CN116587276A - 一种基于大模型的机器人线缆操作方法、装置及存储介质 - Google Patents
一种基于大模型的机器人线缆操作方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116587276A CN116587276A CN202310622993.5A CN202310622993A CN116587276A CN 116587276 A CN116587276 A CN 116587276A CN 202310622993 A CN202310622993 A CN 202310622993A CN 116587276 A CN116587276 A CN 116587276A
- Authority
- CN
- China
- Prior art keywords
- cable
- model
- kinematic
- real
- robot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 45
- 238000004088 simulation Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本发明涉及一种基于大模型的机器人线缆操作方法、装置及存储介质,其中方法包括:在虚拟环境中创建场景,通过移动线缆两端生成运动学数据;在离线阶段,利用生成的运动学数据对大模型进行微调,训练得到基于超大参数量模型的线缆运动学模型;在真实线缆上,对多个关键点进行标记,基于卡尔曼滤波,利用RGB相机感知关键点状态;基于关键点状态,构建神经网络模型并进行在线学习,得到线缆运动学模型的修正函数;基于修正后的线缆运动学模型求解优化后的控制输入,真实机器人根据优化后的控制输入对真实线缆进行控制,将真实线缆变形为目标形状。与现有技术相比,本发明可以有效拟合线缆运动学规律,具有线缆操作精确等优点。
Description
技术领域
本发明涉及机器人控制技术领域,尤其是涉及一种基于大模型的机器人线缆操作方法、装置及存储介质。
背景技术
操纵可变形的线性物体,特别是各种线缆,有广泛的应用。例如,在3C制造中操纵电线来组装设备;皮带在皮带驱动单元的组件中***纵;在手术中,缝合线***纵以将组织固定在一起。为了自动化地完成上述任务,稳健地将线缆等可变形线性物体操纵到所需的形状仍然是机器人技术的一个关键问题。然而,由于线缆具有无限维度,要获得精确的动力学模型以进行精确的规划和控制具有挑战性。因此,构建一个可对线缆进行形变操作的机器人十分迫切,这将极大提高这些领域的自动化效率。
针对线缆建模问题,目前主要用质量弹簧***(MSS)将可变形物体建模为网络。质量被分配给每个单独的顶点,顶点用弹簧边连接。一对顶点之间的内力可以通过沿位移方向的弹簧阻尼关系来确定。质量弹簧模型实现简单,仿真速度快。它已应用于不同类型的可变形对象,例如,通过将绳索模拟为链模拟为二维(2D)网格。缺点在于它最适合模拟小变形,但面对复杂变形,精度会大幅度下降。基于学习的方法从收集到的数据集近似计算出缆绳的动力学模型也是目前流行的方法。例如,利用双向LSTM对链状物体进行建模并收集大量数据对LSTM模型进行训练。同样,图神经网络作为一种新的结构出现,用于学习可变形物体的动力学。但是目前学习的方法由于参数量有限,仍无法有效拟合线缆的运动学规律。
通过神经网络拟合线缆运动学模型,往往需要在虚拟环境中采集大量的线缆运动学数据并进行模型训练。然而,由于模拟与现实的差距,模拟训练数据可能无法准确捕捉真实线缆的运动学规律。目前采用域随机化的方法来增加训练数据的随机性,但仍无法解决虚拟线缆与真实线缆本身存在的差距。
发明内容
本发明的目的是为了提供一种基于大模型的机器人线缆操作方法、装置及存储介质,基于大模型来学习线缆运动学规律,有效拟合线缆运动学规律,并使用修正网络来弥补虚拟与现实之间的差距,使得真实机器人能够精确操作真实线缆,提升机器人对可变形线性物体的操作能力。
本发明的目的可以通过以下技术方案来实现:
一种基于大模型的机器人线缆操作方法,包括以下步骤:
S1:在虚拟环境中创建场景,所述场景中包括线缆和可旋转的机器人二指夹爪,通过移动线缆两端生成多种线缆在二维平面上的运动学数据;
S2:在离线阶段,利用生成的运动学数据对大模型进行微调,训练得到基于超大参数量模型的线缆运动学模型;
S3:在真实线缆上,对多个关键点进行标记,基于卡尔曼滤波,利用RGB相机感知关键点状态;
S4:基于关键点状态,构建神经网络模型并进行在线学习,得到线缆运动学模型的修正函数;
S5:基于修正后的线缆运动学模型求解优化后的控制输入,真实机器人根据优化后的控制输入对真实线缆进行控制,将真实线缆变形为目标形状。
进一步地,所述运动学数据包括t时刻机械臂末端加速度ak(t)∈R1x2,位置速度/>其中k=1表示左末端,k=2表示右末端,t时刻n个关键点的位置X(t)=[x1(t),x2(t),..,xn(t)]T,t时刻n个关键点的速度/> 其中xi(t)∈R1x2表示第i个关键点在t时刻的2D位置,/>表示第i个关键点在t时刻的速度。
进一步地,所述S2包括以下步骤:
S21:构建大模型,大模型的初始参数由大量文本数据预训练得到;
S22:基于运动学数据构建输入向量,所述输入向量包括n个关键点的速度与位置,末端速度、位置与加速度和位置编码;
S23:将输入向量输入到大模型带有掩码的多头注意力层;
S24:对多头注意力层输出的向量与输入向量进行相加以实现残差操作后,再进行层归一化操作;
S25:将S24输出的向量输入到前馈网络中,并将前馈网络输出的向量与S24输出的向量进行相加后,再次进行归一化操作;
S26:重复预设次数的S23-S25进行特征提取,将提取到的特征输入大模型的全连接层和softmax层,输出维度为2n的特征向量,求出损失,进行反向传播并更新梯度,直至所有运动学数据训练完成,得到基于大模型的线缆运动学模型,记作φ()。
进一步地,所述多头注意力层中的每一个注意力头均执行以下步骤:
每个运动学数据通过三个矩阵Wq,Wk,Wv进行一次线性变化,一分为三,生成每个运动学数据对应的查询、键、值三个向量;以一个运动学数据为中心进行自注意力操作时,用此运动学数据的键向量与每个运动学数据的查询向量做点积,再通过softmax归一化出权重,基于权重计算所有运动学数据的向量的加权和,作为这个运动学数据的输出;
每一个注意力头执行完上述步骤后,将每一个注意力头的输出结合在一起作为多头注意力层的输出。
进一步地,所述S26中,重复12次S23-S25进行特征提取。
进一步地,所述利用RGB相机感知关键点状态具体为:利用RGB相机感知在t时刻n个关键点状态,包括位置Y(t)=[y1(t),y2(t),..,yn(t)]T和速度 其中yi(t)∈R1x2表示第i个关键点在t时刻的2D位置,/>表示第i个关键点在t时刻的速度。
进一步地,所述S4包括以下步骤:
S41:在虚拟环境与真实环境,对S3训练得到的线缆运动学模型和真实线缆分别输入相同的控制输入,得到线缆运动学模型输出速度与真实线缆速度V(t)=[v1(t),v2(t),..,vn(t)]T,其中/>表示第i个关键点在t时刻的模型预测速度,vi(t)∈R1x2表示第i个关键点在t时刻的真实线缆速度,并收集少量训练数据;
S42:构建基于全连接层的神经网络,以作为输入数据,V(t)作为监督数据,输出维度为2n的向量,对神经网络进行训练,得到线缆运动学模型的修正网络,即/>用于缩小模拟与现实的差距。
进一步地,所述S5包括以下步骤:
S51:令为关键点目标位置,Gt为t时刻关键点目标位置,/>为控制输入,T为时间跨度;
S52:通过将t时刻的状态与控制输入作为输入进行前向模拟,并利用修正后的线缆运动学模型在下一个时刻产生新的位置,即
S53:将t时刻开始的前向模拟表示为把直到时刻t的历史表示为计算预测最终位置与实际设定的目标最终位置的差距,即/>并进行反向传播求梯度,使用随机梯度下降算法来更新控制输入;
S54:重复S52-S53,得到优化后的控制输入为u1:;
S55:真实机器人根据优化后的控制输入对真实线缆进行控制,将真实线缆变形为目标形状。
一种基于大模型的机器人线缆操作装置,包括存储器、处理器,以及存储于所述存储器中的程序,所述处理器执行所述程序时实现如上述所述的方法。
一种存储介质,其上存储有程序,所述程序被执行时实现如上述所述的方法。
与现有技术相比,本发明具有以下有益效果:
本发明的基于大模型的机器人线缆操作方法通过超大参数量的神经网络对线缆运动进行建模,得到的模型可以用于线缆的精确形变控制。由于训练数据是在虚拟环境中获得,与真实线缆运动存在差距,本发明构建的模型修正网络可以有效缩小虚拟与真实的差距,使得模型在真实线缆操作中有效,实现真实机器人对真实线缆的精确形变控制。
附图说明
图1为本发明的方法流程图;
图2为本发明实施例所述的GPT网络架构图;
图3为本发明实施例所述的虚实迁移修正网络架构图;
图4为本发明实施例所述的基于大模型的机器人线缆操作方法硬件架构图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例提供一种基于大模型的机器人线缆操作方法,如图1所示,包括以下步骤:
S1:利用Unity软件在虚拟环境中创建场景,场景中包括基于Obi物理引擎的线缆和可旋转的机器人二指夹爪,通过移动线缆两端生成多种线缆在二维平面上的运动学数据。
本实施例中,采集的运动学数据包括t时刻机械臂末端加速度ak(t)∈R1x2,位置速度/>其中k=1表示左末端,k=2表示右末端,t时刻n个关键点的位置X(t)=[x1(t),x2(t),..,xn(t)]T,t时刻n个关键点的速度/>其中xi(t)∈R1x2表示第i个关键点在t时刻的2D位置,/>表示第i个关键点在t时刻的速度。
采集的线缆的运动学数据是基于10种不同长度和厚度以实现域随机化。线缆长度与厚度的设定如表1所示。
表1 10种不同长度与厚度线缆的设定
线缆编号 | 长度(m) | 直径(mm) |
1 | 0.3 | 16 |
2 | 0.4 | 6 |
3 | 0.5 | 18 |
4 | 0.6 | 8 |
5 | 0.7 | 20 |
6 | 0.8 | 10 |
7 | 0.9 | 22 |
8 | 1.0 | 12 |
9 | 1.1 | 24 |
10 | 1.2 | 14 |
S2:在离线阶段,利用生成的运动学数据对大模型进行微调,训练得到基于超大参数量模型的线缆运动学模型。
S21:构建基于GPT神经网络的大模型,大模型是一个预训练模型,其初始参数由大量文本数据预训练得到。本实施例中,大模型的GPT网络框架如图2所示。
S22:基于运动学数据构建输入向量,本实施例中输入向量包括15个关键点的速度与位置,2个末端速度、位置与加速度和位置编码,从而得到维度为80的输入向量。
S23:将输入向量输入到大模型带有掩码的多头注意力层,每一个注意力头均执行以下步骤:
每个运动学数据通过三个矩阵Wq,Wk,Wv进行一次线性变化,一分为三,生成每个运动学数据对应的查询query、键key、值value三个向量;以一个运动学数据为中心进行自注意力操作时,用此运动学数据的键向量key与每个运动学数据的查询向量query做点积,再通过softmax归一化出权重,基于权重计算所有运动学数据的向量的加权和,作为这个运动学数据的输出。
每一个注意力头执行完上述步骤后,将每一个注意力头的输出结合在一起作为多头注意力层的输出。
S24:对多头注意力层输出的向量与输入向量进行相加以实现残差操作后,再进行层归一化操作。
S25:将S24输出的向量输入到前馈网络中,并将前馈网络输出的向量与S24输出的向量进行相加,以实现残差操作,然后再进行层归一化操作。
S26:重复12次S23-S25进行特征提取,将提取到的特征输入大模型的全连接层和softmax层,输出维度为30的特征向量,求出损失,进行反向传播并更新梯度,直至本实施例中所有5000组运动学数据训练完成,得到基于大模型的线缆运动学模型,记作φ()。
S3:在真实线缆上,对15个关键点进行标记,基于卡尔曼滤波,利用RGB相机感知在t时刻15个关键点的状态。
本实施例中,RGB相机感知到的在t时刻15个关键点状态,包括位置Y(t)=[y1(t),y1(t),..,y15(t)]T和速度其中yi(t)∈R1x2表示第i个关键点在t时刻的2D位置,/>表示第i个关键点在t时刻的速度。
S4:基于关键点状态,构建神经网络模型并进行在线学习,作为线缆运动学模型的修正函数,从而克服模拟与现实的差距和泛化问题。
S41:在虚拟环境与真实环境,对S3训练得到的线缆运动学模型和真实线缆分别输入相同的控制输入,得到线缆运动学模型输出速度与真实线缆速度V(t)=[v1(t),v2(t),..,v15(t)]T,其中/>表示第i个关键点在t时刻的模型预测速度,vi(t)∈R1x2表示第i个关键点在t时刻的真实线缆速度,并收集少量训练数据。
S42:构建基于全连接层的神经网络,以作为输入数据,V(t)作为监督数据,输出维度为30的向量,利用1000组数据对神经网络进行训练,得到线缆运动学模型的修正网络,即/>用于缩小模拟与现实的差距。
本实施例中,如图3所示,神经网络由3层全连接层组成,其中第1层输入维度为30,输出维度为256,第2层输入维度为256,输出维度为512,第3层输入维度为512,输出维度为30的向量。
S5:基于修正后的线缆运动学模型求解优化后的控制输入,真实机器人根据优化后的控制输入对真实线缆进行控制,将真实线缆变形为目标形状。
S51:令为关键点目标位置,Gt为t时刻关键点目标位置,/>为控制输入,T为时间跨度,T取100个时刻。
S52:通过将t时刻的状态与控制输入作为输入进行前向模拟,并利用修正后的线缆运动学模型在下一个时刻产生新的位置,即
S53:将t时刻开始的前向模拟表示为把直到时刻t的历史表示为计算预测最终位置与实际设定的目标最终位置的差距,即/>并进行反向传播求梯度,使用随机梯度下降算法来更新控制输入。
S54:重复S52-S53,得到优化后的控制输入为u1:。
S55:真实机器人根据优化后的控制输入对真实线缆进行控制,将真实线缆变形为目标形状。
发明的一个实施例的硬件架构***如图4所示,结合机器人操作平台可以在实际物理环境下实施线缆操作过程,具有较好的任务性能和广泛的应用前景。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案,皆应在权利要求书所确定的保护范围内。
Claims (10)
1.一种基于大模型的机器人线缆操作方法,其特征在于,包括以下步骤:
S1:在虚拟环境中创建场景,所述场景中包括线缆和可旋转的机器人二指夹爪,通过移动线缆两端生成多种线缆在二维平面上的运动学数据;
S2:在离线阶段,利用生成的运动学数据对大模型进行微调,训练得到基于超大参数量模型的线缆运动学模型;
S3:在真实线缆上,对多个关键点进行标记,基于卡尔曼滤波,利用RGB相机感知关键点状态;
S4:基于关键点状态,构建神经网络模型并进行在线学习,得到线缆运动学模型的修正函数;
S5:基于修正后的线缆运动学模型求解优化后的控制输入,真实机器人根据优化后的控制输入对真实线缆进行控制,将真实线缆变形为目标形状。
2.根据权利要求1所述的一种基于大模型的机器人线缆操作方法,其特征在于,所述运动学数据包括t时刻机械臂末端加速度ak(t)∈R1x2,位置速度/>其中k=1表示左末端,k=2表示右末端,t时刻n个关键点的位置X(t)=[x1(t),x2(t),..,xn(t)]T,t时刻n个关键点的速度/> 其中xi(t)∈R1x2表示第i个关键点在t时刻的2D位置,/>表示第i个关键点在t时刻的速度。
3.根据权利要求1所述的一种基于大模型的机器人线缆操作方法,其特征在于,所述S2包括以下步骤:
S21:构建大模型,大模型的初始参数由大量文本数据预训练得到;
S22:基于运动学数据构建输入向量,所述输入向量包括n个关键点的速度与位置,末端速度、位置与加速度和位置编码;
S23:将输入向量输入到大模型带有掩码的多头注意力层;
S24:对多头注意力层输出的向量与输入向量进行相加以实现残差操作后,再进行层归一化操作;
S25:将S24输出的向量输入到前馈网络中,并将前馈网络输出的向量与S24输出的向量进行相加后,再次进行归一化操作;
S26:重复预设次数的S23-S25进行特征提取,将提取到的特征输入大模型的全连接层和softmax层,输出维度为2n的特征向量,求出损失,进行反向传播并更新梯度,直至所有运动学数据训练完成,得到基于大模型的线缆运动学模型,记作φ()。
4.根据权利要求3所述的一种基于大模型的机器人线缆操作方法,其特征在于,所述多头注意力层中的每一个注意力头均执行以下步骤:
每个运动学数据通过三个矩阵Wq,Wk,Wv进行一次线性变化,一分为三,生成每个运动学数据对应的查询、键、值三个向量;以一个运动学数据为中心进行自注意力操作时,用此运动学数据的键向量与每个运动学数据的查询向量做点积,再通过softmax归一化出权重,基于权重计算所有运动学数据的向量的加权和,作为这个运动学数据的输出;
每一个注意力头执行完上述步骤后,将每一个注意力头的输出结合在一起作为多头注意力层的输出。
5.根据权利要求3所述的一种基于大模型的机器人线缆操作方法,其特征在于,所述S26中,重复12次S23-S25进行特征提取。
6.根据权利要求1所述的一种基于大模型的机器人线缆操作方法,其特征在于,所述利用RGB相机感知关键点状态具体为:利用RGB相机感知在t时刻n个关键点状态,包括位置Y(t)=[y1(t),y2(t),..,yn(t)]T和速度 其中yi(t)∈R1x2表示第i个关键点在t时刻的2D位置,/>表示第i个关键点在t时刻的速度。
7.根据权利要求3所述的一种基于大模型的机器人线缆操作方法,其特征在于,所述S4包括以下步骤:
S41:在虚拟环境与真实环境,对S3训练得到的线缆运动学模型和真实线缆分别输入相同的控制输入,得到线缆运动学模型输出速度与真实线缆速度V(t)=[v1(t),v2(t),..,vn(t)]T,其中/>表示第i个关键点在t时刻的模型预测速度,vi(t)∈R1x2表示第i个关键点在t时刻的真实线缆速度,并收集少量训练数据;
S42:构建基于全连接层的神经网络,以作为输入数据,V(t)作为监督数据,输出维度为2n的向量,对神经网络进行训练,得到线缆运动学模型的修正网络,即/>用于缩小模拟与现实的差距。
8.根据权利要求7所述的一种基于大模型的机器人线缆操作方法,其特征在于,所述S5包括以下步骤:
S51:令为关键点目标位置,Gt为t时刻关键点目标位置,/>为控制输入,T为时间跨度;
S52:通过将t时刻的状态与控制输入作为输入进行前向模拟,并利用修正后的线缆运动学模型在下一个时刻产生新的位置,即
S53:将t时刻开始的前向模拟表示为把直到时刻t的历史表示为计算预测最终位置与实际设定的目标最终位置的差距,即/>并进行反向传播求梯度,使用随机梯度下降算法来更新控制输入;
S54:重复S52-S53,得到优化后的控制输入为u1:;
S55:真实机器人根据优化后的控制输入对真实线缆进行控制,将真实线缆变形为目标形状。
9.一种基于大模型的机器人线缆操作装置,包括存储器、处理器,以及存储于所述存储器中的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.一种存储介质,其上存储有程序,其特征在于,所述程序被执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310622993.5A CN116587276A (zh) | 2023-05-30 | 2023-05-30 | 一种基于大模型的机器人线缆操作方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310622993.5A CN116587276A (zh) | 2023-05-30 | 2023-05-30 | 一种基于大模型的机器人线缆操作方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116587276A true CN116587276A (zh) | 2023-08-15 |
Family
ID=87606106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310622993.5A Pending CN116587276A (zh) | 2023-05-30 | 2023-05-30 | 一种基于大模型的机器人线缆操作方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116587276A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727523A (zh) * | 2009-12-17 | 2010-06-09 | 北京理工大学 | 基于物理特性的活动线缆的建模、运动仿真的方法及装置 |
US20170246745A1 (en) * | 2016-02-25 | 2017-08-31 | Seiko Epson Corporation | Control device, robot, and robot system |
US20190184553A1 (en) * | 2016-08-22 | 2019-06-20 | Canon Kabushiki Kaisha | Continuum robot, modification method of kinematic model of continuum robot, and control method of continuum robot |
CN111618844A (zh) * | 2019-02-28 | 2020-09-04 | 精工爱普生株式会社 | 机器人***以及控制方法 |
CN114943182A (zh) * | 2022-06-07 | 2022-08-26 | 清华大学深圳国际研究生院 | 基于图神经网络的机器人线缆形状控制方法及设备 |
CN115990875A (zh) * | 2022-11-10 | 2023-04-21 | 华南理工大学 | 一种基于隐空间插值的柔性线缆状态预测与控制*** |
-
2023
- 2023-05-30 CN CN202310622993.5A patent/CN116587276A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727523A (zh) * | 2009-12-17 | 2010-06-09 | 北京理工大学 | 基于物理特性的活动线缆的建模、运动仿真的方法及装置 |
US20170246745A1 (en) * | 2016-02-25 | 2017-08-31 | Seiko Epson Corporation | Control device, robot, and robot system |
US20190184553A1 (en) * | 2016-08-22 | 2019-06-20 | Canon Kabushiki Kaisha | Continuum robot, modification method of kinematic model of continuum robot, and control method of continuum robot |
CN111618844A (zh) * | 2019-02-28 | 2020-09-04 | 精工爱普生株式会社 | 机器人***以及控制方法 |
CN114943182A (zh) * | 2022-06-07 | 2022-08-26 | 清华大学深圳国际研究生院 | 基于图神经网络的机器人线缆形状控制方法及设备 |
CN115990875A (zh) * | 2022-11-10 | 2023-04-21 | 华南理工大学 | 一种基于隐空间插值的柔性线缆状态预测与控制*** |
Non-Patent Citations (1)
Title |
---|
陈睿;闵华松;: "基于BP和RBF神经网络的机器人逆运动学算法", 机床与液压, no. 23, 15 December 2019 (2019-12-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dasari et al. | Robonet: Large-scale multi-robot learning | |
Chebotar et al. | Combining model-based and model-free updates for trajectory-centric reinforcement learning | |
Köker et al. | A study of neural network based inverse kinematics solution for a three-joint robot | |
You et al. | Model-free control for soft manipulators based on reinforcement learning | |
Shukla et al. | Robotic grasp manipulation using evolutionary computing and deep reinforcement learning | |
Yan et al. | Learning probabilistic multi-modal actor models for vision-based robotic grasping | |
Aghajanzadeh et al. | An offline geometric model for controlling the shape of elastic linear objects | |
Guo et al. | Customisable control policy learning for robotics | |
Parak et al. | Comparison of multiple reinforcement learning and deep reinforcement learning methods for the task aimed at achieving the goal | |
Ma et al. | An efficient robot precision assembly skill learning framework based on several demonstrations | |
Zhu et al. | Efficient object manipulation planning with monte carlo tree search | |
Liu et al. | Sim-and-real reinforcement learning for manipulation: A consensus-based approach | |
Zhao et al. | Efficient inverse kinematics for redundant manipulators with collision avoidance in dynamic scenes | |
CN116587276A (zh) | 一种基于大模型的机器人线缆操作方法、装置及存储介质 | |
Chattopadhyay et al. | Control of single-segment continuum robots: reinforcement learning vs. neural network based PID | |
Jawad et al. | Design of adaptive controller for robot arm manipulator based on ANN with optimized PID by IWO algorithm | |
Nguyen et al. | Comparing the results of applying DE, PSO and proposed Pro DE, Pro PSO algorithms for inverse kinematics problem of a 5-DOF scara robot | |
CN109358618B (zh) | 一种移动机器人的路径规划方法 | |
Gao et al. | A hierarchical manipulation scheme for robotic sorting of multiwire cables with hybrid vision | |
Hassanein et al. | Auto-generating fuzzy system modelling of physical systems | |
Liao et al. | Full workspace generation of serial-link manipulators by deep learning based jacobian estimation | |
Li | Reinforcement learning-based learning from demonstrations for collaborative robots | |
Cheng et al. | Sim-to-Real Transfer Reinforcement Learning for Position Control of Pneumatic Continuum Manipulator with Sim-to-Real Transfer | |
Li et al. | Robot arm simulation based on model-free reinforcement learning | |
Chen et al. | Localized motion dynamics modeling of a soft robot: A data-driven adaptive learning approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |