基于深度学习的串联机械臂的轨迹速度优化方法与流程

1.本发明涉及机械运动控制技术，尤其涉及一种基于深度学习的串联机械臂的轨迹速度优化方法。


背景技术：

2.机械运动控制是工业自动化领域的重要技术之一，可用于控制机械系统的运动轨迹、速度和力度，实现高精度、高速度、高可靠的自动化生成过程，同时控制算法是在机械运动控制中的重要组成部分，可以帮助机械系统实现准确的位置、速度控制，确保机械系统的稳定性和精度。
3.现如今人工智能技术在机械运动控制领域的应用非常广泛，且发挥出了巨大的作用，人工智能是研究、开发用于模拟、延伸和扩展人智能的理论、方法、技术及应用系统的一门新的技术科学，其中深度学习和机器视觉是人工智能重要的两个分支，可以实现对物体。场景等视觉信息的自动感知、分析、处理，同时能够利用人工神经网络进行多层次的特征提取和学习，从而实现对数据的分类、识别和预测等任务，将人工智能技术与机械运动控制相结合，可以实现更准确、更高效的运动控制，实现更加智能化的机械运动控制，大大提高了机械控制系统的智能化水平和运动控制的精度和效率，现有的控制算法无法解决直线轨迹在非灵巧空间规划后造成的关节超速问题。


技术实现要素：

4.本发明提供一种基于深度学习的串联机械臂的轨迹速度优化方法，解决直线轨迹、圆弧轨迹、样条轨迹在非灵巧空间规划后造成的关节超速问题。
5.为实现上述目的，一种基于深度学习的串联机械臂的轨迹速度优化方法，包括以下步骤：
6.步骤s1：对机械手臂运动轨迹进行直线插值处理，生成空间速度数据，对空间速度数据进行伪逆数据转换，生成关节空间速度数据；
7.步骤s2：对关节空间速度数据进行数据预处理，生成关节时间戳速度数据，利用关节时间戳速度数据与预设的额定关节速度数据进行数值比对，若关节时间戳速度数据大于预设的额定关节速度数据，则进行性能速度优化并标记关节时间戳速度数据为超速空间速度数据，否则输出关节时间戳速度数据；
8.步骤s3：对超速空间速度数据进行逆解规划推算优化处理，生成关节线性数据集；
9.步骤s4：对关节线性数据集对机械手臂进行轨迹预测处理，生成继发关节位置数据。
10.本实例对机械手臂进行直线就行插值处理，设定起始点和目标位，确定插值点，实现直线插值，生成了关节空间速度数据，使机械手臂运动更加平滑，提高机械手臂精度和运动速度，帮助提高获取数值的精度，对空间速度数据进行数值转换，生成关节空间速度数据，提高数据的贴合度，更利于后续的步骤实现，对关节空间速度进行描述性统计分析处
理，从而更好的识别和排除数据中的异常和错误，将关节空间速度进行了数据预处理，生成关节时间戳速度数据，保证了数据的实时性，对数据进行压缩，方便数据的存储和传输，提高了数据的平滑性，将关节时间戳数据与额定的关节速度进行数值对比，将超过额定值数据标记为超速空间速度数据，使数据更具有准确性，可以对异常的数据进行后续的优化处理，利用逆运动学方法和深度学习方法对异常的超速空间速度数据进行优化处理，生成了关节线性数据集，使得生成后的数据更加精密，系统性能提升，数据处理过程智能化，在通过对机械手臂进行轨迹预测处理，生成其余关节位置数据，从而完成了速度优化。
11.在本说明书中的一个实施例中，步骤s1包括以下步骤：
12.步骤s11：对机械手臂进行惯性测量单元提取，生成关节角数据；
13.步骤s12：对关节角数据利用运动学模型进行转动矩阵处理，获取关节位雅可比矩阵数据；
14.步骤s13：对关节位雅可比矩阵数据利用伪逆处理方法，生成关节雅可比逆矩阵数据；
15.步骤s14：对关节雅可比逆矩阵数据进行逆运动学求解处理，生成关节空间速度数据。
16.本实例中利用正运动学技术将机械臂每个关节长度、曲度等信息组合重构，提取机械臂惯性测量单元，生成关节角数据，帮助机械臂完成精确的目标点位运动，提高数据的精准度，基于关节角数据，记录机械臂末端执行器位置和姿态，小幅度调整各个关节角度，重新计算机械臂末端执行器位置和姿态，利用线性回归法计算两次末端执行器位置和姿态，生成关节雅可比矩阵数据，提高机械臂的控制精度和效率，解决机器手臂的避障问题，计算雅可比矩阵的行列式，得到雅可比矩阵的伪逆矩阵并利用广义逆算法求解伪逆矩阵，生成雅可比逆矩阵，再利用逆运动学控制进行求解处理，生成关节空间速度，将末端执行器的期望速度转换为关节空间的期望速度，使机器手臂理解关节数大于自由度的情况，避免机器手臂出现奇异点和关节运动范围限制问题。
17.在本说明书中的一个实施例中，步骤s2包括以下步骤：
18.步骤s21：对关节空间速度数据进行时间序列切割存储处理，生成关节时间序列数据；
19.步骤s22：对关节时间序列数据利用窗口滑动算法进行移动窗口数据处理，生成帧关节空间速度数据；
20.步骤s23：利用长短时记忆网络对帧关节空间速度数据进行模型训练处理，生成模型训练集数据；
21.步骤s24：基于模型训练集数据，对机械臂关节空间速度进行数据审计，进行模型预测处理，对误差情况进行反馈控制，生成关节时间戳速度数据；
22.步骤s25：对关节时间戳速度数据利用超速异常检测处理，生成超速空间速度数据。
23.本实例中将关节空间速度数据存储为时间序列，然后将时间序列数据切割为连续的多个小片段，生成关节时间序列数据，更有效的理解和分析数据的趋势和模式，为决策提供支持，同时能清晰的监控关节时间序列数据的异常情况，利用滑动窗口算法进行移动窗口数据处理，生成帧关节空间速度数据，时间复杂度显著降低，避免重复计算，算法效率显
著提高，同时通过调整窗口大小和移动步长以适应不同需求，确定长短时记忆网络的层数及隐藏状态大小等超参数，选择线性整流函数和交叉熵损失函数构建基于帧关节空间速度数据的模型数据，使用随机梯度下降进行调参，生成模型训练集数据，解决梯度消失和梯度爆炸问题，使得长序列数据的处理更加稳定高效，可以自适应学习输入序列的特征，使得模型训练集数据有更强的泛化能力，更加灵活，使用模型训练集数据对机械手臂的关节空间速度进行检测，使用模型来预测未来的关节空间速度数据，并根据误差情况进行反馈和控制，从而生成关节时间戳速度数据，显著降低数据的误差性，数据更加精确，解决数据偏差、过拟合和欠拟合的问题，助于提高数据的精准性。
24.在本说明书中的一个实施例中，步骤s3包括以下步骤：
25.步骤s31：基于超速空间速度数据利用逆解运动模型控制方法，生成起始关节位置数据；
26.步骤s32：基于关节位置数据，对关节轴进行比例调和控制处理，生成关节轴超调数据；
27.步骤s33：基于关节轴超调数据利用数据对齐分析处理对数据进行比对，生成关节速度极值数据；
28.步骤s34：基于关节速度极值数据利用机械手臂关节位置预测方法，获取关节阈值位数据；
29.步骤s35：基于关节阈值位数据利用线性动力学方程计算公式获取关节线性数据集；
30.本实例中基于超速空间速度数据，计算末端姿态矩阵以描述机械臂末端在三维空间中的姿态的矩阵，利用逆解运动学中的解析法生成起始关节位置数据，提高数据精度，机器臂的结构参数更加灵活以适应不同的工作场景，基于关节位置数据，计算目标位置和误差情况，根据误差值，对关节进行比例调和控制处理，生成控制信号，对控制信号进行超调处理，生成关节轴超调数据，提高机械臂的控制精度和稳定性，利用超调技术有效避免位置误差和惯性阻力导致的失控情况，缩短控制信号的响应时间，实现更快的运动响应速度。
31.优选地，步骤s35中的线性动力学方程计算公式如下所示：
[0032][0033][0034]
其中，xi(t)是指关节位移段数据，t是指关节运动时间，ti是值第i个关节运动时间，i是指关节下标数值，vi(t)是指第i个关节速度函数值，t是指关节运动周期常数，ai是指第i个关节加速度，δ机械臂末端位置向量，vi是指第i个关节运动速度值，ai(t)是指关节运动加速度函数值，d是指关节线性数据集，n是指分段数量值，x0是指机械臂原始位值。
[0035]
本发明提供一种线性运动位移方程计算公式，该公式充分考虑了关节线性数据集d，关节位移段数据xi(t)，关节运动时间t，第i个关节运动时间ti，关节下标数值i，第i个关节速度函数值vi(t)，关节运动周期常数t，第i个关节加速度ai，机械臂末端位置向量δ，第i个关节运动速度值vi，关节运动加速度函数值ai(t)，分段数量值n，机械臂原始位值x0，根据
关节运动位移段数据、关节运动速度、关节运动加速度和机械臂末端位置向量δ之间的函数间相互作用，以形成函数关系根据关节位移段数据和关节原始位数据间相互作用，保证记录到机械臂每一时刻位置变化情况，节省了算力，使计算达到快速收敛，并且由于关节运动时会在某些角度范围内无法正常运动，导致机械臂不能到达特定位置。产生死区问题，综合考虑利用动态正区矫正，引入机械臂末端位置向量δ进行正区校准处理，增强机械臂精度和控制度，规避死区问题，更精确的控制机械臂可以在非灵活空间进行作业，通过该函数对关节下一帧位置进行预测处理生成关节线性数据集，避免了机械臂关节在运动过程会出现的碰撞问题，实现机械臂的直线运动控制，预测机械臂未来位置，实现精确定位和控制，利用拉普拉斯逆变换实时对异常参数值进行调整，实现机械臂在不同速度下的直线运动控制，通过对机械臂加速度进行控制，从而使得机械臂位置变化更加精确和稳定，提高了算法的灵活性和适用性。
[0036]
在本说明书中的一个实施例中，步骤s31包括以下步骤：
[0037]
步骤s311：基于超速空间速度数据利用自适应控制算法构建机械臂运动学模型；
[0038]
步骤s312：根据机械臂运动学模型进行坐标系数据采集处理，生成基坐标系；
[0039]
步骤s313：根据基坐标系利用传感器进行实施基于传感器测量坐标和欧拉角的机械臂末端定位操作，生成姿态矩阵数据；
[0040]
步骤s314：对姿态矩阵数据实施姿态矩阵正交化处理，生成旋转矩阵；
[0041]
步骤s315：基于旋转矩阵进行关节数据转换映射，生成关节位置数据。
[0042]
本实例中基于超速空间速度数据利用自适应控制算法构建机械臂运动学模型，采用自适应控制算法，实时监测超速空间速度数据，动态调整运行学模型参数，提高机械臂运动学精度和控制稳定性，通过不断优化运动学模型描述，更符合实际运动规律，准备把机械臂运动状态，避免机械臂运动过程中出现漂移和误差问题，根据机械臂运动学模型进行坐标系数据采集处理，提高采集数据的准确性和稳定性，适应不同机械臂采集需求，满足不同数据分析和处理需求，基于机械臂运动学模型采集坐标系数据可以获得高精度数据，避免人为误差和偏差，为后续数据分析处理提供更可靠的基础，根据基坐标系利用传感器进行实施基于传感器测量坐标和欧拉角的机械臂末端定位操作，实现机械臂末端高精度定位，提高机械臂的运动控制能力和应用范围。增强机械臂在复杂环境下自适应能力，有效处理姿态矩阵数据中的正交性问题，保证姿态矩阵每个向量都是彼此正交且单位长度，保证姿态矩阵的稳定性和确定性，基于旋转矩阵进行关节数据转换映射，消除机械臂运动中的误差，从而提高机械臂的运动精度。
[0043]
在本说明书中的一个实施例中，步骤s34包括以下步骤：
[0044]
步骤s341：利用传感器对机械手臂进行运动轨迹数据拟合，生成模型原始数据；
[0045]
步骤s342：对模型原始数据进行特征提取，生成模型特征向量；
[0046]
步骤s343：基于模型特征向量利用轨迹预测训练模型进行关节阈值预测处理，生成关节阈值位数据。
[0047]
本实例中利用传感器对机械手臂进行运动轨迹数据拟合，通过校准程序进行校准，确保传感器测量数据准确性，增强拟合数据的准确性，提高模型精度，提高运动轨迹的精确性，降低运动轨迹误差并及时进行调整，对模型原始数据进行特征提取，数据处理自动
化，提高数据处理效率，通过特征提取，减小数据体积，降低存储和传输成本，数据处理精度提升，增强模型泛化能力和性能，通过特征提取将数据分类，将具有相似特征数据归为一类，提升数据分类准确性，同时为后续决策提供数据支持，基于模型特征向量利用轨迹预测训练模型进行关节阈值预测处理，提高机械手臂安全性和可靠性，能够适应不同机械臂类型和任务需求，具有一定的通用性同时具有较强的可扩展性。
[0048]
在本说明书中的一个实施例中，步骤s4包括以下步骤：
[0049]
步骤s401：利用深度相机对机械手臂进行点云数据采集处理，生成点云数据集；
[0050]
步骤s402：对点云数据集进行拟合残差平方和处理，生成点云线性数据表集；
[0051]
步骤s403：基于点云线性数据表集对机械手臂进行几何特征提取，生成训练数据集；
[0052]
步骤s404：基于训练数据集利用神经网络算法构建数据训练模型，根据数据训练模型进行姿态预测处理，生成继发关节位置数据。
[0053]
本实例对利用深度相机对机械手臂进行点云数据采集处理，生成点云数据集，精确采集物体表面三维点云数据，提升数据采集准确性，避免传统方法中由于测量误差获光照变化等因素导致数据偏差问题，提高数据采集效率，采集的点云数据具有高精度空间信息，从而提高机器学习算法的精度和鲁棒性，提高应用灵活性，对点云数据集进行拟合残差平方和处理，生成点云线性数据表集，有效提高点云数据表集精确性，降低拟合误差，降低数据复杂度和计算量，点云数据提供准确的运动路径，提高机械臂定位精度，降低人工编程量，基于训练数据集利用神经网络算法构建数据训练模型，根据数据训练模型进行姿态预测处理，神经网络算法能够自动适应各种姿态情况，无需手动编程针对不同姿态情况进行适应性调整，提高机械臂适应性，基于训练数据集构建的神经网络算法根据实际情况不断进行优化，具有高扩展性，可以在短时间内对姿态进行预测处理，具有高实时性。
[0054]
在本说明书中的一个实施例中，步骤s402包括以下步骤：
[0055]
步骤s411：基于点云线性数据表集进行数据去噪滤波处理，生成预处理数据；
[0056]
步骤s412：基于预处理数据进行形状分析特征提取操作，生成特征点数据；
[0057]
步骤s413：对特征点数据进行特征对应点检测处理，生成特征配准点数据；
[0058]
步骤s414：基于特征配准点数据进行集成训练操作，生成训练数据集。
[0059]
本实例基于点云线性数据表集进行数据去噪滤波处理，生成预处理数据，通过去噪滤波处理，减少点云数据噪声干扰，利用线性数据表集，具有高处理性能，适用于大规模点云数据处理，使用阈值滤波和高斯滤波，提高数据滤波效能，避免传统方法中存在的数据重采样和网格化问题，提高数据稳定性和可靠性，基于预处理数据进行形状分析特征提取操作，生成特征点数据，提高形状分析准确性，通过对预处理数据进行形状分析处理，提高数据信息密度，采用聚类分析方法，提升特征点区分度，减少数据量，提高计算效率，对特征点数据进行特征对应点检测处理，提高特征对应点检测的准确性和稳定性，避免特征点漂移和匹配错误问题，改善三维点云数据的配准精度和重建质量，具有广泛适用性和灵活性，基于特征配准点数据进行集成训练操作，通过配准和整合特征点数据，提高对象识别和定位的鲁棒性，利用特征点子集进行机器学习训练，减小训练数据集规模，提高训练效率，特征点分类器能够根据新的特征点数据进行分类，实现实时识别和定位
[0060]
在本说明书中的一个实施例中，步骤s412包括以下步骤：
[0061]
步骤s421：基于预处理数据利用图像尺度归一化处理方法，生成图像缩放数据；
[0062]
步骤s422：基于图像缩放数据，对图像对比度进行增强，生成均衡直方图；
[0063]
步骤s423：基于均衡直方图利用高斯滤波进行图像去噪操作，生成去噪图像数据；
[0064]
步骤s424：基于去噪图像数据利用线性反投影算法进行局部特征提取操作，生成局部特征向量；
[0065]
步骤s425：基于局部特征向量利用视觉词袋模型进行特征编码操作，生成特征编码数据；
[0066]
步骤s426：基于特征编码数据利用主成分分析法进行降维处理，生成特征点数据。
[0067]
本实例基于预处理数据利用图像尺度归一化处理方法，生成图像缩放数据，消除图像在不同尺度下的差异性，提高图像处理的准确性和鲁棒性，通过预处理和归一化处理，大幅减少后续计算机视觉任务计算量和时间复杂度，提高计算效率，对缩放数据进行对比度增强处理，提高图像清晰度和可视性，降低图像中噪声和干扰，提高图像信噪比，改善图像灰度分布，增强图像视觉冲击力，优化图像数据表示，提高图像在算法处理中的准确性和可靠性，基于均衡直方图利用高斯滤波进行图像去噪操作，有效消除图像中的高斯噪声，提高图像质量，便于后续图像处理和分析操作，采用高斯滤波算法进行图像去噪，能保留图像边缘信息，避免模糊和失真现象，提高图像清晰度和保真度，本发明提供的系统能自动化进行图像处理操作。提高处理效率，利于高质量的图像处理和分析，基于去噪图像数据利用线性反投影算法进行局部特征提取操作，有效提取图像中关键信息，使后续操作更准确及可靠，局部特征向量利用视觉词袋模型进行特征编码操作，将高维的局部特征向量转换为低纬的视觉词汇表示，降低特征向量位数，减少计算量，通过聚类算法对局部特征进行聚类，更好反映图像重要特征，消除图像间尺度差异，提高特征向量可比性，基于特征编码数据利用主成分分析法进行降维处理，减少数据冗余信息，提高计算效率，对特征编码数据进行降维处理，将数据映射至低维空间，数据可视化，降低数据复杂性，减轻存储和传输的负担，提高算法准确性和鲁棒性，提高算法表现。
附图说明
[0068]
图1为本发明一实施例提供的基于深度学习的轨迹关节速度优化的流程示意图；
[0069]
图2为本发明一实施例提供的计算关节空间速度数据的流程示意图；
[0070]
图3为本发明一实施例提供的基于深度学习的进行模型生成关节时间戳速度数据的流程示意图；
[0071]
图4为本发明一实施例提供的基于机器视觉的计算关节线性数据集的流程示意图图；
[0072]
图5为本发明一实施例提供的实现所述基于机器视觉的预测继发关节位置数据的流程示意图。
[0073]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0074]
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属
的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0075]
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
[0076]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0077]
本技术实施例提供一种基于深度学习的串联机械臂的轨迹速度优化方法。
[0078]
为实现上述目的，请参阅图1到图5，一种基于深度学习的串联机械臂的轨迹速度优化方法，所述方法包括以下步骤：
[0079]
步骤s1：对机械手臂进行直线插值处理，生成空间速度数据，对空间速度数据进行伪逆数据转换，生成关节空间速度数据；
[0080]
步骤s2：对关节空间速度数据进行数据预处理，生成关节时间戳速度数据，利用关节时间戳速度数据与预设的额定关节速度数据进行数值比对，若关节时间戳速度数据大于预设的额定关节速度数据，则进行性能速度优化并标记关节时间戳速度数据为超速空间速度数据，否则输出关节时间戳速度数据；
[0081]
步骤s3：对超速空间速度数据进行逆解规划推算优化处理，生成关节线性数据集；
[0082]
步骤s4：对关节线性数据集对机械手臂进行轨迹预测处理，生成继发关节位置数据。
[0083]
本实例对机械手臂进行直线就行插值处理，设定起始点和目标位，确定插值点，实现直线插值，生成了关节空间速度数据，使机械手臂运动更加平滑，提高机械手臂精度和运动速度，帮助提高获取数值的精度，对空间速度数据进行数值转换，生成关节空间速度数据，提高数据的贴合度，更利于后续的步骤实现，对关节空间速度进行描述性统计分析处理，从而更好的识别和排除数据中的异常和错误，将关节空间速度进行了数据预处理，生成关节时间戳速度数据，保证了数据的实时性，对数据进行压缩，方便数据的存储和传输，提高了数据的平滑性，将关节时间戳数据与额定的关节速度进行数值对比，将超过额定值数据标记为超速空间速度数据，使数据更具有准确性，可以对异常的数据进行后续的优化处理，利用逆运动学方法和深度学习方法对异常的超速空间速度数据进行优化处理，生成了关节线性数据集，使得生成后的数据更加精密，系统性能提升，数据处理过程智能化，在通过对机械手臂进行轨迹预测处理，生成其余关节位置数据，从而完成了速度优化。
[0084]
本发明实施例中，参考图1所述，为本发明一种基于深度学习的串联机械臂的轨迹速度优化方法的步骤流程示意图，在本实例中，所述基于深度学习的串联机械臂的轨迹速度优化方法的步骤包括；
[0085]
步骤s1：对机械手臂运动轨迹进行直线插值处理，生成空间速度数据，对空间速度数据进行伪逆数据转换，生成关节空间速度数据；
[0086]
本发明实施例中，通过惯性测量单元获取机械手臂关节角数据，基于目标末端点位置和机械手臂当前末端点位置，计算机械臂需要移动的距离和时间，对关节角数据进行直线插值处理并结合运动学模型进行转动矩阵处理，生成关节雅可比矩阵数据，对关节雅
可比矩阵数据进行基于逆运动学的处理操作，包括伪逆处理方法、逆运动学求解处理，生成关节空间速度数据。
[0087]
步骤s2：对关节空间速度数据进行数据预处理，生成关节时间戳速度数据，利用关节时间戳速度数据与预设的额定关节速度数据进行数值比对，若关节时间戳速度数据大于预设的额定关节速度数据，则进行性能速度优化并标记关节时间戳速度数据为超速空间速度数据，否则输出关节时间戳速度数据；
[0088]
本发明实施例中，对关节空间速度数据进行预处理，包括时间序列切割存储处理、滑动窗口算法、基于长短时记忆网络的模型训练处理、模型预测处理，从而生成关节时间戳速度数据。
[0089]
步骤s3：对超速空间速度数据进行逆解规划推算优化处理，生成关节线性数据集；
[0090]
本发明实施例中，对超速空间速度数据进行逆解规划推算优化处理，包括逆解运动模型控制方法，比例调和控制处理，数据对齐分析处理、基于深度学习的机械手臂关节位预测方法和线性运动学方程，从而生成关节线性数据集。
[0091]
步骤s4：对关节线性数据集对机械手臂进行轨迹预测处理，生成继发关节位置数据。
[0092]
本发明实施例中，对关节线性数据集利用基于图像识别和深度学习的轨迹预测处理，对通过深度相机获取到点云数据集进行几个特征提取，生成训练数据集，利用神经网络算法对训练数据集进行模型训练，进行姿态预测处理，从而生成继发关节位置数据。
[0093]
优选地，步骤s1包括以下步骤：
[0094]
步骤s11：对机械手臂进行惯性测量单元提取，生成关节角数据；
[0095]
步骤s12：对关节角数据利用运动学模型进行转动矩阵处理，获取关节位雅可比矩阵数据；
[0096]
步骤s13：对关节位雅可比矩阵数据利用伪逆处理方法，生成关节雅可比逆矩阵数据；
[0097]
步骤s14：对关节雅可比逆矩阵数据进行逆运动学求解处理，生成关节空间速度数据。
[0098]
本发明中利用正运动学技术将机械臂每个关节长度、曲度等信息组合重构，提取机械臂惯性测量单元，生成关节角数据，帮助机械臂完成精确的目标点位运动，提高数据的精准度，基于关节角数据，记录机械臂末端执行器位置和姿态，小幅度调整各个关节角度，重新计算机械臂末端执行器位置和姿态，利用线性回归法计算两次末端执行器位置和姿态，生成关节雅可比矩阵数据，提高机械臂的控制精度和效率，解决机器手臂的避障问题，计算雅可比矩阵的行列式，得到雅可比矩阵的伪逆矩阵并利用广义逆算法求解伪逆矩阵，生成雅可比逆矩阵，再利用逆运动学控制进行求解处理，生成关节空间速度，将末端执行器的期望速度转换为关节空间的期望速度，使机器手臂理解关节数大于自由度的情况，避免机器手臂出现奇异点和关节运动范围限制问题。
[0099]
作为本发明的一个实例，参考图2，为图1中步骤s1的详细实施步骤流程示意图，在本实例中所述步骤s1包括：
[0100]
步骤s11：对机械手臂进行惯性测量单元提取，生成关节角数据；
[0101]
本发明实施例中，配置机械臂惯性测量单元的采样频率，传感器灵敏度和校准参
数，利用惯性测量单元获取机械臂运动过程中的关节角数据。
[0102]
步骤s12：对关节角数据利用运动学模型进行转动矩阵处理，获取关节位雅可比矩阵数据；
[0103]
本发明实施例中，基于机械臂的denavit-hartenber参数，计算各个关节的转动矩阵，根据关节角数据和转动矩阵，计算机械臂末端执行器的位置和姿态，根据末端执行器位置和姿态，计算机械臂末端执行器的雅可比矩阵，即关节雅可比矩阵。
[0104]
步骤s13：对关节位雅可比矩阵数据利用伪逆处理方法，生成关节雅可比逆矩阵数据；
[0105]
本发明实施例中，根据关节雅可比矩阵，计算出其伪逆矩，利用最小二乘法计算伪逆矩阵，从而生成关节雅可比逆矩阵。
[0106]
步骤s14：对关节雅可比逆矩阵数据进行逆运动学求解处理，生成关节空间速度数据。
[0107]
本发明实施例中，根据目标末端执行器位置和姿态，使用逆运动学方法计算出目标关节角度，根据当前关节角数据，计算误差值，将差值与关节雅可比逆矩阵相乘，从而生成关节空间速度数据。
[0108]
优选地，步骤s2包括以下步骤：
[0109]
步骤s21：对关节空间速度数据进行时间序列切割存储处理，生成关节时间序列数据；
[0110]
步骤s22：对关节时间序列数据利用窗口滑动算法进行移动窗口数据处理，生成帧关节空间速度数据；
[0111]
步骤s23：利用长短时记忆网络对帧关节空间速度数据进行模型训练处理，生成模型训练集数据；
[0112]
步骤s24：基于模型训练集数据，对机械臂关节空间速度进行数据审计，进行模型预测处理，对误差情况进行反馈控制，生成关节时间戳速度数据；
[0113]
步骤s25：对关节时间戳速度数据利用超速异常检测处理，生成超速空间速度数据。
[0114]
本实例中将关节空间速度数据存储为时间序列，然后将时间序列数据切割为连续的多个小片段，生成关节时间序列数据，更有效的理解和分析数据的趋势和模式，为决策提供支持，同时能清晰的监控关节时间序列数据的异常情况，利用滑动窗口算法进行移动窗口数据处理，生成帧关节空间速度数据，时间复杂度显著降低，避免重复计算，算法效率显著提高，同时通过调整窗口大小和移动步长以适应不同需求，确定长短时记忆网络的层数及隐藏状态大小等超参数，选择线性整流函数和交叉熵损失函数构建基于帧关节空间速度数据的模型数据，使用随机梯度下降进行调参，生成模型训练集数据，解决梯度消失和梯度爆炸问题，使得长序列数据的处理更加稳定高效，可以自适应学习输入序列的特征，使得模型训练集数据有更强的泛化能力，更加灵活，使用模型训练集数据对机械手臂的关节空间速度进行检测，使用模型来预测未来的关节空间速度数据，并根据误差情况进行反馈和控制，从而生成关节时间戳速度数据，显著降低数据的误差性，数据更加精确，解决数据偏差、过拟合和欠拟合的问题，助于提高数据的精准性。
[0115]
作为本发明的一个实例，参考图3所示，为图1中的步骤s2的详细实施步骤流程示
意图，在本实例中所述步骤s2包括：
[0116]
步骤s21：对关节空间速度数据进行时间序列切割存储处理，生成关节时间序列数据；
[0117]
本发明实施例中，将机械臂关节空间速度数据按照时间切割为若干时间序列数据，每个时间序列数据包含一个时间戳和对应的关节空间速度数据，存储为关节时间序列数据。
[0118]
步骤s22：对关节时间序列数据利用窗口滑动算法进行移动窗口数据处理，生成帧关节空间速度数据；
[0119]
本实例中，定义窗口大小和步长参数，通过窗口滑动算法对关节时间序列数据进行移动窗口处理，对每个窗口内的数据进行特征提取，包括均值、方差等，将提取的特征数据存储至指定的数据结构中，从而生成帧关节空间速度数据。
[0120]
步骤s23：利用长短时记忆网络对帧关节空间速度数据进行模型训练处理，生成模型训练集数据；
[0121]
本实例中，构建长短时记忆网络模型，将帧关节空间速度数据作为模型输入，对模型进行训练，在训练过程中，采用交叉验证方法对模型进行优化，从而生成模型训练集数据。
[0122]
步骤s24：基于模型训练集数据，对机械臂关节空间速度进行数据审计，进行模型预测处理，对误差情况进行反馈控制，生成关节时间戳速度数据；
[0123]
本实例中，将机械臂关节空间速度数据作为模型输入，使用模型训练集数据进行预测处理，对预测结果进行误差分析，若预测结果与预设误差要求不符，进行反馈控制，通过调整模型参数进行模型优化，从而生成关节时间戳速度数据。
[0124]
步骤s25：对关节时间戳速度数据利用超速异常检测处理，生成超速空间速度数据。
[0125]
本实例中，将关节时间戳速度数据与预设的速度基准数据速度进行速度阈值比对，若关节速度大于速度基准数据，则标记为超速空间速度数据。
[0126]
优选地，步骤s3包括以下步骤：
[0127]
步骤s31：基于超速空间速度数据利用逆解运动模型控制方法，生成起始关节位置数据；
[0128]
步骤s32：基于关节位置数据，对关节轴进行比例调和控制处理，生成关节轴超调数据；
[0129]
步骤s33：基于关节轴超调数据利用数据对齐分析处理对数据进行比对，生成关节速度极值数据；
[0130]
步骤s34：基于关节速度极值数据利用机械手臂关节位置预测方法，获取关节阈值位数据；
[0131]
步骤s35：基于关节阈值位数据利用线性动力学方程计算公式获取关节线性数据集；
[0132]
本实例中基于超速空间速度数据，计算末端姿态矩阵以描述机械臂末端在三维空间中的姿态的矩阵，利用逆解运动学中的解析法生成起始关节位置数据，提高数据精度，机器臂的结构参数更加灵活以适应不同的工作场景，基于关节位置数据，计算目标位置和误
差情况，根据误差值，对关节进行比例调和控制处理，生成控制信号，对控制信号进行超调处理，生成关节轴超调数据，提高机械臂的控制精度和稳定性，利用超调技术有效避免位置误差和惯性阻力导致的失控情况，缩短控制信号的响应时间，实现更快的运动响应速度。
[0133]
作为本发明的一个实例，参考图4所示，为图1中的步骤s3的详细实施步骤流程示意图，在本实例中所述步骤s3包括：
[0134]
步骤s31：基于超速空间速度数据利用逆解运动模型控制方法，生成起始关节位置数据；
[0135]
本实例中，根据机械臂末端执行器的位置和姿态，利用正运动学方法求解机械臂末端执行器所在关节空间位置，根据目标位置和当前位置误差，利用逆解运动学方法求解机械臂关节空间位置，从而生成起始关节位置数据。
[0136]
步骤s32：基于关节位置数据，对关节轴进行比例调和控制处理，生成关节轴超调数据；
[0137]
本实例中，根据起始关节位置数据和目标关节位置数据，计算关节位置误差，利用比例积分控制器，计算关节位置误差的调节量，得到关节位置控制的输出，更具关节位置输出控制信号，对机械臂各个关节进行运动控制，从而生成关节轴超调数据。
[0138]
步骤s33：基于关节轴超调数据利用数据对齐分析处理对数据进行比对，生成关节速度极值数据；
[0139]
本实例中，将关节轴超调数据和超速空间速度数据进行时间对齐，得到对应时间戳，对时间戳进行切割，得到不同时间段内的关节轴超调数据和超速空间速度数据，对每个时间段内数据进行比对，生成关节速度极值数据。
[0140]
步骤s34：基于关节速度极值数据利用机械手臂关节位置预测方法，获取关节阈值位数据；
[0141]
本实例中，利用关节速度极值数据计算出机械臂在未来某一时刻的关节位置预测值，将预测值与目标关节位置进行比对，从而生成关节阈值位数据。
[0142]
步骤s35：基于关节阈值位数据利用线性动力学方程计算公式获取关节线性数据集；
[0143]
本实例中，根据机械臂动力学模型，将关节阈值位数据输入至模型中，使用线性动力学方程计算公式，生成关节线性数据集。
[0144]
优选地，步骤s35中的线性动力学方程计算公式如下所示：
[0145][0146][0147]
其中，xi(t)是指关节位移段数据，t是指关节运动时间，ti是值第i个关节运动时间，i是指关节下标数值，vi(t)是指第i个关节速度函数值，t是指关节运动周期常数，ai是指第i个关节加速度，δ机械臂末端位置向量，vi是指第i个关节运动速度值，ai(t)是指关节运动加速度函数值，d是指关节线性数据集，n是指分段数量值，x0是指机械臂原始位值。
[0148]
本发明提供一种线性动力学方程计算公式，该公式充分考虑了关节线性数据集d，
关节位移段数据xi(t)，关节运动时间t，第i个关节运动时间ti，关节下标数值i，第i个关节速度函数值vi(t)，关节运动周期常数t，第i个关节加速度ai，机械臂末端位置向量δ，第i个关节运动速度值vi，关节运动加速度函数值ai(t)，分段数量值n，机械臂原始位值x0，根据关节运动位移段数据、关节运动速度、关节运动加速度和机械臂末端位置向量δ之间的函数间相互作用，以形成函数关系根据关节位移段数据和关节原始位数据间相互作用，保证记录到机械臂每一时刻位置变化情况，节省了算力，使计算达到快速收敛，并且由于关节运动时会在某些角度范围内无法正常运动，导致机械臂不能到达特定位置。产生死区问题，综合考虑利用动态正区矫正，引入机械臂末端位置向量δ进行正区校准处理，增强机械臂精度和控制度，规避死区问题，更精确的控制机械臂可以在非灵活空间进行作业，通过该函数对关节下一帧位置进行预测处理生成关节线性数据集，避免了机械臂关节在运动过程会出现的碰撞问题，实现机械臂的直线运动控制，预测机械臂未来位置，实现精确定位和控制，利用拉普拉斯逆变换实时对异常参数值进行调整，实现机械臂在不同速度下的直线运动控制，通过对机械臂加速度进行控制，从而使得机械臂位置变化更加精确和稳定，提高了算法的灵活性和适用性。
[0149]
优选地，步骤s31包括以下步骤：
[0150]
步骤s311：基于超速空间速度数据利用自适应控制算法构建机械臂运动学模型；
[0151]
步骤s312：根据机械臂运动学模型进行坐标系数据采集处理，生成基坐标系；
[0152]
步骤s312：根据基坐标系利用传感器进行实施基于传感器测量坐标和欧拉角的机械臂末端定位操作，生成姿态矩阵数据；
[0153]
步骤s313：对姿态矩阵数据实施姿态矩阵正交化处理，生成旋转矩阵；
[0154]
步骤s314：基于旋转矩阵进行关节数据转换映射，生成关节位置数据。
[0155]
本实例中基于超速空间速度数据利用自适应控制算法构建机械臂运动学模型，采用自适应控制算法，实时监测超速空间速度数据，动态调整运行学模型参数，提高机械臂运动学精度和控制稳定性，通过不断优化运动学模型描述，更符合实际运动规律，准备把机械臂运动状态，避免机械臂运动过程中出现漂移和误差问题，根据机械臂运动学模型进行坐标系数据采集处理，提高采集数据的准确性和稳定性，适应不同机械臂采集需求，满足不同数据分析和处理需求，基于机械臂运动学模型采集坐标系数据可以获得高精度数据，避免人为误差和偏差，为后续数据分析处理提供更可靠的基础，根据基坐标系利用传感器进行实施基于传感器测量坐标和欧拉角的机械臂末端定位操作，实现机械臂末端高精度定位，提高机械臂的运动控制能力和应用范围。增强机械臂在复杂环境下自适应能力，有效处理姿态矩阵数据中的正交性问题，保证姿态矩阵每个向量都是彼此正交且单位长度，保证姿态矩阵的稳定性和确定性，基于旋转矩阵进行关节数据转换映射，消除机械臂运动中的误差，从而提高机械臂的运动精度。
[0156]
作为本发明的一个实例，参考图4所示，为图4中的步骤s31的详细实施步骤流程示意图，在本实例中所述步骤s31包括：
[0157]
步骤s311：基于超速空间速度数据利用自适应控制算法构建机械臂运动学模型；
[0158]
本实例中，根据机械臂的几何结构和自由度，建立运动学方程，将其转化为求解逆运动学问题的优化问题，利用参考模型自适应控制算法不断对逆运动学问题进行求解，从
而构建机械臂动力学运动模型。
[0159]
步骤s312：根据机械臂运动学模型进行坐标系数据采集处理，生成基坐标系；
[0160]
本实例中，根据机械臂运动学模型，建立坐标系的变换关系，以便能够准确描述机械臂在三维空间中的位置和姿态，利用传感器对机械臂的位置和姿态进行测量，获取机械臂末端位置和姿态数据，生成基坐标系。
[0161]
步骤s313：根据基坐标系利用传感器进行实施基于传感器测量坐标和欧拉角的机械臂末端定位操作，生成姿态矩阵数据；
[0162]
本实例中，根据传感器测量到的位置和姿态数据，计算机械臂末端相对于基坐标系的位姿矩阵，根据欧拉角定义，将位姿矩阵分解为旋转矩阵和平移向量，从而生成姿态矩阵数据。
[0163]
步骤s314：对姿态矩阵数据实施姿态矩阵正交化处理，生成旋转矩阵；
[0164]
本实例中，对姿态矩阵进行正交化处理，使其满足正交矩阵的性质，利用施密特正交算法将姿态矩阵三个列向量正交化，并归一化得到旋转矩阵。
[0165]
步骤s315：基于旋转矩阵进行关节数据转换映射，生成关节位置数据。
[0166]
本实例中，根据机械臂的运动学方程和坐标系变换关系，将机械臂末端的姿态矩阵转换为关节角度，计算出每个关节的位置，生成关节位置数据。
[0167]
优选地，步骤s34包括以下步骤：
[0168]
步骤s341：利用传感器对机械手臂进行运动轨迹数据拟合，生成模型原始数据；
[0169]
步骤s342：对模型原始数据进行特征提取，生成模型特征向量；
[0170]
步骤s343：基于模型特征向量利用轨迹预测训练模型进行关节阈值预测处理，生成关节阈值位数据。
[0171]
本实例中利用传感器对机械手臂进行运动轨迹数据拟合，通过校准程序进行校准，确保传感器测量数据准确性，增强拟合数据的准确性，提高模型精度，提高运动轨迹的精确性，降低运动轨迹误差并及时进行调整，对模型原始数据进行特征提取，数据处理自动化，提高数据处理效率，通过特征提取，减小数据体积，降低存储和传输成本，数据处理精度提升，增强模型泛化能力和性能，通过特征提取将数据分类，将具有相似特征数据归为一类，提升数据分类准确性，同时为后续决策提供数据支持，基于模型特征向量利用轨迹预测训练模型进行关节阈值预测处理，提高机械手臂安全性和可靠性，能够适应不同机械臂类型和任务需求，具有一定的通用性同时具有较强的可扩展性。
[0172]
作为本发明的一个实例，参考图4所示，为图4中的步骤s34的详细实施步骤流程示意图，在本实例中所述步骤s34包括:
[0173]
步骤s341：利用传感器对机械手臂进行运动轨迹数据拟合，生成模型原始数据；
[0174]
本实例中，将传感器收集到的机械手臂运动轨迹数据进行采集记录，得到原始数据，对原始数据进行滤波和预处理，去除噪声和异常值，得到清晰的数据集，对数据集进行线性回归拟合，生成模型原始数据。
[0175]
步骤s342：对模型原始数据进行特征提取，生成模型特征向量；
[0176]
本实例中，对模型原始数据进行数据分析和特征提取，提取数据集中关键特征信息，包括速度、加速度、位移，利用simcenter amesim软件对特征信息进行处理计算，生成模型特征向量。
[0177]
步骤s343：基于模型特征向量利用轨迹预测训练模型进行关节阈值预测处理，生成关节阈值位数据。
[0178]
本实例中，利用支持向量机对模型特征向量进行训练，利用训练好的模型对数据进行预测，对预测结果进行验证和调整。生成关节阈值位数据。
[0179]
优选地，步骤s4包括以下步骤：
[0180]
步骤s401：利用深度相机对机械手臂进行点云数据采集处理，生成点云数据集；
[0181]
步骤s402：对点云数据集进行拟合残差平方和处理，生成点云线性数据表集；
[0182]
步骤s403：基于点云线性数据表集对机械手臂进行几何特征提取，生成训练数据集；
[0183]
步骤s404：基于训练数据集利用神经网络算法构建数据训练模型，根据数据训练模型进行姿态预测处理，生成继发关节位置数据。
[0184]
本实例对利用深度相机对机械手臂进行点云数据采集处理，生成点云数据集，精确采集物体表面三维点云数据，提升数据采集准确性，避免传统方法中由于测量误差获光照变化等因素导致数据偏差问题，提高数据采集效率，采集的点云数据具有高精度空间信息，从而提高机器学习算法的精度和鲁棒性，提高应用灵活性，对点云数据集进行拟合残差平方和处理，生成点云线性数据表集，有效提高点云数据表集精确性，降低拟合误差，降低数据复杂度和计算量，点云数据提供准确的运动路径，提高机械臂定位精度，降低人工编程量，基于训练数据集利用神经网络算法构建数据训练模型，根据数据训练模型进行姿态预测处理，神经网络算法能够自动适应各种姿态情况，无需手动编程针对不同姿态情况进行适应性调整，提高机械臂适应性，基于训练数据集构建的神经网络算法根据实际情况不断进行优化，具有高扩展性，可以在短时间内对姿态进行预测处理，具有高实时性。
[0185]
作为本发明的一个实例，参考图5所示，为图1中的步骤s4的详细实施步骤流程示意图，在本实例中所述步骤s4包括:
[0186]
步骤s401：利用深度相机对机械手臂进行点云数据采集处理，生成点云数据集；
[0187]
本实例中，利用深度相机对机械臂进行沿边扫描，控制机械臂末端位置和姿态，采集全面的点云数据，对点云数据进行清洗、滤波、配准处理，生成点云数据集。
[0188]
步骤s402：对点云数据集进行拟合残差平方和处理，生成点云线性数据表集；
[0189]
本实例中，利用最小二乘法对点云数据集进行拟合残差处理，消除数据中噪声和不准确性，计算残差平方和评估模型拟合程度提取线性数据，从而生成点云线性数据表集。
[0190]
步骤s403：基于点云线性数据表集对机械手臂进行几何特征提取，生成训练数据集；
[0191]
本实例中，对点云线性数据集进行处理，提取机械手臂几何特征，包括距离、角度、长度、曲率等，从而提取机械臂所需姿态信息，将几何特征作为输入数据，将机械臂姿态信息作为输出数据，从而生成训练数据集。
[0192]
步骤s404：基于训练数据集利用神经网络算法构建数据训练模型，根据数据训练模型进行姿态预测处理，生成继发关节位置数据。
[0193]
本实例中，基于训练数据集利用卷积神经网络算法构建数据训练模型，确定网络结构、层数、节点数和激活函数，将训练集输入神经网络进行训练，不断调整网络参数，使用反向传播算法提高神经网络精度和稳定性，检查模型泛化能力和预测精度，根据训练好的
神经网络模型，对输入的姿态数据进行预测处理，从而生成继发关节位置数据。
[0194]
优选地，步骤s402包括以下步骤：
[0195]
步骤s411：基于点云线性数据表集进行数据去噪滤波处理，生成预处理数据；
[0196]
步骤s412：基于预处理数据进行形状分析特征提取操作，生成特征点数据；
[0197]
步骤s413：对特征点数据进行特征对应点检测处理，生成特征配准点数据；
[0198]
步骤s414：基于特征配准点数据进行集成训练操作，生成训练数据集。本实例基于点云线性数据表集进行数据去噪滤波处理，生成预处理数据，通过去噪滤波处理，减少点云数据噪声干扰，利用线性数据表集，具有高处理性能，适用于大规模点云数据处理，使用阈值滤波和高斯滤波，提高数据滤波效能，避免传统方法中存在的数据重采样和网格化问题，提高数据稳定性和可靠性，基于预处理数据进行形状分析特征提取操作，生成特征点数据，提高形状分析准确性，通过对预处理数据进行形状分析处理，提高数据信息密度，采用聚类分析方法，提升特征点区分度，减少数据量，提高计算效率，对特征点数据进行特征对应点检测处理，提高特征对应点检测的准确性和稳定性，避免特征点漂移和匹配错误问题，改善三维点云数据的配准精度和重建质量，具有广泛适用性和灵活性，基于特征配准点数据进行集成训练操作，通过配准和整合特征点数据，提高对象识别和定位的鲁棒性，利用特征点子集进行机器学习训练，减小训练数据集规模，提高训练效率，特征点分类器能够根据新的特征点数据进行分类，实现实时识别和定位。
[0199]
作为本发明的一个实例，参考图5所示，为图5中的步骤s402的详细实施步骤流程示意图，在本实例中所述步骤s402包括:
[0200]
步骤s411：基于点云线性数据表集进行数据去噪滤波处理，生成预处理数据；
[0201]
本实例中，利用点云库对点云线性数据表集进行去噪滤波处理，去除原始数据中存在的噪声和离群点，其中采用的去噪滤波算法为基于体素的滤波算法，从而生成预处理数据。
[0202]
步骤s412：基于预处理数据进行形状分析特征提取操作，生成特征点数据；
[0203]
本实例中，利用尺度不变特征变换处理对预处理数据进行形状分析特征提取操作，提取数据中关键特征点，包含点位置、方向和尺度等信息，从而生成特征点数据。
[0204]
步骤s413：对特征点数据进行特征对应点检测处理，生成特征配准点数据；
[0205]
本实例中，利用最近邻算法对提取的特征点数据进行特征对应点检测处理，为每个特征点在图像中寻找最佳匹配点，利用海明距离算法计算特征描述符之间距离，根据距离信息，利用匹配算法将特征点将特征点匹配成对，进行匹配后，利用随机抽样一致算法对配对点进行过滤筛选，删除错误匹配的点，从而生成特征配准点数据。
[0206]
步骤s414：基于特征配准点数据进行集成训练操作，生成训练数据集。
[0207]
本实例中，利用点云库将多个特征配准点数据合并为一个大的特征点数据集，利用随机划分方法对特征点数据集随机划分为训练集和验证集，对训练中每个特征点利用迭代最近点算法进行特征点配准，将点云数据对齐，采用决策树对配准后的特征点数据集进行模型训练，训练完成后利用验证集对模型进行测试，评估模型性能和泛化能力，从而生成训练数据集。
[0208]
优选地，步骤s412包括以下步骤：
[0209]
步骤s421：基于预处理数据利用图像尺度归一化处理方法，生成图像缩放数据；
[0210]
步骤s422：基于图像缩放数据，对图像对比度进行增强，生成均衡直方图；
[0211]
步骤s423：基于均衡直方图利用高斯滤波进行图像去噪操作，生成去噪图像数据；
[0212]
步骤s424：基于去噪图像数据利用线性反投影算法进行局部特征提取操作，生成局部特征向量；
[0213]
步骤s425：基于局部特征向量利用视觉词袋模型进行特征编码操作，生成特征编码数据；
[0214]
步骤s426：基于特征编码数据利用主成分分析法进行降维处理，生成特征点数据。
[0215]
本实例基于预处理数据利用图像尺度归一化处理方法，生成图像缩放数据，消除图像在不同尺度下的差异性，提高图像处理的准确性和鲁棒性，通过预处理和归一化处理，大幅减少后续计算机视觉任务计算量和时间复杂度，提高计算效率，对缩放数据进行对比度增强处理，提高图像清晰度和可视性，降低图像中噪声和干扰，提高图像信噪比，改善图像灰度分布，增强图像视觉冲击力，优化图像数据表示，提高图像在算法处理中的准确性和可靠性，基于均衡直方图利用高斯滤波进行图像去噪操作，有效消除图像中的高斯噪声，提高图像质量，便于后续图像处理和分析操作，采用高斯滤波算法进行图像去噪，能保留图像边缘信息，避免模糊和失真现象，提高图像清晰度和保真度，本发明提供的系统能自动化进行图像处理操作。提高处理效率，利于高质量的图像处理和分析，基于去噪图像数据利用线性反投影算法进行局部特征提取操作，有效提取图像中关键信息，使后续操作更准确及可靠，局部特征向量利用视觉词袋模型进行特征编码操作，将高维的局部特征向量转换为低纬的视觉词汇表示，降低特征向量位数，减少计算量，通过聚类算法对局部特征进行聚类，更好反映图像重要特征，消除图像间尺度差异，提高特征向量可比性，基于特征编码数据利用主成分分析法进行降维处理，减少数据冗余信息，提高计算效率，对特征编码数据进行降维处理，将数据映射至低维空间，数据可视化，降低数据复杂性，减轻存储和传输的负担，提高算法准确性和鲁棒性，提高算法表现。
[0216]
作为本发明的一个实例，参考图5所示，为图5中的步骤s4的详细实施步骤流程示意图，在本实例中所述步骤s402包括:
[0217]
步骤s421：基于预处理数据利用图像尺度归一化处理方法，生成图像缩放数据；
[0218]
本实例中，获取预处理数据，确定目标图像大小和比例尺，计算原始图像尺寸和目标图像尺寸之间比例，确定缩放比例，利用缩放比例对原始图像将进行缩放处理，生成目标图像，对目标图像进行归一化处理，使其具有相同比例尺，从而生成图像缩放数据。
[0219]
步骤s422：基于图像缩放数据，对图像对比度进行增强，生成均衡直方图；
[0220]
本实例中，对图像缩放数据进行对比度增强操作，计算图像直方图，获取图像的像素分布情况，对直方图进行均衡化处理，对均衡化后的直方图进行增强处理，增强图像对比度和突出特征，从而生成均衡直方图。
[0221]
步骤s423：基于均衡直方图利用高斯滤波进行图像去噪操作，生成去噪图像数据；
[0222]
本实例中，利用高斯滤波对均衡直方图进行图像去噪处理，通过对图像中每个像素进行卷积操作，卷积核中的每个元素表示该元素与目标像素之间的距离，距离越近的元素权重越大，距离越远的元素权重越小。通过这种方式，可以对图像进行平滑处理，从而生成去噪图像数据。
[0223]
步骤s424：基于去噪图像数据利用线性反投影算法进行局部特征提取操作，生成
局部特征向量；
[0224]
本实例中，将图像数据进行投影，形成投影图像，利用线性反投影算法将投影图像重建为三维立体图像，在重建后的三维立体图像中，基于局部感兴趣区域，采用局部特征描述符提取算法获取每个区域的局部特征向量，从而生成局部特征向量。
[0225]
步骤s425：基于局部特征向量利用视觉词袋模型进行特征编码操作，生成特征编码数据；
[0226]
本实例中，从局部特征向量中提取加速稳健特征描述符，将描述符聚类成一个单独的视觉词汇表，将图像中的局部特征映射到最接近的视觉此种，计算每个词汇出现频率，将这些频率组织成一个向量，从而生成特征编码向量。
[0227]
步骤s426：基于特征编码数据利用主成分分析法进行降维处理，生成特征点数据。
[0228]
本实例中，读取特征编码数据，对特征编码数据进行归一化处理，使得各维特征具有相同重要性，对归一化后的特征编码数据进行主成分降维处理，得到低维特征点数据，对低维特征点数据进行匹配和识别操作，从而生成特征点数据。
[0229]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0230]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0231]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于深度学习的串联机械臂的轨迹速度优化方法，其特征在于，所述方法包括以下步骤：步骤s1：对机械手臂运动轨迹进行直线插值处理，生成空间速度数据，对空间速度数据进行伪逆数据转换，生成关节空间速度数据；步骤s2：对关节空间速度数据进行数据预处理，生成关节时间戳速度数据，利用关节时间戳速度数据与预设的额定关节速度数据进行数值比对，若关节时间戳速度数据大于预设的额定关节速度数据，则进行性能速度优化并标记关节时间戳速度数据为超速空间速度数据，否则输出关节时间戳速度数据；步骤s3：对超速空间速度数据进行逆解规划推算优化处理，生成关节线性数据集；步骤s4：对关节线性数据集对机械手臂进行轨迹预测处理，生成继发关节位置数据。2.根据权利要求1所述的方法，其特征在于，步骤s1包括：步骤s11：对机械手臂进行惯性测量单元提取，生成关节角数据；步骤s12：对关节角数据利用运动学模型进行转动矩阵处理，获取关节位雅可比矩阵数据；步骤s13：对关节位雅可比矩阵数据利用伪逆处理方法，生成关节雅可比逆矩阵数据；步骤s14：对关节雅可比逆矩阵数据进行逆运动学求解处理，生成关节空间速度数据。3.根据权利要求1所述的方法，其特征在于，步骤s2的具体步骤为：步骤s21：对关节空间速度数据进行时间序列切割存储处理，生成关节时间序列数据；步骤s22：对关节时间序列数据利用窗口滑动算法进行移动窗口数据处理，生成帧关节空间速度数据；步骤s23：利用长短时记忆网络对帧关节空间速度数据进行模型训练处理，生成模型训练集数据；步骤s24：基于模型训练集数据，对机械臂关节空间速度进行数据审计，进行模型预测处理，对误差情况进行反馈控制，生成关节时间戳速度数据；步骤s25：对关节时间戳速度数据利用超速异常检测处理，生成超速空间速度数据。4.根据权利要求1所述的方法，其特征在于，步骤s3包括：步骤s31：基于超速空间速度数据利用逆解运动模型控制方法，生成起始关节位置数据；步骤s32：基于关节位置数据，对关节轴进行比例调和控制处理，生成关节轴超调数据；步骤s33：基于关节轴超调数据利用数据对齐分析处理对数据进行比对，生成关节速度极值数据；步骤s34：基于关节速度极值数据利用机械手臂关节位置预测方法，获取关节阈值位数据；步骤s35：基于关节阈值位数据利用线性动力学方程计算公式获取关节线性数据集。5.根据权利要求4所述的方法，其特征在于，步骤s31包括：步骤s311：基于超速空间速度数据利用自适应控制算法构建机械臂运动学模型；步骤s312：根据机械臂运动学模型进行坐标系数据采集处理，生成基坐标系；步骤s312：根据基坐标系利用传感器进行实施基于传感器测量坐标和欧拉角的机械臂末端定位操作，生成姿态矩阵数据；
步骤s313：对姿态矩阵数据实施姿态矩阵正交化处理，生成旋转矩阵；步骤s314：基于旋转矩阵进行关节数据转换映射，生成关节位置数据。6.根据权利要求4所述的方法，其特征在于，步骤s34包括：步骤s341：利用传感器对机械手臂进行运动轨迹数据拟合，生成模型原始数据；步骤s342：对模型原始数据进行特征提取，生成模型特征向量；步骤s343：基于模型特征向量利用轨迹预测训练模型进行关节阈值预测处理，生成关节阈值位数据。7.根据权利要求4所述的方法，其特征在于，步骤s35的线性动力学方程计算公式具体为：为：其中，x
i
(t)是指关节位移段数据，t是指关节运动时间，t
i
是值第i个关节运动时间，i是指关节下标数值，v
i
(t)是指第i个关节速度函数值，t是指关节运动周期常数，a
i
是指第i个关节加速度，δ机械臂末端位置向量，v
i
是指第i个关节运动速度值，a
i
(t)是指关节运动加速度函数值，d是指关节线性数据集，n是指分段数量值，x0是指机械臂原始位值。8.根据权利要求1所述的方法，其特征在于，步骤s4包括：步骤s401：利用深度相机对机械手臂进行点云数据采集处理，生成点云数据集；步骤s402：对点云数据集进行拟合残差平方和处理，生成点云线性数据表集；步骤s403：基于点云线性数据表集对机械手臂进行几何特征提取，生成训练数据集；步骤s404：基于训练数据集利用神经网络算法构建数据训练模型，根据数据训练模型进行姿态预测处理，生成继发关节位置数据。9.根据权利要求8所述的方法，其特征在于，步骤s402包括：步骤s411：基于点云线性数据表集进行数据去噪滤波处理，生成预处理数据；步骤s412：基于预处理数据进行形状分析特征提取操作，生成特征点数据；步骤s413：对特征点数据进行特征对应点检测处理，生成特征配准点数据；步骤s414：基于特征配准点数据进行集成训练操作，生成训练数据集。10.根据权利要求9所述的方法，其特征在于，步骤s412包括：步骤s421：基于预处理数据利用图像尺度归一化处理方法，生成图像缩放数据；步骤s422：基于图像缩放数据，对图像对比度进行增强，生成均衡直方图；步骤s423：基于均衡直方图利用高斯滤波进行图像去噪操作，生成去噪图像数据；步骤s424：基于去噪图像数据利用线性反投影算法进行局部特征提取操作，生成局部特征向量；步骤s425：基于局部特征向量利用视觉词袋模型进行特征编码操作，生成特征编码数据；步骤s426：基于特征编码数据利用主成分分析法进行降维处理，生成特征点数据。

技术总结
本发明涉及机械运动控制技术，尤其涉及一种基于深度学习的串联机械臂的轨迹速度优化方法。所述方法包括以下步骤：对机械手臂进行直线插值处理，生成空间速度数据，对空间速度数据进行伪逆数据转换，生成关节空间速度数据；对关节空间速度数据进行数据预处理，生成关节时间戳速度数据，利用关节时间戳速度数据进行数值比对，若关节时间戳速度数据大于预设值，则标记为超速空间速度数据；对超速空间速度数据进行逆解推算处理，生成关节线性数据集；对关节线性数据集对机械手臂进行轨迹预测，生成继发关节位置数据。本发明提供一种基于深度学习的串联机械臂的轨迹速度优化方法，解决直线轨迹在非灵巧空间规划后造成的关节超速问题。超速问题。超速问题。


技术研发人员：周运涛 夏凯 贺松
受保护的技术使用者：深圳视科普机器人技术有限公司
技术研发日：2023.05.11
技术公布日：2023/8/13