本发明涉及智能控制，具体涉及一个基于类小脑计算的冗余机械臂运动学控制方案。
背景技术：
1、冗余机械臂是指拥有多于完成特定任务所需最小自由度的机械臂，其在执行给定任务的同时，能够完成路径优化、姿态控制和能量消耗最小化等次要任务。因此，与非冗余度机械臂相比，冗余机械臂可以完成更加复杂、困难的任务，并成为工业生产中必不可少的仪器。然而，冗余性为冗余机械臂的运动控制带来了不便。具体而言，对于冗余机械臂，从关节空间到笛卡尔工作空间的变换是一种非线性映射，难以直接从关节空间层面进行求解。此外，冗余机械臂控制过程中不可避免地存在噪声，表现为硬件实现误差、传感器误差、计算误差等，这会显著影响任务执行，甚至可能导致任务的失败。
2、近年来，类小脑计算开始进入人们的视野。该方法旨在模拟小脑在人类中枢神经系统中的功能。具体而言，小脑在调节人类的运动协调和学习方面起着至关重要的作用。因此，类小脑模型有利于提高冗余机械臂系统的学习能力，为控制方案的设计开辟了一条新的途径。回声状态网络因其高效的训练机制和突出的动态系统建模能力受到许多学者的关注。沿着这一思路，大量基于回声状态网络的类小脑模型的研究逐渐涌现，并在不同类型的机器人中得到应用。值得指出的是，现有的绝大多数工作没有考虑噪声，或仅能处理模型噪声，因此在实际工程应用中表现不佳。为解决上述问题，本发明提出一个基于回声状态网络的类小脑模型，通过利用信息熵以捕获数据中的一阶和高阶信息。进而，设计一个可抗数据噪声的冗余机械臂运动学控制方案以推动智能控制技术的发展。综上所述，本发明专利具有新颖性与实用性。
技术实现思路
1、针对现有面向冗余机械臂的运动学控制方案存在可解释性差、可扩展性弱等不足，本发明通过考虑数据中的信息熵以提高模型的鲁棒性。随后，基于所提在线回声状态小脑网络设计冗余机械臂运动学控制方案，指导机器人完成轨迹跟踪任务。
2、本发明采用的技术方案为：
3、一个基于类小脑计算的冗余机械臂运动学控制方案，包括以下步骤：
4、s1)针对冗余机械臂系统面临的数据噪声干扰问题，构建基于熵的回声状态小脑网络；
5、s2)针对冗余机械臂实时控制需求，设计基于熵的回声状态小脑网络在线学习策略；
6、s3)从运动学角度出发，基于在线回声状态小脑网络设计冗余机械臂运动学控制方案；
7、s4)在基于类小脑计算的冗余机械臂运动学控制方案的驱动下，指导机械臂完成轨迹跟踪任务。
8、步骤s1)中，基于熵的回声状态小脑网络设计如下：
9、s101)设计基于回声状态网络的类小脑网络，其由苔藓纤维、颗粒细胞、平行纤维和浦肯野细胞组成；
10、s102)加载输入信号至苔藓纤维，并进一步将其传输至颗粒细胞进行加工处理，可以得到
11、g(t)＝f(x(t)wmf+g(t-1)wgc)，
12、其中，表示t时刻的输入信号；为经颗粒细胞处理后的信号；和分别表示苔藓纤维与颗粒细胞之间的连接权重以及颗粒细胞内部连接权重；f(·)为颗粒细胞激活函数；
13、s103)信号g(t)由平行纤维进一步传输至浦肯野细胞，同时相应的输出信号被确定为
14、p(t)＝φ(g(t)wpc)，
15、其中，表示平行纤维与浦肯野细胞之间的连接权重，φ(·)为浦肯野细胞激活函数；
16、s104)存储记录颗粒细胞状态和浦肯野细胞的输出；
17、s105)基于最大相关熵准则，定义一个新的目标函数如下：
18、
19、其中，为总训练步数；σ表示核尺寸；λ为正则化参数；
20、s106)定义和进一步求目标函数关于wpc的导数，并令其为零以获得最终解：
21、wpc＝(gtλg+λσ2i)-1gtλp，
22、其中i是单位矩阵；上标t和-1分别表示矩阵转置和求逆操作。
23、步骤s2)中，基于熵的回声状态小脑网络在线学习策略设计如下:
24、s201)令t和t+1分别标注当前时刻和下次迭代时的网络，可以得到
25、
26、其中，表示加权的状态矩阵；表示加权的输出矩阵；进而，定义在线学习策略中颗粒细胞状态矩阵和浦肯野细胞输出矩阵更新方式为
27、
28、其中，
29、
30、s202)定义和可以得到并令和得到进而，基于伍德伯里矩阵恒等式，浦肯野细胞输出矩阵更新过程被确定如下：
31、
32、其中，
33、步骤s3)中，基于在线回声状态小脑网络的冗余机械臂运动学控制方案为
34、s301)加载由t-1时刻的关节速度期望的末端执行器位置增量δrd(t)以及期望的速度增量组成的输入信号至苔藓纤维层，即
35、s302)颗粒细胞处理输入信号
36、s303)平行纤维转发信号，并最终由浦肯野细胞输出t时刻的关节速度增量
37、s304)得到冗余机械臂t时刻的控制命令
38、s305)计算期望的关节速度增量和实际关节速度增量之间的误差信息：
39、
40、其中，是雅可比矩阵j(t)的伪逆；和分别是真实的和期望的机械臂末端执行器速度；q(t)和qd(t)分别是真实的和期望的关节角度；
41、s306)得到基于在线回声状态小脑网络的冗余机械臂运动学控制方案输出权重更新公式：
42、
43、步骤s4)中，在基于类小脑计算的冗余机械臂运动学控制方案指导下生成的关节速度将转化为冗余机械臂各个关节电机所需要的控制信号，从而驱动各个关节电机使机械臂完成轨迹跟踪任务。
1.一个基于类小脑计算的冗余机械臂运动学控制方案，其特征在于包括以下步骤：
2.根据权利要求1所述的一个基于类小脑计算的冗余机械臂运动学控制方案，其特征在于步骤s1)中，基于熵的回声状态小脑网络设计步骤如下：
3.根据权利要求1所述的一个基于类小脑计算的冗余机械臂运动学控制方案，其特征在于步骤s2)中，基于熵的回声状态小脑网络在线学习策略为s201)令t和t+1分别标注当前时刻和下次迭代时的网络，可以得到
4.根据权利要求1所述的一个基于类小脑计算的冗余机械臂运动学控制方案，其特征在于步骤s3)中，基于在线回声状态小脑网络设计的冗余机械臂运动学控制方案设计如下：
5.根据权利要求1所述的一个基于类小脑计算的冗余机械臂运动学控制方案，其特征在于步骤s4)中，在基于类小脑计算的冗余机械臂运动学控制方案指导下生成的关节速度将转化为冗余机械臂各个关节电机所需要的控制信号，从而驱动各个关节电机使机械臂完成轨迹跟踪任务。
