技术特征：
1.一种基于跳增益积分神经网络的冗余机械臂运动规划方法，其特征在于，包括如下步骤：s1、根据冗余机械臂末端轨迹，通过上位机在速度层上建立机械臂逆运动学方程；s2、将步骤s1中的机械臂逆运动学方程设计为带有边界约束条件的时变线性方程组；s3、将步骤s2中的带有边界约束条件的时变线性方程组转化为时变的等式与不等式系统求解问题；s4、将步骤s3中的时变等式与不等式系统转化为一个误差函数；s5、将步骤s4中的误差函数关于时间的导数代入基于跳增益的积分神经网络进行求解，得到冗余机械臂在速度层上的最优解；s6、将步骤s5中求得的冗余机械臂在速度层上的最优解进行积分，得到关节角度的最优解；s7、将步骤s6中求得的关节角度的最优解传递给下位机控制器驱动机械臂运动。2.根据权利要求1所述的一种基于跳增益积分神经网络的冗余机械臂运动规划方法，其特征在于，步骤s1中，冗余机械臂逆运动学方程表示为：f(θ(t))＝r
e
(t)；其中，t为时间参数，θ(t)为随时间t变化的机械臂关节角度，r
e
(t)为机械臂随为随时间t变化的期望末端轨迹，f(θ(t))为关于机械臂关节角度θ(t)的非线性方程；对关于机械臂关节角度θ(t)的非线性方程两边关于时间参数t求导得到速度层上的逆运动学方程：其中，j(θ(t))为机械臂的雅克比矩阵,和分别为机械臂关节角度和末端轨迹关于时间t的导数，即机械臂关节角速度和末端移动速度。3.根据权利要求2所述的一种基于跳增益积分神经网络的冗余机械臂运动规划方法，其特征在于，步骤s2中，将步骤s1中获取的逆运动学方程设计为带有边界约束条件的时变线性方程组，具体如下：边界约束条件为：θ-≤θ(t)≤θ
+
；其中，θ
+
和θ-分别代表关节角度θ(t)的上限和下限，和分别代表关节角速度的上限和下限。4.根据权利要求3所述的一种基于跳增益积分神经网络的冗余机械臂运动规划方法，其特征在于，步骤s3中，令步骤s2中获取的带有边界约束条件的时变线性方程组转化为一个时变的等式与不等式系统，具体如下：a(t)x(t)＝b(t)；c(t)x(t)≤d(t)；
其中，系数a(t)为机械臂的雅克比矩阵j(θ(t))，b(t)为机械臂末端轨迹关于时间t的导数c(t)＝[-i；i]，符号i为单位矩阵，k＞0为任意常数。5.根据权利要求4所述的一种基于跳增益积分神经网络的冗余机械臂运动规划方法，其特征在于，步骤s4中，为了更好地控制时变的等式与不等式系统的求解过程，定义一个误差函数e(t)，具体如下：e(t)＝[a(t)x(t)-b(t)；c(t)x(t)-d(t)]＝m(t)x(t)-q(t)，其中m(t)＝[a(t)；c(t)]，q(t)＝[b(t)；d(t)]。6.根据权利要求5所述的一种基于跳增益积分神经网络的冗余机械臂运动规划方法，其特征在于，步骤s5中，将误差函数e(t)关于时间t的导数代入跳增益积分神经网络模型，即在积分递归神经网络基础上的一种变形得到如下跳增益积分神经网络求解器：其中，分别为m(t)、x(t)、q(t)关于时间t的导数，λ＝[i；n(0)]，e(0)和n(0)分别为e(t)和n(t)的初始值，ρ、σ和γ为表示跳增益积分神经网络收敛速率的常数，第一激活函数和第二激活函数g(
·
)均为跳增益积分神经网络的激活函数，且均为单调递增的奇函数，表示阶跃函数矩阵，操作表示hadamard积，是的伪逆；通过基于跳增益的积分神经网络进行求解最终得到等式与不等式系统的最优解x
*
(t)。7.根据权利要求6所述的一种基于跳增益积分神经网络的冗余机械臂运动规划方法，其特征在于，第一激活函数为有界激活函数，包括线性激活函数。8.根据权利要求6所述的一种基于跳增益积分神经网络的冗余机械臂运动规划方法，其特征在于，第二激活函数g(
·
)包括线性激活函数或bipolar-sigmoid激活函数。9.根据权利要求6所述的一种基于跳增益积分神经网络的冗余机械臂运动规划方法，其特征在于，步骤s6中，通过对跳增益积分神经网络求解器解得的最优解x
*
(t)进行积分，得到冗余机械臂的关节角度最优解θ
*
。10.根据权利要求1～9任一项所述的一种基于跳增益积分神经网络的冗余机械臂运动规划方法，其特征在于，步骤s7中，将求得关节角度的最优解θ
*
传递给下位机控制器驱动机械臂运动。
技术总结
本发明公开了一种基于跳增益积分神经网络的冗余机械臂运动规划方法。所述方法包括如下步骤：建立机械臂逆运动学方程；设计带有边界约束条件的时变线性方程组；将时变线性方程组转化为时变的等式与不等式系统求解问题；将时变等式与不等式系统转化为一个误差函数；将步误差函数关于时间的导数求解，得到冗余机械臂在速度层上的最优解；将冗余机械臂在速度层上的最优解进行积分，得到关节角度的最优解；将关节角度的最优解传递给下位机控制器驱动机械臂运动。本发明采用基于跳增益积分神经网络对带约束的冗余度机械运动进行求解，具有计算效率高、实时性强，鲁棒性好的优点。鲁棒性好的优点。鲁棒性好的优点。
技术研发人员：张智军 宋雅婷
受保护的技术使用者：华南理工大学
技术研发日：2022.03.04
技术公布日：2022/7/5