本發明屬于機器人智能控制，具體涉及一種用于機器人柔性關節的雙神經網絡模型預測控制方法。
背景技術：
1、在現代機器人技術中，柔性關節機器人的應用越來越廣泛。柔性關節通常通過串聯彈性執行器（sea）實現，這種設計能夠在提高機器人靈活性和安全性的同時，提供更高的力控精度。然而，柔性關節系統的非線性和復雜的動力學特性給控制策略的設計帶來了挑戰。傳統的控制方法，如pid控制器，雖然在簡單系統中表現良好，但在處理具有高度非線性和不確定性的柔性關節系統時，往往難以滿足高精度和快速響應的要求。為此，研究人員開始探索結合機器學習和優化算法的新型控制策略，以提高系統的性能和適應性。
2、神經網絡模型預測控制（nnmpc）是一種結合了機器學習和經典控制理論的先進控制方法。通過神經網絡對系統的動力學進行建模，nnmpc能夠在復雜的非線性系統中實現實時優化控制，但其求解過程耗費大量計算資源，難以在低性能的硬件上實現。
技術實現思路
1、本發明提供了用于機器人柔性關節的雙神經網絡模型預測控制方法解決上述提到的技術問題，具體采用如下的技術方案：
2、一種用于機器人柔性關節的雙神經網絡模型預測控制方法，包括以下步驟：
3、s1：對柔性關節機器人的非線性動力學系統進行建模構建動力學模型；
4、s2：設定gru神經網絡模型，以逼近系統的動力學模型；
5、s3：基于gru神經網絡模型，構建包含位置、速度和力矩的混合控制nnmpc控制器；
6、s4：基于非線性優化求解器優化求解nnmpc控制器；
7、s5：設定narx神經網絡模型以逼近nnmpc控制器的解，形成雙神經網絡模型預測控制方法。
8、進一步地，通過牛頓-歐拉方程建立柔性關節機器人的動力學模型。
9、進一步地，動力學模型如下所示，
10、
11、其中， q∈r 6， θ∈r 6分別表示連桿側和電機側的關節角度位置向量， m(q)∈r 6和i(θ) ∈r 6是對稱正定的連桿側和電機側的慣量矩陣，、和分別為科氏力矩陣，連桿側阻尼向量和電機側阻尼向量， g（q）∈r 6、和分別表示重力轉矩向量、外部力轉矩向量和電機轉矩向量，表示關節力矩向量， k∈r 6*6表示彈性體剛度的正定對角矩陣。
12、進一步地，在所述步驟s2中，gru神經網絡模型為：
13、
14、 x?(k)=[x(k),x(k-1),...,x(k-d x +1)] t
15、 u(k)=[u(k),u(k-1),...,u(k-d u +1)]
16、其中， x(k)表示系統狀態從 k-d x +1時刻到 k時刻的值， u(k)為系統從 k-d u +1時刻到 k時刻的控制輸入，其中 d x和 d u分別表示網絡的輸出和輸入時延的最大階數，x1=q，，x3=θ，，x5=im，u=uvol?，x=[x1,x2,x3,x4,x5]t表示系統狀態向量，u表示系統的控制輸入。
17、進一步地，在所述步驟s2之后，所述方法還包含：
18、制定神經網絡數據集的采樣方法，采集數據對gru神經網絡模型進行訓練。
19、進一步地，所述制定神經網絡數據集的采樣方法，采集數據對gru神經網絡模型進行訓練的具體方法為：
20、首先，生成隨機控制量u∈ (u min ,u max )，并將其施加到柔性關節系統中，每個控制輸入持續的時間長度為隨機值t∈ (t min ,t max )，系統輸出按固定時間間隔進行采集，輸出數據包括位置、速度和力矩，以滿足位置、速度和力矩控制的需求，接著，判斷是否達到預設的最大采集數量；若未達到，則繼續生成隨機控制輸入；若達到，則按時間序列保存數據集，數據集中包含時間、控制輸入以及系統輸出信息，并結束數據采集過程；
21、在gru神經網絡模型的訓練中，選擇均方誤差作為損失函數，使用adam優化算法更新網絡權重。
22、進一步地，t的時間范圍設定為20毫秒至2秒之間。
23、進一步地，在所述步驟s3中，關節控制器的成本函數為：
24、
25、約束于：
26、
27、
28、
29、式中表示優化求解的最優控制輸入序列，表示從 k+1到 k+t時刻的狀態預測序列，u k+1：k+t=[u0,u1,...,ut-1]表示 k+1到 k+t時刻待優化的系統控制輸入序列，x min和x max分別表示系統控制輸入約束的最大值和最小值，t為預測時域長度；
30、根據關節位置、速度和力矩混合控制的目標，設定nnmpc控制器的成本函數如下：
31、
32、式中表示在 k+i時刻預測的關節位置，為相應的位置參考信號，為在 k+i時刻預測的關節速度，為相應的速度參考信號，為在 k+i時刻預測的關節力矩，可以通過計算得到，為相應的力矩參考信號，參數α>0,β>0,γ>0,η>0分別表示位置誤差、速度誤差、力矩誤差，以及控制輸入的懲罰參數。
33、進一步地，在所述步驟s4中，通過ipopt求解器優化nnmpc控制器的求解。
34、進一步地，在所述步驟s5中，基于nnmpc方法收集的數據，采用narx神經網絡模型直接學習nnmpc控制器的最優解，收集的數據記為，由時間序列組成，ipopt求解器函數為，
35、
36、其中表示ipopt求解器函數的線性映射，再通過narx神經網絡模型近似nnmpc控制器，narx神經網絡模型為，
37、
38、其中通過gru神經網絡模型計算， x d (k)表示期望目標，narx神經網絡模型的輸入為，narx神經網絡模型的輸出是預測的系統控制輸入邊界。
39、本發明的有益之處在于所提供的用于機器人柔性關節的雙神經網絡模型預測控制方法，通過引入兩個神經網絡來協同工作：其中一個用于逼近系統的動力學，另一個則專門用于加速模型預測控制器的優化求解過程，減少傳統優化方法在高維非線性系統中可能引發的計算開銷，從而實現實時控制。
40、本發明的有益之處在于所提供的用于機器人柔性關節的雙神經網絡模型預測控制方法，第一個神經網絡負責學習和逼近系統的復雜動態特性，捕捉柔性關節系統的非線性關系。第二個神經網絡則通過學習控制器的優化過程，生成近似最優的控制策略。這一方法使得控制策略的生成可以直接通過神經網絡的前向傳播來完成，從而大幅縮短了優化計算時間，滿足實時控制的需求。