基于进化动态递归模糊神经网络的上肢康复机器人自适应阻抗控制

针对机器人辅助患肢进行康复训练时患肢病情的变化对系统运动平滑性和稳定性造成的影响,在传统阻抗控制方法的基础上,提出了一种基于进化动态递归模糊神经网络(EDRFNN)的新的自适应阻抗控制方法。该方法根据在线辨识得到的患肢机械阻抗参数,运用EDRFNN对目标阻抗控制参数进行动态调整。在调整过程中,首先采用混合进化算法离线优化目标阻抗控制参数,然后再利用基于Lyapunov函数稳定收敛性理论设计的动态BP算法对目标阻抗控制参数在线作进一步的调整。分析和仿真结果表明,这种新的方法较其它阻抗控制方法更能有效地适应患肢病情的变化,且具有较好的平滑性和稳定性。     

基于多尺度特征融合和抓取质量评估的抓取生成方法

在非结构化场景中，物体的6-Ddf抓取是智能服务机器人领域的一项极具挑战性的任务。在该场景中，机器人需要应对不同大小和形状的物体以及环境噪声等因素的干扰，因此难以生成准确的抓取姿态。针对此问题本文提出一种基于多尺度特征融合和抓取质量评估的6-Dof抓取姿态生成方法。首先，提出了自适应半径查询法，解决真实环境中点云采样不均匀导致的关键点查询异常的问题；其次设计了一种将多尺度特征和抓取质量评估融合的抓取生成网络，可以生成丰富的6-Dof抓取域：最后，定义了一种抓取质量评估方法，包含力闭合分数、接触面平整度、棱边分析和质心分数，并将这些标准应用在标准数据集上生成新的抓取置信分数标签，同时将这些标准融人抓取生成网络中。实验结果表明所述的方法与当前较为先进的方法FGC-GraspNet相比平均精度提升了5.9%，单物体抓取成功率提升了5.8%，多物体场景的抓取成功率提升了1.1%。综上所述，本文所提出的方法具备有效性和可行性，在单物体场景和多物体场景中具有较好的适应性。