买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利基于机器学习和LQR控制的空间双臂机器人控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119973980B 。

龙图腾网通过国家知识产权局官网在2025-10-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510035507.9，技术领域涉及：B25J9/16；该发明授权基于机器学习和LQR控制的空间双臂机器人控制方法是由卢静楠;甄圣超;郑红梅;李锐设计研发完成，并于2025-01-09向国家知识产权局提交的专利申请。

本基于机器学习和LQR控制的空间双臂机器人控制方法在说明书摘要公布了：本发明涉及机器人控制技术领域，特别涉及一种基于机器学习和LQR控制的空间双臂机器人控制方法。包括：构建空间双臂机器人在太空环境的动力学模型；观察空间双臂机器人轨迹，构建跟随误差；跟随误差结合深度学习模型，获取空间双臂机器人控制的预测误差；根据预测误差，设计LQR最优控制。本发明不同于传统控制器仅基于当前状态反馈，本发明通过预测未来偏差，提前进行控制补偿，显著提高了动态系统对外界变化的适应性。

本发明授权基于机器学习和LQR控制的空间双臂机器人控制方法在权利要求书中公布了：1.一种基于机器学习和LQR控制的空间双臂机器人控制方法，其特征在于，具体方法如下： 构建空间双臂机器人在太空环境的动力学模型； 观察空间双臂机器人轨迹，构建跟随误差； 跟随误差结合深度学习模型，获取空间双臂机器人控制的预测误差； 根据预测误差，设计LQR最优控制，以控制空间双臂机器人； 空间双臂机器人在太空环境的动力学模型中包括基座惯性项、机械臂间耦合项、关节动态项以及末端外力作用项，动力学模型具体公式构建如下： 拉格朗日方程为： 其中，L＝K-P为拉格朗日函数，K为动能，P为势能，τ为广义力； 对于空间双臂机器人，定义广义速度变量其中，为描述基座运动线速度与角速度的广义变量；和则分别为两个机械臂关节运动的角速度； 则广义坐标x的动能和势能为： 在微重力环境下，Gx可忽略；将L＝K-P代入拉格朗日方程，并引入关节力外力项，得间双臂机器人的动力学方程： 式中：M为空间双臂机器人的惯性矩阵；C为非线性项；为控制机械臂的控制力和力矩；Je为空间双臂机器人末端的雅可比矩阵，它将关节空间的速度映射到操作空间的速度；则为双臂末端所受到的接触力与力矩，且fe通过安装在机械臂末端的力传感器准确地测得； 惯性矩阵Mx形式为： M12x1,x2和M21x1,x2为两个机械臂间的耦合惯性特性；Mb为浮动基座的惯性；Mb,i、Mi,b为基座和机械臂之间的耦合惯性；M1x1、M2x2分别是第一机械臂和第二机械臂的惯性矩阵，具体表示为： 其中，Jixj第j个连杆的雅可比矩阵；Ij第j个连杆的惯性张量；第j个连杆质心的雅可比矩阵；mj第j个连杆的质量； 末端雅可比矩阵Je关联关节速度和末端运动速度表达式为： 其中末端雅可比矩阵Je为分块矩阵，形式为： Je1x1和Je2x2为第一机械臂和第二机械臂的末端雅可比矩阵： Jvxi和Jωxi为末端的线速度和角速度雅可比矩阵； 根据空间双臂机器人的动力学方程，系统的状态方程可以表示为： 其中， 是状态矩阵； 是控制输入矩阵； 是外力输入矩阵； 构建跟随误差，具体方法如下： 对于空间双臂机器人的实际状态x由各个传感器测量获得； 实际状态用广义坐标期望状态为 跟随误差公式为： et＝xt-xdt 期望跟随误差在目标范围内，则 ||et||≤∈ 其中∈为空间双臂机器人的误差容限； 获取空间双臂机器人控制的预测误差，具体方法如下： 采集空间双臂机器人系统状态、机械臂末端输入力和跟随误差数据，构建训练数据集D： 其中，为系统状态变量；fei为机械臂末端输入力；为跟随误差；N为数据点的总数； 利用训练数据集D训练一个非线性映射令： 其中θ是模型参数，目标是最小化预测误差与真实误差之间的差异； 训练过程中，通过最小化损失函数优化，损失函数构建如下： 训练过程中，当实际误差ei与预测误差偏差较大时，则对模型参数进行调整，使用梯度下降更新模型参数： 其中η是学习率，是损失函数对参数的梯度； 训练完成非线性映射后，预测空间双臂机器人控制的预测误差为具体公式如下：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230002 安徽省合肥市屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。