基于模糊自适应PID的机器人视觉伺服控制算法研究

机器人的动态跟踪精度是机器人实现精准实时操作的一个关键性难题。设计了一种基于模糊自适应PID的机器人视觉伺服动态跟随算法。针对机器人三维空间的动态跟踪任务,首先搭建了以NDI光学定位跟踪系统作为视觉系统,以思灵Diana高精度力控协作臂作为载体的实验系统,确定了视觉伺服的基本方法,然后通过两步法标定获得了手眼矩阵,设计了视觉伺服控制器,之后利用双机械臂模拟主动运动和跟随运动,对所设计算法进行了实物验证。实验结果表明机械臂能够精确地跟随目标的匀速移动。

一种基于单通道sEMG分解与LSTM神经网络相结合的手势识别方法

在基于表面肌电(sEMG)信号的动作识别中,使用单通道传感器能够简化系统、减少识别延时,但也存在识别精度偏低的问题。为了提高识别精度,本文提出将单通道sEMG信号分解策略与长短期记忆(LSTM)循环神经网络识别相结合的方法。在该方法中,先将单通道sEMG信号分解成多通道运动单元动作电位序列(MUAPTs),然后提取MUAPTs的特征,最后将这些特征对LSTM分类模型进行训练。为了验证该方法的有效性,本文以手势动作识别为对象,对6名受试者分别建立了4种分类模型,包括基于未分解信号的支持向量机(SVM)、基于分解信号的SVM、基于未分解信号的LSTM、以及本文提出的基于分解信号的LSTM,并定义识别精度量化指标对这四种模型的分类结果进行评估。对于旋前方肌sEMG信号,在使用本文所提方法进行手势识别时,平均估计精度均能达到90%以上,比未分解的LSTM高18.7%,比分解信号的SVM高4.17%,比未分解信号的SVM高11.53%。实验结果验证了本文所提方法的有效性。