技术特征：
1.一种基于图神经网络的机器人线缆形状控制方法，用于有外部物体接触条件下的线缆形状控制，其特征在于，包括以下步骤：s1、采集数据，所述数据包括：当前时刻的线缆状态信息和机器人动作信息、预测的下一时刻的线缆状态信息；s2、采用所述数据训练基于图神经网络的全局动力学模型；s3、测量线缆的当前形状以及设定的目标形状，按照统一的特征提取方式得到线缆的初始状态和目标状态表征；s4、基于训练得到的全局动力学模型，使用模型预测控制方法在设定动作空间中随机选取动作序列，根据预测结果和目标状态的差距确定最优动作序列。2.如权利要求1所述的基于图神经网络的机器人线缆形状控制方法，其特征在于，步骤s1中，以机器人的机械臂末端执行器在当前时刻的位置、角度以及各自的速度、角速度表征机器人动作；步骤s3中，使用关键点提取的方法对所述线缆的初始状态和目标状态进行离散化表征，以关键点坐标的集合表征线缆状态；使用关键点提取的方法对所述外部物体进行表征，以关键点坐标的集合表征外部物体的位置。3.如权利要求2所述的基于图神经网络的机器人线缆形状控制方法，其特征在于，步骤s2中，所述训练基于图神经网络的全局动力学模型的具体步骤如下：s2.1、构建图数据结构；所述图数据结构由若干顶点和连接顶点的边组成，所述顶点和边具有固定的指向结构和各自的特征数据；s2.2、所述图神经网络按照图的指向结构，将图中的数据进行传递和更新；s2.3、采用采集的数据训练基于图神经网络的全局动力学模型。4.如权利要求3所述的基于图神经网络的机器人线缆形状控制方法，其特征在于，步骤s2.1中，所述顶点包括自由点、固定点和受迫点，所述线缆上的关键点为自由点，所述外部物体上的关键点为固定点，距离各机械臂末端执行器最近的两个线缆上的关键点为受迫点；两自由点之间构建双向边，受迫点与自由点之间构建单向边，固定点与自由点之间构建单向边，单向边均指向自由点。5.如权利要求3所述的基于图神经网络的机器人线缆形状控制方法，其特征在于，步骤s2.2中，所述更新的具体步骤如下：s2.2.1、首先运行更新边特征的图网络消息函数f
e
，根据待更新边自身的特征数据和其两端顶点的特征数据，计算更新后的边特征，计算公式为：式中，表示t时刻的边特征，表示顶点i在t时刻的顶点特征，表示顶点,j在t时刻的顶点特征；s2.2.2、之后运行更新顶点特征的图网络聚合函数f
v
，根据待更新顶点自身的特征数据和所有指向该顶点的边特征数据，计算更新后的顶点特征，此时边特征数据已经完成更新了，计算公式为为：式中，表示顶点k到顶点i在t时刻的边特征，表示能够通过一条边指向顶点i的所
有其他顶点序号的集合。6.如权利要求3所述的基于图神经网络的机器人线缆形状控制方法，其特征在于，步骤s2.3具体包括：s2.3.1、将采集的数据输入顶点特征编码器和边特征编码器，所述顶点特征编码器和边特征编码器分别给输入图神经网络计算的图数据结构提供初始的顶点特征数据和边特征数据；s2.3.2、对图数据结构进行图网络数据迭代；s2.3.3、采用顶点特征解码器将经过图网络迭代后的图数据结构中的顶点特征数据解码为对应线缆关键点的位移，最终得到线缆上各关键点在下一时刻的位置，实现全局动力学模型的预测作用；s2.3.4、使用l2损失函数计算全局动力学模型预测值与真实值的损失，联合训练全局动力学模型中的所有神经网络，损失计算公式如下：式中，表示线缆上所有关键点在下一时刻t+1的位置的预测值的集合，表示线缆上所有关键点在下一时刻t+1的位置的真实值的集合，表示线缆上的关键点i在下一时刻t+1的位置的预测值，表示线缆上的关键点i在下一时刻t+1的位置的真实值，n表示顶点i的所有可取值的个数，即图神经网络中顶点的个数。7.如权利要求6所述的基于图神经网络的机器人线缆形状控制方法，其特征在于，步骤s2.3.1中，输入顶点特征编码器中的数据包括顶点在当前时刻的位置坐标、顶点的类别和质量属性，输入边特征编码器的数据包括边的类别和弹性模量属性。8.如权利要求1所述的基于图神经网络的机器人线缆形状控制方法，其特征在于，步骤s4中，使用模型预测控制方法确定最优动作序列的具体步骤包括：s4.1、根据由关键点位置表征的线缆初始状态和目标状态，通过插值的方式得到中间状态，使用所述模型预测控制方法找到机器人动作序列，使得其中的每一个动作都能实现线缆当前时刻状态到下一时刻状态的转移。s4.2、随机初始化动作序列，根据训练得到的全局动力学模型进行预测，得到预测结果；s4.3、计算预测结果与目标中间状态的损失，根据损失函数关于动作序列的梯度，采用随机梯度下降方法对动作序列进行更新，多次迭代收敛至最优动作序列，预测结果与目标中间状态的损失计算公式如下：式中，表示线缆上的关键点i在执行k次动作后位置的前向动力学模型预测值，表示线缆上的关键点i在执行k次动作后位置的实测值。9.一种基于图神经网络的机器人线缆形状控制设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述
计算机程序时实现如权利要求1-8任一项所述方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8任一项所述方法的步骤。
技术总结
本发明公开了一种基于图神经网络的机器人线缆形状控制方法及设备，用于有外部物体接触条件下的线缆形状控制，所述方法包括以下步骤：S1、采集数据，所述数据包括：当前时刻的线缆状态信息和机器人动作信息、预测的下一时刻的线缆状态信息；S2、采用所述数据训练基于图神经网络的全局动力学模型；S3、测量线缆的当前形状以及设定的目标形状，按照统一的特征提取方式得到线缆的初始状态和目标状态表征；S4、基于训练得到的全局动力学模型，使用模型预测控制方法在设定动作空间中随机选取动作序列，根据预测结果和目标状态的差距确定最优动作序列。本发明基于图神经网络构建线缆类物体对于机器人操作的全局动力学模型，增强了模型的可解释性。型的可解释性。型的可解释性。
技术研发人员：梁斌 王学谦 黄祎晨 夏崇坤
受保护的技术使用者：清华大学深圳国际研究生院
技术研发日：2022.06.07
技术公布日：2022/8/26