用于确定柔性臂末端位置的方法、装置及柔性臂机械设备与流程

1.本技术涉及机械设备技术领域，具体地涉及一种用于确定柔性臂末端位置的方法、装置及柔性臂机械设备。


背景技术：

2.对于泵车、布料机等工程机械的柔性臂架这类高冗余度、多变量并且具有复杂动力学耦合特征的非线性系统而言，目前所采用的控制器在控制过程中不能做到对整个非线性柔性臂整体进行控制，并且随着臂架移动速度的提升，臂架末端轨迹跟踪精度不能满足实际工程需求。现有技术将臂架简化为刚形体，可通过臂架的刚性逆运动学获得对应的各个关节角。然而，实际臂架在重力的影响下存在较大的弹性变形，导致臂架末端无法准确到达目标布料点的位置。因此，现有技术中，对于柔性臂机械设备的末端位置的预测精度较低。


技术实现要素：

3.本技术实施例的目的是提供一种用于确定柔性臂末端位置的方法、装置及柔性臂机械设备，用以解决现有技术中对于柔性臂机械设备的末端位置的预测精确度较低的问题。
4.为了实现上述目的，本技术第一方面提供一种用于确定柔性臂末端位置的方法，应用于柔性臂机械设备，该方法包括：
5.获取当前时刻柔性臂的目标关节的关节角度和柔性臂的末端的三轴速度；
6.将关节角度输入神经网络模型，以得到柔性臂的末端预测变形量；
7.对末端预测变形量进行坐标转换，以得到设备预测变形量；
8.根据设备预测变形量建立观测矩阵，以得到理论末端位置；
9.根据三轴速度建立状态转移模型，以得到预测末端位置；
10.对理论末端位置和预测末端位置进行卡尔曼滤波，以确定柔性臂的最终末端位置。
11.在本技术实施例中，获取当前时刻柔性臂的目标关节的关节角度和柔性臂的末端的三轴速度包括：
12.通过设置于柔性臂的目标关节的倾角传感器或位移传感器获取目标关节的关节角度；
13.通过设置于柔性臂的末端的惯性导航传感器获取柔性臂末端的三轴速度。
14.在本技术实施例中，将关节角度输入神经网络模型，以得到柔性臂的末端预测变形量包括：
15.将关节角度输入结构不同的多个神经网络模型；
16.获取多个神经网络模型输出的多个末端预测变形分量；
17.选择输出的多个末端预测变形分量的中间值作为正态分布函数的参考值；
18.根据参考值和正态分布函数得到每个末端预测变形分量对应的权值；
19.将每个末端预测变形分量和对应的权值进行加权平方，以得到末端预测变形量。
20.在本技术实施例中，神经网络模型为全神经网络模型，全神经网络模型满足下列公式：
[0021][0022]
其中，为l层神经元i的激活值；为l-1层的神经元；为神经元对应的权重；为偏置量。
[0023]
在本技术实施例中，将末端预测变形量进行坐标转换，以得到设备预测变形量包括：
[0024]
获取当前时刻的旋转平台的转动关节的角度；
[0025]
根据角度将末端预测变形量进行坐标转换，以得到设备预测变形量。
[0026]
在本技术实施例中，设备预测变形量满足下列公式：
[0027]
δx＝cosj0*δxe+sinj0*δye；
[0028]
δy＝-sinj0*δxe+cosj0*δye；
[0029]
δz＝δze；
[0030]
其中，j0为旋转平台的转动关节的角度；δx、δy和δz为设备预测变形量；δxe、δye和δze为末端预测变形量。
[0031]
在本技术实施例中，观测矩阵满足下列公式：
[0032][0033]
其中，δx、δy和δz为设备预测变形量；xe、ye和ze为柔性臂在刚性状态下的末端位置；x0、y0和z0为柔性臂的理论末端位置。
[0034]
在本技术实施例中，状态转移模型满足下列公式：
[0035][0036]
其中，x
t-1
、y
t-1
和z
t-1
为t-1时刻的柔性臂的最终末端位置；x
t
、y
t
和z
t
为t时刻的柔性臂的预测末端位置；v
x
、vy和vz为t时刻的柔性臂的末端的三轴速度。
[0037]
本技术第二方面提供一种用于确定柔性臂末端位置的装置，包括：
[0038]
存储器，被配置成存储指令；以及
[0039]
处理器，被配置成从存储器调用指令以及在执行指令时能够实现上述的用于确定柔性臂末端位置的方法。
[0040]
本技术第三方面提供一种柔性臂机械设备，包括上述的用于确定柔性臂末端位置
的装置。
[0041]
本技术第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的用于确定柔性臂末端位置的方法。
[0042]
通过上述技术方案，获取当前时刻柔性臂的目标关节的关节角度和柔性臂的末端的三轴速度；将关节角度输入神经网络模型，以得到柔性臂的末端预测变形量；对末端预测变形量进行坐标转换，以得到设备预测变形量；根据设备预测变形量建立观测矩阵，以得到理论末端位置；根据三轴速度建立状态转移模型，以得到预测末端位置；对理论末端位置和预测末端位置进行卡尔曼滤波，以确定柔性臂的最终末端位置。本技术是基于神经网络确定柔性臂末端位置，通过神经网络和惯性导航传感器获取柔性臂末端的三轴速度，求解出多关节柔性臂的末端关节位置，保证了柔性臂机械设备在自动作业情况下考虑柔性臂形变的问题，提高了对于柔性臂机械设备的末端位置的预测精度，从而提高柔性臂机械设备自动作业的效率。
[0043]
本技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0044]
附图是用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本技术实施例，但并不构成对本技术实施例的限制。在附图中：
[0045]
图1示意性示出了根据本技术实施例的一种用于确定柔性臂末端位置的方法的流程示意图；
[0046]
图2示意性示出了根据本技术实施例的7自由度柔性臂的结构示意图；
[0047]
图3示意性示出了根据本技术实施例的确定最终末端位置的方法的流程示意图；
[0048]
图4示意性示出了根据本技术实施例的一种用于确定柔性臂末端位置的装置的结构框图。
具体实施方式
[0049]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本技术实施例，并不用于限制本技术实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0050]
需要说明，若本技术实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0051]
另外，若本技术实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结
合不存在，也不在本技术要求的保护范围之内。
[0052]
柔性臂机械设备可以包括泵车、布料机等工程机械设备。以布料机为例，在自动布料中，用户只需要设定布料点的位置，通过算法获得对应的各个关节角度。现有技术将柔性臂机械设备的臂架简化为刚形体，可通过臂架的刚性逆运动学获得对应的各个关节角。然而，实际臂架在重力的影响下存在较大的弹性变形，导致臂架末端无法准确到达目标布料点的位置。因此，如何确定柔性臂末端位置使得柔性臂末端能够达到期望的目标布料点是自动布料中非常重要的问题。
[0053]
图1示意性示出了根据本技术实施例的一种用于确定柔性臂末端位置的方法的流程示意图。如图1所示，本技术实施例提供了一种用于确定柔性臂末端位置的方法，应用于柔性臂机械设备，该方法可以包括下列步骤：
[0054]
步骤101、获取当前时刻柔性臂的目标关节的关节角度和柔性臂的末端的三轴速度；
[0055]
步骤102、将关节角度输入神经网络模型，以得到柔性臂的末端预测变形量；
[0056]
步骤103、对末端预测变形量进行坐标转换，以得到设备预测变形量；
[0057]
步骤104、根据设备预测变形量建立观测矩阵，以得到理论末端位置；
[0058]
步骤105、根据三轴速度建立状态转移模型，以得到预测末端位置；
[0059]
步骤106、对理论末端位置和预测末端位置进行卡尔曼滤波，以确定柔性臂的最终末端位置。
[0060]
图2示意性示出了根据本技术实施例的7自由度柔性臂的结构示意图。如图2所示，以7自由度柔性臂为例，假设a为求解出的柔性臂的末端位置，即图中所示的a点，由于柔性臂存在弹性变形，因此，该组关节角对应的实际末端位置是a’，如虚线所示。因此，如何计算柔性臂变形后的末端位置是本技术实施例亟待解决的问题。
[0061]
在本技术实施例中，在柔性臂的目标关节可以分别设置倾角传感器或位移传感器以获取目标关节的角度。处理器可以通过设置于柔性臂的目标关节的倾角传感器或位移传感器获取目标关节的关节角度。其中，目标关节可以是其中的部分关节或全部关节。柔性臂的末端还可以设置惯性导航传感器。处理器可以通过设置于柔性臂的末端的惯性导航传感器获取柔性臂末端的三轴速度。以图2为例，图2中的柔性臂的变形的主要影响因素为各个关节所受重力引起，j0转动关节旋转的角度可以忽略不计，这样柔性臂的变形就与j1～j6相关。因此，目标关节可以为j1～j6，采集j1～j6处的关节角度。同时，可以通过设置于柔性臂末端的惯性导航传感器采集柔性臂末端的三轴速度。将柔性臂视为刚性，可以通过正运动学原理计算出固定旋转平台j0后臂架的末端位置，这样极大地简化了需要采集的数据信息，随后通过全站仪和正运动学可以获取到臂架变形信息，建立基于
△
x、
△
y和
△
z的数据库，并通过惯性导航传感器采集到其他运动信息。随后，根据3轴变形量和6个关节角度建立3个基于柔性臂机械设备末端3个方向(如图2的xe、ye和ze所示的三个方向)变形量的神经网络模型。
[0062]
进一步地，将关节角度输入神经网络模型，以得到柔性臂的末端预测变形量。接着对末端预测变形量进行坐标转换，以得到设备预测变形量。从而根据设备预测变形量建立观测矩阵，以得到理论末端位置。
[0063]
大型机械设备运动时，臂架末端抖动震动幅度大、震动频率快、传感器采集频率
低，容易导致采集的数据出现部分数据偏离，外加神经网络黑箱的特性，其求解的结果具有一定的不确定性，从而导致单一网络会输出不可预测的奇异点，因此，需要对输出结果做优化措施。为了使得理论末端位置的计算更为准确合理。优选地，可以将关节角度输入结构不同的多个神经网络模型；获取多个神经网络模型输出的多个末端预测变形分量；选择输出的多个末端预测变形分量的中间值作为正态分布函数的参考值；根据参考值和正态分布函数得到每个末端预测变形分量对应的权值；将每个末端预测变形分量和对应的权值进行加权平方，以得到末端预测变形量。这样，通过多个神经网络优化组合，有效地综合了多个值的信息，从而滤除奇异点和跳动点。
[0064]
在获取神经网络输出的末端预测变形量，结合刚体位置即可得到末端的初始位置。但还是难以避免神经网络其黑箱结果导致的输出结果的不确定性。因此，需要一个相对稳定的模型对整个系统进行调整，而通过惯性导航计算末端位置具有短时间内计算稳定但存在累计误差的问题，因此，本技术实施例提出使用惯性导航传感器作为稳定量状态计算量，以神经网络模型作为观测值对累计误差进行纠正的方法。具体地，根据设备预测变形量建立观测矩阵，以得到理论末端位置；根据三轴速度建立状态转移模型，以得到预测末端位置。随后以上述模型为基础使用扩展卡尔曼滤波算法分配两个模型结果的权值，从而计算出融合了惯性导航和神经网络的坐标值，以确定柔性臂的最终末端位置。
[0065]
本技术实施例提出一种基于神经网络的柔性臂末端位置的计算方法，能够通过神经网络墨西哥和惯性导航传感器求解出多关节柔性臂的末端关节位置，保证了自动作业情况下考虑柔性臂变形问题，提高了对于柔性臂机械设备的末端位置的预测精度，提高了柔性臂机械设备自动作业的效率，为无人化柔性臂机械设备施工过程奠定了基础。同时，本技术实施例可以节省控制器的存储和查表空间，在求解时占用的资源较少，可以提高实时性。并且，本技术实施例的技术方案具有一定的预测性，对于没有采集到的部分，可以进行一定的补偿，使得该方法可以在设备运行过程中持续补偿，提高运行的精度，从而提高柔性臂机械设备的作业精度。
[0066]
在本技术实施例中，获取当前时刻柔性臂的目标关节的关节角度和柔性臂的末端的三轴速度包括：
[0067]
通过设置于柔性臂的目标关节的倾角传感器或位移传感器获取目标关节的关节角度；
[0068]
通过设置于柔性臂的末端的惯性导航传感器获取柔性臂末端的三轴速度。
[0069]
具体地，在柔性臂的目标关节可以分别设置倾角传感器或位移传感器以获取目标关节的角度。处理器可以通过设置于柔性臂的目标关节的倾角传感器或位移传感器获取目标关节的关节角度。其中，目标关节可以是其中的部分关节或全部关节。柔性臂的末端还可以设置惯性导航传感器。处理器可以通过设置于柔性臂的末端的惯性导航传感器获取柔性臂末端的三轴速度。以图2为例，图2中的柔性臂的变形的主要影响因素为各个关节所受重力引起，j0转动关节旋转的角度可以忽略不计，这样柔性臂的变形就与j1～j6相关。因此，目标关节可以为j1～j6，采集j1～j6处的关节角度。同时，可以通过设置于柔性臂末端的惯性导航传感器采集柔性臂末端的三轴速度。
[0070]
在本技术实施例中，将关节角度输入神经网络模型，以得到柔性臂的末端预测变形量可以包括：
[0071]
将关节角度输入结构不同的多个神经网络模型；
[0072]
获取多个神经网络模型输出的多个末端预测变形分量；
[0073]
选择输出的多个末端预测变形分量的中间值作为正态分布函数的参考值；
[0074]
根据参考值和正态分布函数得到每个末端预测变形分量对应的权值；
[0075]
将每个末端预测变形分量和对应的权值进行加权平方，以得到末端预测变形量。
[0076]
具体地，大型机械设备运动时，臂架末端抖动震动幅度大、震动频率快、传感器采集频率低，容易导致采集的数据出现部分数据偏离，外加神经网络黑箱的特性，其求解的结果具有一定的不确定性，从而导致单一网络会输出不可预测的奇异点，因此，需要对输出结果做优化措施。在本技术实施例中，可以训练多个结构不同的神经网络模型，将关节角度输入结构不同的多个神经网络模型。例如，训练5个精度现在需求以内的不同结构的神经网络模型。在同一时刻获取5个神经网络模型的输出结果，即多个末端预测变形分量。
[0077]
选择输出的多个末端预测变形分量的中间值作为正态分布函数的参考值，根据参考值和正态分布函数得到每个末端预测变形分量对应的权值，再将每个末端预测变形分量和对应的权值进行加权平方，以得到末端预测变形量。例如，选择输出结构的中间值mid(x)作为函数的参数；随后使用方程算出最终的神经网络模型的结果。该方程原理是以5个输出的中间值作为参考值，通过正太分布方程给各个输出值分配权值，最后通过上述方程求解出5个值的综合值。在结合正太分布函数后，该方程即有效地综合了5个值的信息。由于正太分布特性将减少过大值的权值，从而可以滤除奇异点和跳动点。这样，通过多个神经网络优化组合，有效地综合了多个值的信息，从而滤除奇异点和跳动点。采用本技术实施例的技术方案，可以有效减少跳变点的产生，使模型输出的补偿量精度更高，稳定性更强。
[0078]
在本技术实施例中，可以根据3轴变形量和多个关节角度(如图2中的j1～j6)建立3个基于柔性臂机械设备末端3个方向(如图2的xe、ye和ze所示的三个方向)变形量的神经网络模型。其中，神经网络可以为全神经网络，全神经网络模型可以满足下列公式：
[0079][0080]
其中，为l层神经元i的激活值；为l-1层的神经元；为神经元对应的权重；为偏置量。
[0081]
具体地，可以理解为l层神经元i的激活值等于上一层与之相连的每个神经元乘以一个权重然后每个乘积相加，再加上一个偏置量得到的值在l层经过一个函数输出，其输入为多个关节角度，输出为个方向的变形量。由于其变形量为单个值，不能通过常用的对错指标训练神经网络，因此引入输出值与训练目标之差作为模型训练指标。
[0082]
在本技术实施例中，将末端预测变形量进行坐标转换，以得到设备预测变形量包
括：
[0083]
获取当前时刻的旋转平台的转动关节的角度；
[0084]
根据角度将末端预测变形量进行坐标转换，以得到设备预测变形量。
[0085]
具体地，将柔性臂视为刚性，可以通过正运动学原理计算出固定旋转平台j0后臂架的末端位置，这样极大地简化了需要采集的数据信息。通过神经网络模型可以直接获取到末端预测变形分量(即图2的δx、δy以及δz)，随后基于采集时刻j0的角度，通过转换模型，可以得到设备预测变形量。
[0086]
在本技术实施例中，设备预测变形量满足下列公式：
[0087]
δx＝cosj0*δxe+sinj0*δye；
[0088]
δy＝-sinj0*δxe+cosj0*δye；
[0089]
δz＝δze；
[0090]
其中，j0为旋转平台的转动关节的角度；δx、δy和δz为设备预测变形量；δxe、δye和δze为末端预测变形量。随后通过实时的j0角度代入到上述公式即可得到末端各个坐标系变形量。
[0091]
在本技术实施例中，观测矩阵满足下列公式：
[0092][0093]
其中，δx、δy和δz为设备预测变形量；xe、ye和ze为柔性臂在刚性状态下的末端位置；x0、y0和z0为柔性臂的理论末端位置。
[0094]
在本技术实施例中，状态转移模型满足下列公式：
[0095][0096]
其中，x
t-1
、y
t-1
和z
t-1
为t-1时刻的柔性臂的最终末端位置；x
t
、y
t
和z
t
为t时刻的柔性臂的预测末端位置；v
x
、vy和vz为t时刻的柔性臂的末端的三轴速度。
[0097]
具体地，在获取神经网络输出的末端预测变形量，结合刚体位置即可得到末端的初始位置。但还是难以避免神经网络其黑箱结果导致的输出结果的不确定性。因此，需要一个相对稳定的模型对整个系统进行调整，而通过惯性导航计算末端位置具有短时间内计算稳定但存在累计误差的问题，因此，本技术实施例提出使用惯性导航传感器作为稳定量状态计算量，以神经网络模型作为观测值对累计误差进行纠正的方法。具体地，根据设备预测变形量建立观测矩阵，以得到理论末端位置；根据三轴速度建立状态转移模型，以得到预测末端位置。
[0098]
随后以上述模型为基础使用扩展卡尔曼滤波算法分配两个模型结果的权值，从而计算出融合了惯性导航和神经网络的坐标值，以确定柔性臂的最终末端位置。
[0099]
在本技术实施例中，对理论末端位置和预测末端位置进行卡尔曼滤波，以确定柔
性臂的最终末端位置包括以下步骤：先通过优化后柔性臂末端的位置补偿模型得到柔性臂末端位置的初始值，对系统的初始位置x(0)和对应的协方差矩阵p(0)进行赋值，完成系统初始化。再通过读取惯性导航传感器反馈的数据更新当前时刻的输入量u(k)，结合上一时刻的最优估计对当前位姿状态进行一次预测，得到当前系统状态的预测值。进一步通过上一时刻的系统状态的协方差矩阵和预测噪声协方差q更新当前系统的协方差矩阵。接着，读取优化后柔性臂末端的位置补偿模型得到的柔性臂的末端位置，得到新的系统观测位姿估计矩阵，通过更新当前系统状态的协方差矩阵和观测矩阵以及噪声协方差矩阵r计算出当前系统的卡尔曼增益系数k(k)。从而通过卡尔曼增益系数k(k)给当前时刻的测量值和预测值的差值分配比例系数，给系统的预测值进一步更新优化，得到系统最终的最优估计值；再用得到的扩展卡尔曼增益系数更新当前系统状态测量值对应的协方差矩阵，以得到优化好的状态测量值的协方差矩阵。最后，将上述步骤得到的系统状态最优估计和相应的协方差矩阵作为迭代参数，带入到下一次的迭代中，重复进行第二步从而不断地实时输出系统的足有位姿估计值。
[0100]
图3示意性示出了根据本技术实施例的确定最终末端位置的方法的流程示意图。如图3所示，在一个具体实施例中，先获取当前时刻柔性臂的目标关节的关节角度和柔性臂的末端的三轴速度(即惯性导航数据)；将关节角度输入全神经网络模型，以得到柔性臂的末端预测变形量(即变形补偿值)；根据正运动学和刚性末端位置，对末端预测变形量进行坐标转换，以得到设备预测变形量；再根据设备预测变形量建立观测矩阵，以得到理论末端位置(即理论末端位置补偿)。同时，可以根据三轴速度建立状态转移模型，以得到预测末端位置；根据预测末端位置和理论末端位置进行末端补偿判断，再进行卡尔曼滤波，以确定柔性臂的最终末端位置。本技术是基于神经网络确定柔性臂末端位置，通过神经网络和惯性导航传感器获取柔性臂末端的三轴速度，求解出多关节柔性臂的末端关节位置，保证了柔性臂机械设备在自动作业情况下考虑柔性臂形变的问题，提高了对于柔性臂机械设备的末端位置的预测精度，从而提高柔性臂机械设备自动作业的效率。
[0101]
图4示意性示出了根据本技术实施例的一种用于确定柔性臂末端位置的装置的结构框图。如图4所示，本技术实施例提供一种用于确定柔性臂末端位置的装置，可以包括：
[0102]
存储器410，被配置成存储指令；以及
[0103]
处理器420，被配置成从存储器410调用指令以及在执行指令时能够实现上述的用于确定柔性臂末端位置的方法。
[0104]
具体地，在本技术实施例中，处理器420可以被配置成：
[0105]
获取当前时刻柔性臂的目标关节的关节角度和柔性臂的末端的三轴速度；
[0106]
将关节角度输入神经网络模型，以得到柔性臂的末端预测变形量；
[0107]
对末端预测变形量进行坐标转换，以得到设备预测变形量；
[0108]
根据设备预测变形量建立观测矩阵，以得到理论末端位置；
[0109]
根据三轴速度建立状态转移模型，以得到预测末端位置；
[0110]
对理论末端位置和预测末端位置进行卡尔曼滤波，以确定柔性臂的最终末端位置。
[0111]
进一步地，处理器420还可以被配置成：
[0112]
获取当前时刻柔性臂的目标关节的关节角度和柔性臂的末端的三轴速度包括：
[0113]
通过设置于柔性臂的目标关节的倾角传感器或位移传感器获取目标关节的关节角度；
[0114]
通过设置于柔性臂的末端的惯性导航传感器获取柔性臂末端的三轴速度。
[0115]
进一步地，处理器420还可以被配置成：
[0116]
将关节角度输入神经网络模型，以得到柔性臂的末端预测变形量包括：
[0117]
将关节角度输入结构不同的多个神经网络模型；
[0118]
获取多个神经网络模型输出的多个末端预测变形分量；
[0119]
选择输出的多个末端预测变形分量的中间值作为正态分布函数的参考值；
[0120]
根据参考值和正态分布函数得到每个末端预测变形分量对应的权值；
[0121]
将每个末端预测变形分量和对应的权值进行加权平方，以得到末端预测变形量。
[0122]
在本技术实施例中，神经网络模型为全神经网络模型，全神经网络模型满足下列公式：
[0123][0124]
其中，为l层神经元i的激活值；为l-1层的神经元；为神经元对应的权重；为偏置量。
[0125]
进一步地，处理器420还可以被配置成：
[0126]
将末端预测变形量进行坐标转换，以得到设备预测变形量包括：
[0127]
获取当前时刻的旋转平台的转动关节的角度；
[0128]
根据角度将末端预测变形量进行坐标转换，以得到设备预测变形量。
[0129]
在本技术实施例中，设备预测变形量满足下列公式：
[0130]
δx＝cosj0*δxe+sinj0*δye；
[0131]
δy＝-sinj0*δxe+cosj0*δye；
[0132]
δz＝δze；
[0133]
其中，j0为旋转平台的转动关节的角度；δx、δy和δz为设备预测变形量；δxe、δye和δze为末端预测变形量。
[0134]
在本技术实施例中，观测矩阵满足下列公式：
[0135][0136]
其中，δx、δy和δz为设备预测变形量；xe、ye和ze为柔性臂在刚性状态下的末端位置；x0、y0和z0为柔性臂的理论末端位置。
[0137]
在本技术实施例中，状态转移模型满足下列公式：
[0138][0139]
其中，x
t-1
、y
t-1
和z
t-1
为t-1时刻的柔性臂的最终末端位置；x
t
、y
t
和z
t
为t时刻的柔性臂的预测末端位置；v
x
、vy和vz为t时刻的柔性臂的末端的三轴速度。
[0140]
本技术是基于神经网络确定柔性臂末端位置，通过神经网络和惯性导航传感器获取柔性臂末端的三轴速度，求解出多关节柔性臂的末端关节位置，保证了柔性臂机械设备在自动作业情况下考虑柔性臂形变的问题，提高了对于柔性臂机械设备的末端位置的预测精度，从而提高柔性臂机械设备自动作业的效率。
[0141]
本技术实施例还提供一种柔性臂机械设备，包括上述的用于确定柔性臂末端位置的装置。
[0142]
本技术实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的用于确定柔性臂末端位置的方法。
[0143]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0144]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0145]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0146]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0147]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0148]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介
质的示例。
[0149]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0150]
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0151]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种用于确定柔性臂末端位置的方法，其特征在于，应用于柔性臂机械设备，所述方法包括：获取当前时刻所述柔性臂的目标关节的关节角度和所述柔性臂的末端的三轴速度；将所述关节角度输入神经网络模型，以得到所述柔性臂的末端预测变形量；对所述末端预测变形量进行坐标转换，以得到设备预测变形量；根据所述设备预测变形量建立观测矩阵，以得到理论末端位置；根据所述三轴速度建立状态转移模型，以得到预测末端位置；对所述理论末端位置和所述预测末端位置进行卡尔曼滤波，以确定所述柔性臂的最终末端位置。2.根据权利要求1所述的方法，其特征在于，所述获取当前时刻所述柔性臂的目标关节的关节角度和所述柔性臂的末端的三轴速度包括：通过设置于所述柔性臂的目标关节的倾角传感器或位移传感器获取所述目标关节的关节角度；通过设置于所述柔性臂的末端的惯性导航传感器获取所述柔性臂末端的三轴速度。3.根据权利要求1所述的方法，其特征在于，所述将所述关节角度输入神经网络模型，以得到所述柔性臂的末端预测变形量包括：将所述关节角度输入结构不同的多个神经网络模型；获取所述多个神经网络模型输出的多个末端预测变形分量；选择输出的多个末端预测变形分量的中间值作为正态分布函数的参考值；根据所述参考值和所述正态分布函数得到每个末端预测变形分量对应的权值；将每个末端预测变形分量和对应的权值进行加权平方，以得到所述末端预测变形量。4.根据权利要求1所述的方法，其特征在于，所述神经网络模型为全神经网络模型，所述全神经网络模型满足下列公式：其中，为l层神经元i的激活值；为l-1层的神经元；为神经元对应的权重；为偏置量。5.根据权利要求1所述的方法，其特征在于，所述将所述末端预测变形量进行坐标转换，以得到设备预测变形量包括：获取当前时刻的旋转平台的转动关节的角度；根据所述角度将所述末端预测变形量进行坐标转换，以得到所述设备预测变形量。6.根据权利要求5所述的方法，其特征在于，所述设备预测变形量满足下列公式：
△
x＝cosj0*
△
x
e
+sinj0*
△
y
e
；
△
y＝-sinj0*
△
x
e
+cosj0*
△
y
e
；
△
z＝
△
z
e
；其中，j0为所述旋转平台的转动关节的角度；
△
x、
△
y和
△
z为所述设备预测变形量；
△
x
e
、
△
y
e
和
△
z
e
为所述末端预测变形量。
7.根据权利要求1所述的方法，其特征在于，所述观测矩阵满足下列公式：其中，
△
x、
△
y和
△
z为所述设备预测变形量；x
e
、y
e
和z
e
为所述柔性臂在刚性状态下的末端位置；x0、y0和z0为所述柔性臂的理论末端位置。8.根据权利要求1所述的方法，其特征在于，所述状态转移模型满足下列公式：其中，x
t-1
、y
t-1
和z
t-1
为t-1时刻的所述柔性臂的最终末端位置；x
t
、y
t
和z
t
为t时刻的所述柔性臂的预测末端位置；v
x
、v
y
和v
z
为t时刻的所述柔性臂的末端的三轴速度。9.一种用于确定柔性臂末端位置的装置，其特征在于，包括：存储器，被配置成存储指令；以及处理器，被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现根据权利要求1至8中任一项所述的用于确定柔性臂末端位置的方法。10.一种柔性臂机械设备，其特征在于，包括根据权利要求9所述的用于确定柔性臂末端位置的装置。11.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于使得机器执行根据权利要求1至8中任一项所述的用于确定柔性臂末端位置的方法。

技术总结
本申请公开了一种用于确定柔性臂末端位置的方法、装置及柔性臂机械设备。该方法包括：获取当前时刻柔性臂的目标关节的关节角度和柔性臂的末端的三轴速度；将关节角度输入神经网络模型，以得到柔性臂的末端预测变形量；对末端预测变形量进行坐标转换，以得到设备预测变形量；根据设备预测变形量建立观测矩阵，以得到理论末端位置；根据三轴速度建立状态转移模型，以得到预测末端位置；对理论末端位置和预测末端位置进行卡尔曼滤波，以确定柔性臂的最终末端位置。本申请提高了对于柔性臂机械设备的末端位置的预测精度，从而提高柔性臂机械设备自动作业的效率。设备自动作业的效率。设备自动作业的效率。


技术研发人员：付玲 唐律 皮皓杰 尹君
受保护的技术使用者：中联重科股份有限公司
技术研发日：2022.03.04
技术公布日：2023/9/13