机械臂控制方法、装置、控制设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110293552A(43)申请公布日2019.10.01(21)申请号201810236771.9(22)申请日2018.03.21(71)申请人北京猎户星空科技有限公司地址100041北京市朝阳区团结湖街道工人体育场北甲二号盈科中心东侧裙楼三层(72)发明人赵哲(74)专利代理机构北京清亦华知识产权代理事务所(普通合伙)11201代理人张润(51)Int.Cl.B25J9/16(2006.01)权利要求书2页说明书13页附图4页(54)发明名称机械臂控制方法、装置、控制设备及存储介质(57)摘要本发明提出一种机械臂控制方法、装置、控制设备及存储介质，其中，方法包括：获取机械臂应用场景全局图像及机械臂各关节轴分别对应的各当前角度值，其中场景全局图像用于表征机械臂与目标点的相对位置；根据所述机械臂应用场景全局图像及各当前角度值，利用预先训练的神经网络模型，确定下一时刻机械臂各关节轴分别对应的各目标角度值；根据所述各目标角度值，控制所述机械臂移动。通过本方法，实现了利用神经网络模型对机械臂动作的预测，提高对机械臂动作预测的准确性提高机械臂动作的灵活性。CN110293552ACN110293552A权利要求书1/2页1.一种机械臂控制方法，其特征在于，包括：获取机械臂应用场景全局图像及机械臂各关节轴分别对应的各当前角度值，其中场景全局图像用于表征机械臂与目标点的相对位置；根据所述机械臂应用场景全局图像及各当前角度值，利用预先训练的神经网络模型，确定下一时刻机械臂各关节轴分别对应的各目标角度值；根据所述各目标角度值，控制所述机械臂移动。2.如权利要求1所述的方法，其特征在于，所述神经网络模型为卷积神经网络模型。3.如权利要求1或2所述的方法，其特征在于，还包括：获取控制指令；对所述控制指令进行解析，确定控制指令的类型和/或所述控制指令中包括的目标物体所属的类型；根据所述目标物体所属的类型和/或所述控制指令的类型，选取目标神经网络模型；所述利用预先训练的神经网络模型，确定下一时刻机械臂各关节轴分别对应的各目标角度值，包括：利用所述目标神经网络模型，确定下一时刻机械臂各关节轴分别对应的各目标角度值。4.如权利要求3所述的方法，其特征在于，所述获取机械臂应用场景全局图像之后，还包括：对所述控制指令进行解析，确定所述应用场景全局图像中目标点的位置。5.一种神经网络训练方法，其特征在于，所述训练方法包括：根据预设初始神经网络模型，构建损失函数；以所述损失函数取值最小为目标，利用训练样本集中各样本对所述预设初始神经网络模型进行训练，直至生成的神经网络模型对应的系数矩阵稳定，则确定所述神经网络模型训练结束；其中，所述训练样本集中各样本，包括与训练任务对应的机械臂应用场景全局图像序列，及分别与各全局图像对应的机械臂各关节轴的角度值。6.一种机械臂控制装置，其特征在于，包括：获取模块，用于获取机械臂应用场景全局图像及机械臂各关节轴分别对应的各当前角度值，其中场景全局图像用于表征机械臂与目标点的相对位置；确定模块，用于根据所述机械臂应用场景全局图像及各当前角度值，利用预先训练的神经网络模型，确定下一时刻机械臂各关节轴分别对应的各目标角度值；控制模块，用于根据所述各目标角度值，控制所述机械臂移动。7.一种神经网络训练装置，其特征在于，包括：函数构建模块，用于根据预设初始神经网络模型，构建损失函数；训练模块，用于以所述损失函数取值最小为目标，利用训练样本集中各样本对所述预设初始神经网络模型进行训练，直至生成的神经网络模型对应的系数矩阵稳定，则确定所述神经网络模型训练结束；其中，所述训练样本集中各样本，包括与训练任务对应的机械臂应用场景全局图像序列，及分别与各全局图像对应的机械臂各关节轴的角度值。2CN110293552A权利要求书2/2页8.一种控制设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-4中任一项所述的机械臂控制方法，或者如权利要求5所述的神经网络训练方法。9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的机械臂控制方法，或者如权利要求5所述的神经网络训练方法。10.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令由处理器执行时，实现如权利要求1-4中任一项所述的机械臂控制方法，或者如权利要求5所述的神经网络训练方法。3CN110293552A说明书1/13页机械臂控制方法、装置、控制设备及存储介质技术领域[0001]本发明涉及自动化技术领域，尤其涉及一种机械臂控制方法、装置、控制设备及存储介质。