍為[100,500]，最大奔襲次數(shù)的取值范圍為[5,15]，更新比例因子的取值范圍為[2,20]，最大迭代次數(shù)的取值范圍為[200,2000]，最大搜索精度的取值范圍為[0.01,0.1]；

步驟3.2：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)頭狼位置和迭代次數(shù)t，t＝1；

依次個體狼位置體對應(yīng)的權(quán)值和閾值代入基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型中，并利用個體狼位置確定的基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型計算第一類關(guān)節(jié)樣本集中每個關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值，將所有關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值和實際值的均方差mse的倒數(shù)作為第一適應(yīng)度函數(shù)f1(x)；

利用第一適應(yīng)度函數(shù)計算每個個體狼位置的適應(yīng)度，以最大適應(yīng)度對應(yīng)的磷蝦個體位置作為初始最優(yōu)頭狼位置

步驟3.3：探狼游走；

從狼群中選取適應(yīng)度最大的狼作為頭狼，并隨機選取探狼；計算探狼在各方向的適應(yīng)度，并使探狼向適應(yīng)度最大的方向探索：當(dāng)某只探狼適應(yīng)度大于頭狼或者達到最大游走次數(shù)時，游走結(jié)束，進入步驟3.4；

步驟3.4：猛狼奔襲；

除頭狼與探狼之外的個體狼均為猛狼，猛狼向頭狼所在方向奔襲，并不斷計算猛狼位置的適應(yīng)度；

若某猛狼位置適應(yīng)度高于頭狼位置適應(yīng)度，則更新頭狼，且其余猛狼改為向當(dāng)前頭狼奔襲，當(dāng)猛狼與當(dāng)前頭狼距離小于判定距離時，該猛狼奔襲停止，當(dāng)所有猛狼奔襲停止或達到最大奔襲次數(shù)時，奔襲結(jié)束，狼群進入圍攻狀態(tài)，進入步驟3.5；

步驟3.5：除當(dāng)前頭狼以外所有個體狼均向頭狼方向前進一步，依次判斷向前進一步后的個體狼位置適應(yīng)度是否優(yōu)于未向前進一步的位置的適應(yīng)度，若是，則將向前進一步的位置作為個體狼的新的位置，否則，若適應(yīng)度降低，則個體狼保持原位置不變；

步驟3.6：完成圍攻行為后，狼群中所有個體狼按照當(dāng)前適應(yīng)度由高到低排序，適應(yīng)度最高的個體狼設(shè)為頭狼，排名靠后的人工狼被淘汰，并重新隨機生成新的人工狼；

步驟3.7：當(dāng)達到最大搜索精度或最大迭代次數(shù)時，輸出最新的頭狼對應(yīng)的基于灰色神經(jīng)網(wǎng)絡(luò)的第一類關(guān)節(jié)預(yù)測模型的最優(yōu)權(quán)值和閾值，否則，令t＝t+1，返回步驟3.3，繼續(xù)下一次迭代。

第二類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為pid神經(jīng)網(wǎng)絡(luò)模型，如圖2所示。

第二類關(guān)節(jié)預(yù)測模型是以第二類關(guān)節(jié)樣本集中各關(guān)節(jié)樣本的移動點位置和在對應(yīng)移動點上的關(guān)節(jié)控制值分別作為pid神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓(xùn)練后，獲得的基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型：

其中，所述基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型輸入層節(jié)點個數(shù)為2，隱含層個數(shù)為4，輸出層節(jié)點個數(shù)為2；訓(xùn)練過程中，最大迭代次數(shù)設(shè)置為100，訓(xùn)練學(xué)習(xí)率為0.1；

所述基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型的權(quán)值和閾值采用水循環(huán)算法進行尋優(yōu)獲得。

基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型的權(quán)值和閾值采用水循環(huán)算法進行尋優(yōu)獲得的過程如下：

步驟5.1：將降雨層作為基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型的權(quán)值和閾值，初始化降雨層種群，并設(shè)置降雨層種群參數(shù)；

降雨層種群規(guī)模的取值范圍為[30,150]，河流和海洋的取值范圍為[5,15]，海洋個數(shù)1，極小值dmin的取值范圍為[0.02,0.1]，最大迭代次數(shù)的取值范圍為[200,1000]，最大搜索精度的取值范圍為[0.01,0.1]；

步驟5.2：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)降雨層和迭代次數(shù)t，t＝1；

將降雨層對應(yīng)的權(quán)值和閾值代入基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型中，并利用降雨層確定的基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型計算第二類關(guān)節(jié)樣本集中每個關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值，將所有關(guān)節(jié)樣本的控制預(yù)測值和實際值的均方差mse的倒數(shù)作為第二適應(yīng)度函數(shù)f2(x)；

利用第二適應(yīng)度函數(shù)計算每個降雨層的適應(yīng)度，以最大適應(yīng)度對應(yīng)的降雨層作為大海，以次小適應(yīng)度對應(yīng)的降雨層作為河流，其余的降雨層作為流入河流或海洋的溪流；

步驟5.3：使溪流匯入河流，如果發(fā)現(xiàn)溪流的解比河流的解更好，則它們互相交換位置；

步驟5.4：使河流流入海洋，若河流的解比海洋的解較優(yōu)，則河流與海洋交換位置，以最終海洋作為最優(yōu)解；

步驟5.5：檢查是否滿足蒸發(fā)條件；判斷河流與海洋的適應(yīng)值之差的絕對值是否小于極小值dmin；

如果小于，則認為滿足降雨條件，去掉該河流，并重新進行降雨過程，隨機生成新的降雨層，重新計算降雨層種群中各降雨層的適應(yīng)度，返回步驟5.3，否則，進入步驟5.6；

隨機生成的新的降雨層數(shù)量與刪掉的河流數(shù)量相同；

步驟5.6：判斷是否到達最大迭代次數(shù)，，若達到，輸出全局最優(yōu)大海對應(yīng)的基于pid神經(jīng)網(wǎng)絡(luò)的第二類關(guān)節(jié)預(yù)測模型的權(quán)值和閾值，若未達到，則令t＝t+1，進入步驟5.3，繼續(xù)下一次迭代；

第三類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為廣義回歸神經(jīng)網(wǎng)絡(luò)模型如圖3所示；

第三類關(guān)節(jié)預(yù)測模型是以第三類關(guān)節(jié)樣本集中各關(guān)節(jié)樣本的移動點位置和在對應(yīng)移動點上的關(guān)節(jié)控制分別作為廣義回歸神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓(xùn)練后，獲得的基于廣義回歸神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)預(yù)測模型：

其中，所述基于廣義回歸神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)預(yù)測模型的輸入層節(jié)點個數(shù)為2，模式層神經(jīng)元個數(shù)為2，求和層神經(jīng)元個數(shù)為4，輸出層神經(jīng)元個數(shù)4；訓(xùn)練過程中，最大迭代次數(shù)設(shè)置為200，訓(xùn)練學(xué)習(xí)率為0.1；

所述基于廣義回歸神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)預(yù)測模型的光滑因子σ采用混沌和差分蝙蝠算法進行尋優(yōu)獲得。

基于廣義回歸神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)預(yù)測模型的光滑因子σ采用混沌和差分蝙蝠算法進行優(yōu)化選擇尋優(yōu)獲得的過程如下：

步驟7.1：以蝙蝠個體的位置作為基于廣義回歸神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)預(yù)測模型的光滑因子σ，設(shè)置蝙蝠種群參數(shù)；

蝙蝠種群規(guī)模的取值范圍為[100,500]，蝙蝠個體最大脈沖頻度r_0＝0.5，最大脈沖聲音強度a_0的取值范圍為[0.2,0.7]，蝙蝠搜索頻度增加系數(shù)的取值范圍為[0.02,0.06]，聲音強度衰減系的取值范圍為[0.75,0.9]，交叉概率設(shè)置為0.5，變異概率設(shè)置為0.5，適應(yīng)度方差閾值的取值范圍為[0.01,0.05]，搜索脈沖頻率的取值范圍為[0，1.5]，最大迭代次數(shù)的取值范圍為[200,500]，最大搜索精度的取值范圍為[0.02,0.1]；

步驟7.2：根據(jù)混沌映射序列初始化蝙蝠種群中每個蝙蝠個體的位置、速度和頻率；

步驟7.3：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)蝙蝠個體位置和迭代次數(shù)t，t＝1；

將蝙蝠個體位置對應(yīng)的權(quán)值、閾值和伸縮平移系數(shù)代入基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型中，并利用蝙蝠個體位置確定的基于小波神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)控制預(yù)測模型計算第二類關(guān)節(jié)樣本集中每個關(guān)節(jié)樣本的關(guān)節(jié)控制預(yù)測值，將所有關(guān)節(jié)樣本的控制預(yù)測值和實際值的差值e構(gòu)建第三適應(yīng)度函數(shù)f3(x)，f3(x)＝1/(e+1)；

步驟7.4：利用設(shè)定的脈沖頻率更新蝙蝠的搜索脈沖頻率、位置和速度；

步驟7.5：若rand1>ri，則對處于個體最優(yōu)位置的蝙蝠進行隨機擾動，生成蝙蝠個體的擾動位置；

其中，rand1為在[0,1]上均勻分布的隨機數(shù)，ri為第i只蝙蝠的脈沖頻度；

步驟7.6：若rand2>ai，蝙蝠個體的擾動位置的適應(yīng)度優(yōu)于擾動前的蝙蝠個體位置的適應(yīng)度，則將蝙蝠個體移動到擾動位置，否則保持原位；

其中，rand2為在[0,1]上均勻分布的隨機數(shù)，ai為第i只蝙蝠的聲音強度；

步驟7.7：計算當(dāng)前種群中每個蝙蝠個體的適應(yīng)度以及蝙蝠種群的群體適應(yīng)度方差；

根據(jù)蝙蝠種群的群體適應(yīng)度方差判斷蝙蝠算法的早熟狀態(tài)，若群體適應(yīng)度方差小于給定的閾值，則對蝙蝠種群中每個蝙蝠個體進行交叉和變異操作，返回步驟7.5，否則，在當(dāng)前蝙蝠種群中尋找適應(yīng)度最大的蝙蝠個體，轉(zhuǎn)到步驟7.8；

步驟7.8：判斷是否達到最大搜索精度或者最大迭代次數(shù)，若達到，則輸出最優(yōu)蝙蝠個體位置對應(yīng)的基于廣義回歸神經(jīng)網(wǎng)絡(luò)的第三類關(guān)節(jié)預(yù)測模型的光滑因子σ。

步驟5：當(dāng)運載機器人接收到抓取指令運動到抓取任務(wù)固定起始點時，利用設(shè)定的手臂關(guān)節(jié)動作數(shù)量將抓取區(qū)域進行等間隔劃分，得到各個移動點位置，依次輸入各個移動點的位置到預(yù)測模型，得到各個移動點位置上的各個關(guān)節(jié)的控制值，完成將抓取任務(wù)。

一種運載機器人手臂操控自適應(yīng)混合學(xué)習(xí)映射智能控制系統(tǒng)，包括：

抓取樣本集獲取單元，將運載機器人位于指定抓取區(qū)域內(nèi)的抓取任務(wù)固定起始點，利用遠程服務(wù)器控制運載機器人手臂重復(fù)進行多次抓取訓(xùn)練，獲得抓取樣本集；

每個抓取樣本包括運載機器人從抓取任務(wù)固定起始點移動到抓取結(jié)束點的過程中依次經(jīng)過各個移動點，運載機器人在各個移動點上所有關(guān)節(jié)的控制值以及完成一次抓取任務(wù)的手臂運動耗電量；每個移動點所在位置是指運載機器人的基座與抓取臺底端邊緣之間的距離，相鄰移動點之間間距相等；

初始訓(xùn)練樣本選取單元，從抓取樣本集中選出手臂運動耗電量百分比低于10％的抓取樣本，并從手臂運動耗電量百分比低于10％的抓取樣本中選出手臂運動耗電量百分比最低的抓取樣本作為初始訓(xùn)練樣本；

各類關(guān)節(jié)樣本集劃分單元，依據(jù)各手臂關(guān)節(jié)控制值的變化幅度對初始訓(xùn)練樣本進行關(guān)節(jié)分類，獲得各類關(guān)節(jié)樣本集；

從初始訓(xùn)練樣本中提取出各個關(guān)節(jié)樣本，每個關(guān)節(jié)樣本包括移動點位置和在對應(yīng)移動點的關(guān)節(jié)控制值；

依據(jù)關(guān)節(jié)控制值變化幅度a％，對初始訓(xùn)練樣本中每個關(guān)節(jié)樣本進行分類：

若a％<20％，該類關(guān)節(jié)作為第一類關(guān)節(jié)；

若20％≤a％≤50％，該類關(guān)節(jié)作為第二類關(guān)節(jié)；

若a％>50％，該類關(guān)節(jié)作為第三類關(guān)節(jié)；

每個關(guān)節(jié)樣本的關(guān)節(jié)控制值變化幅度a％是指每個關(guān)節(jié)在一次抓取過程所有動作中的最大控制值和最小控制值之差與對應(yīng)關(guān)節(jié)的控制量程之比；

預(yù)測模型構(gòu)建單元，利用關(guān)節(jié)樣本集作為最終訓(xùn)練集構(gòu)建運載機器人手臂關(guān)節(jié)控制值的預(yù)測模型；

依次將最終訓(xùn)練集中屬于同類型關(guān)節(jié)的所有關(guān)節(jié)樣本的移動點位置和在對應(yīng)移動點上的關(guān)節(jié)控制值分別作為訓(xùn)練模型的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行訓(xùn)練，構(gòu)建預(yù)測模型；

其中，第一類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為灰色神經(jīng)網(wǎng)絡(luò)模型；

第二類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為pid神經(jīng)網(wǎng)絡(luò)模型；

第三類關(guān)節(jié)預(yù)測模型使用的訓(xùn)練模型為廣義回歸神經(jīng)網(wǎng)絡(luò)模型；

控制單元，當(dāng)運載機器人接收到抓取指令運動到抓取任務(wù)固定起始點時，利用設(shè)定的手臂關(guān)節(jié)動作數(shù)量將抓取區(qū)域進行等間隔劃分，得到各個移動點位置，依次輸入各個移動點的位置到預(yù)測模型，得到各個移動點位置上的各個關(guān)節(jié)的控制值，完成將抓取任務(wù)。

進一步地，所述指定抓取區(qū)域內(nèi)的抓取任務(wù)固定起始點和抓取結(jié)束點與抓取臺邊緣之間的距離分別為28cm和18cm，相鄰移動點之間的間距為1cm。

進一步地，所述運載機器人基座與抓取臺底部邊緣距離采用運載機器人自帶的超聲波傳感器進行測量，且所述超聲波傳感器位于運載機器人基座的兩側(cè)，對稱設(shè)置。

所述指定抓取區(qū)域內(nèi)的抓取任務(wù)固定起始點和抓取結(jié)束點與抓取臺邊緣之間的距離分別為28cm和18cm，相鄰移動點之間的間距為1cm。

所述運載機器人基座與抓取臺底部邊緣距離采用運載機器人自帶的超聲波傳感器進行測量，且所述超聲波傳感器位于運載機器人基座的兩側(cè)，對稱設(shè)置。

本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。