(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211011130.6 (22)申请日 2022.08.23 (71)申请人 亿嘉和科技股份有限公司 地址 210012 江苏省南京市雨 花台区安德 门大街57号5幢1楼至 3楼、 8楼至12 楼 (72)发明人 毛成林　李庆阳　隋腾飞　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 专利代理师 梁天彦 (51)Int.Cl. B25J 9/16(2006.01) (54)发明名称 一种基于深度学习的机械臂力控制方法及 系统 (57)摘要 本发明公开了一种基于深度学习的机械臂 力控制方法及系统， 方法包括： 获取机械臂的各 个关节的实时关节特征和电流影 响特征， 实时关 节特征包括各关节当前的位姿和转动惯量， 电流 影响特征包括电流值和扭矩电流系数； 将获取的 实时关节特征和电流影响特征输入预先设计和 训练好的神经网络中， 所述神经网络输出所述机 械臂的末端关节的拟合力矩； 根据所述拟合力 矩， 调整机械臂的运动轨迹。 本发明方法能够以 端到端的方式高效将机械臂各关节电流值转换 为机械臂末端力矩值， 提高拟合精度。 权利要求书2页 说明书6页 附图5页 CN 115256397 A 2022.11.01 CN 115256397 A 1.一种基于深度学习的机 械臂力控制方法， 其特 征在于， 包括 步骤： 获取机械臂的各个关节的实时关节特征和电流影响特征， 实时关节特征包括各关节当 前的位姿和转动惯量， 电流影响特 征包括电流 值和扭矩电流系数； 将获取的实时关节特征和电流影响特征输入预先设计和训练好的神经网络 中， 所述神 经网络输出所述机械臂的末端关节的拟合力矩； 根据所述拟合力矩， 调整机 械臂的运动轨 迹。 2.根据权利要求1所述的一种基于深度 学习的机械臂力控制方法， 其特征在于， 所述神 经网络通过以下步骤获得： 构筑训练集： 基于机械臂位姿与力矩的关系， 设计数据构筑规则， 以获取需求的目标特 征； 设计自适应网络参数矩阵： 用于加权获取的目标 特征； 设计多头特征融合框架： 以图神经网络GAT作为基础， 搭建多头输入的网络结构， 将多 个头部进行特征融合； 数据拟合： 基于图神经网络GAT 的结构， 对输出的各节点关节和电流特征， 采用全连接 网络单独进行拟合。 3.根据权利要求1或2任一所述的一种基于深度学习的机械臂力控制方法， 其特征在 于： 所述神经网络包括相连接的自适应 网络Adanet、 第一图神经网络GAT、 第二图神经网络 GAT、 全连接网络FCN和输出模块， 还 包括输入一 Input1和输入二 Input2， 其中， 所述输入一Input1从自适应网络Adanet的输入端输入， 依次经自适应 网络Adanet和第 一图神经网络GAT处 理后， 得到中间值； 中间值和输入二Input2输入第二图神经网络GAT的输入端， 依次经第二图神经网络GAT 和全连接网络FCN处 理后， 输出拟合力矩。 4.根据权利要求3所述的一种基于深度学习的机 械臂力控制方法， 其特 征在于： 所述输入一Input1的输入为目标特征， 即关节特征vi， vi＝[qT,pT]， 其中， pT表示各个关 节的转动惯量的矩阵， qT表示各个关节的位姿信息的矩阵； 所述目标特征加权处理后得到的关节 特征为Vi＝vi*W， 其中W为自适应网络Adanet的自 适应权值矩阵。 5.根据权利要求4所述的一种基于深度 学习的机械臂力控制方法， 其特征在于， 对头部 进行特征融合时， 设计节点邻居矩阵u； 其中uij表示第i个邻接第j个节点； 其中， 自适应参数网络AdaNet： Vi＝vi*W权　利　要　求　书 1/2 页 2 CN 115256397 A 2第一图神经网络GAT： Vi、 Vj分别表示加权后的第i个关节特征、 第j个关节特征， oij表示第i个节点对第j个节 点的影响， N表示节点数量， co ncat表示向量 拼接。 6.根据权利要求5所述的一种基于深度 学习的机械臂力控制方法， 其特征在于： 输入二 Input2包括电流值lT与系数kT， 输入二Input2同输入一Input1的处理结果oij作为第二图神 经网络GAT的输入， 其中， 第二图神经网络GAT： 其中， s为电流影响特 征。 7.根据权利要求1所述的一种基于深度学习的机 械臂力控制方法， 其特 征在于： 所述机械臂位姿与力矩的关系为： 机械臂设有N个末端关节， 表示为i1～iN， 其中， 第ik 关节力矩的变化与ik+1～i6各关节姿态有关， 与i1～ik‑1关节姿态无关， k<N。 8.一种基于深度学习的机 械臂力控制系统， 其特 征在于， 包括： 数据获取模块， 用于获取机械臂 的各个关节的实时关节特征和电流影响特征， 实时关 节特征包括各关节当前的位姿和转动惯量， 电流影响特 征包括电流 值和扭矩电流系数； 神经网络， 用于输入获取的实时关节和电流影响特征， 经神经网络处理后， 输出所述机 械臂的末端关节的拟合力矩； 调节模块， 根据所述拟合力矩， 调整机 械臂的运动轨 迹。 9.根据权利要求8所述的一种基于深度学习的机 械臂力控制系统， 其特 征在于： 所述神经网络包括相连接的自适应 网络Adanet、 第一图神经网络GAT、 第二图神经网络 GAT、 全连接网络FCN和输出模块， 还 包括输入一 Input1和输入二 Input2， 其中， 所述输入一Input1从自适应网络Adanet的输入端输入， 依次经自适应 网络Adanet和第 一图神经网络GAT处 理后， 得到中间值； 中间值和输入二Input2输入第二图神经网络的输入端， 依次经第二图神经网络GAT和 全连接网络FCN处 理后， 输出拟合力矩。权　利　要　求　书 2/2 页 3 CN 115256397 A 3