基于PSO-ML-LSTM的IMU状态估计方法用于操纵器远程操作

科学领域:

• 机器人技术 机器人技术 机器人技术
• 人工智能的人工智能
• 传感器融合式传感器

背景情况:

• 远程操作可实现远程执行危险任务,但受到信号噪声和惯性测量单元 (IMU) 的累积错误的阻碍.
• 准确的IMU状态估计对于保持机器人远程操作系统的精确控制至关重要.
• 现有的方法很难有效地弥补IMU数据固有的漂移和累积错误.

研究的目的:

• 开发和验证一种先进的IMU状态估计方法,以减轻机器人远程操作中的累积错误.
• 通过解决IMU诱导的不准确性来提高远程操作系统的性能和可靠性.
• 通过精确的远程控制,提高机器人在危险环境中执行任务的安全性和效率.

主要方法:

• 通过使用全局配置和混合映射,建立了人类手臂和7-DOF机器人手臂的运动映射模型.
• 构建了一个IMU姿态状态估计模型,利用粒子群优化 (PSO) 和调制长短期记忆 (ML-LSTM) 神经网络.
• 用来自多个IMU和处理手柄的初始数据训练了估计模型.

主要成果:

• 拟议的PSO-ML-LSTM算法在消除IMU累积错误的影响方面表现出显著的有效性.
• 对比实验证实了开发的状态估计模型比传统方法的性能优越.
• 混合映射和先进的神经网络模型准确地描述了IMU错误对远程操作的影响.

结论:

• 在机器人远程操作中,PSO-ML-LSTM方法为IMU状态估计提供了强大的解决方案.
• 这种方法显著提高了远程操作的准确性和可靠性,使任务可以更安全地执行.
• 这些发现为在危险环境中更可靠和高性能机器人系统铺平了道路.