本發(fā)明涉及狀態(tài)估計，特別是指基于混合神經網絡和中間變量的機械臂非線性運動狀態(tài)估計方法。

背景技術：

1、隨著科技的不斷進步，信息物理系統(tǒng)(cyber-physical?systems,cps)在自動駕駛、智能電網、機器人、醫(yī)療設備等領域中得到了廣泛應用。在信息物理系統(tǒng)中，準確的狀態(tài)估計能夠幫助實時監(jiān)控和調整系統(tǒng)參數(shù)，確保系統(tǒng)在運行中的穩(wěn)定性和可靠性。例如，對于自動駕駛系統(tǒng)，實時的狀態(tài)估計能提供準確的車輛位置、速度、加速度等關鍵信息，從而指導自動駕駛決策；在智能電網中，精確的狀態(tài)估計有助于檢測負載波動和電網故障，及時進行調整和修復。因此，狀態(tài)估計是提高系統(tǒng)性能和優(yōu)化控制策略的基礎，尤其在復雜環(huán)境下，非線性系統(tǒng)的行為難以預測，因此必須依賴精確的狀態(tài)估計來優(yōu)化控制器設計。再者，在保障安全性方面，狀態(tài)估計可以幫助識別潛在的異?；蚬收?，及時發(fā)出警報并采取相應的措施，防止系統(tǒng)失效或產生災難性后果。但是在很多應用領域中，其信息物理系統(tǒng)是非線性、具有未知輸入和非高斯噪聲，此時系統(tǒng)的狀態(tài)估計面臨著挑戰(zhàn)，急需研究有效和精確的狀態(tài)估計方法，確保系統(tǒng)在復雜環(huán)境下依舊能夠穩(wěn)定、安全地運行。

2、現(xiàn)有的信息物理系統(tǒng)狀態(tài)估計方法主要包括卡爾曼濾波方法、粒子濾波、深度學習方法和貝葉斯估計方法，其中卡爾曼濾波方法具有較低的計算復雜度和較高的估計精度，是非線性信息物理系統(tǒng)狀態(tài)估計的主流方法之一。然而，傳統(tǒng)卡爾曼濾波方法仍無法有效處理系統(tǒng)中的未知輸入問題。為此，有研究提出了基于中間變量的狀態(tài)估計算法，但這算法往往假設噪聲已知，而實際操作中噪聲通常是未知的。因此，一些研究通過在線學習方法來估計噪聲參數(shù)，通過采用變分貝葉斯技術直接對卡爾曼濾波中的過程噪聲協(xié)方差進行估計和調整，提升狀態(tài)濾波的性能，但其計算復雜性和對先驗知識的依賴，限制了其在實時或資源受限的系統(tǒng)中的應用。有研究針對線性系統(tǒng)中的噪聲協(xié)方差未知問題，提出了一種基于變分貝葉斯的魯棒卡爾曼濾波方法，通過引入魯棒設計和層次先驗來增強濾波器的魯棒性，然而，該方法的應用范圍主要局限于線性系統(tǒng)，對于處理更復雜的非線性系統(tǒng)時，其有效性和適應性仍然不足。在進一步的研究中，提出了一種一致分布卡爾曼濾波框架，旨在補償傳感器網絡中的不匹配噪聲和不確定動力學。雖然該算法在特定網絡環(huán)境中取得了有效的結果，但它對系統(tǒng)先驗知識的嚴格要求，限制了其在實際應用中的廣泛性和普適性。有研究通過在每個時間步的測量矩陣中添加虛擬噪聲，提出了一種改善定位精度并避免狀態(tài)估計誤差膨脹的方法，盡管該方法在某些場景下能夠有效改善性能，但其普適性和在各種應用中的有效性尚未得到廣泛驗證。有研究通過子空間識別算法直接估計相關噪聲協(xié)方差。盡管該算法能夠提供準確的初始噪聲協(xié)方差估計，但仍需進一步研究復雜或高度非線性系統(tǒng)的適用性及擴展性，才能在更多實際場景中得到應用。總之，傳統(tǒng)基于卡爾曼濾波的狀態(tài)估計方法雖然在高斯噪聲和線性的信息物理系統(tǒng)系統(tǒng)中表現(xiàn)良好，但在面對復雜的非線性動態(tài)、未知輸入和非高斯噪聲的信息物理系統(tǒng)系統(tǒng)時，非高斯噪聲的存在會導致傳統(tǒng)濾波方法對系統(tǒng)狀態(tài)的估計失真，而未知輸入會進一步增加了系統(tǒng)的復雜性，狀態(tài)估計的精度和魯棒性難以得到保障。

3、隨著深度學習和神經網絡的迅速發(fā)展，基于數(shù)據驅動的方法為非線性系統(tǒng)的狀態(tài)估計提供了新的解決思路。神經網絡能夠有效地捕捉系統(tǒng)的復雜非線性動態(tài)，借助神經網絡對估計結果進行校正，不僅能夠提高對未知輸入和噪聲的估計精度，還能顯著增強系統(tǒng)的魯棒性，克服傳統(tǒng)方法在處理不確定性和復雜環(huán)境時的不足。但是其在同時處理未知輸入和高斯噪聲時，仍然面臨著實時性和適用性的挑戰(zhàn)。為此，部分學者側重于結合神經網絡和卡爾曼濾波，研究系統(tǒng)狀態(tài)估計方法。例如，有研究提出了一種結合深度學習預測模型的無跡可訓練卡爾曼濾波算法，旨在提高電力系統(tǒng)中狀態(tài)預測的準確性，尤其在面對數(shù)據缺失的情況下。該方法可減少預測誤差，但其性能仍然依賴于數(shù)據的完整性，數(shù)據傳輸中的丟失會對整體預測效果產生負面影響。有研究探討了鋰離子電池的soc(state?ofcharge)估計問題，提出了一種基于深度學習與卡爾曼濾波的混合狀態(tài)算法，該算法能夠有效捕捉輸入信號的空間和時間特性，減少瞬態(tài)信號波動的影響，改善了估計精度。但是該算法在實時操作中的計算復雜性較高，不適用于資源受限的實際環(huán)境。有研究通過結合卡爾曼濾波和深度學習技術，提出了兩種聲學嘯叫抑制的整合算法。這些算法提高了反饋抑制效果，但由于其復雜的訓練和實施過程，實際應用中可能面臨一定的挑戰(zhàn)。有研究提出了deepkalpose方法，利用雙向卡爾曼濾波策略和可學習的運動模型，提高了單目車輛姿態(tài)估計的精度和魯棒性，盡管該方法在姿態(tài)估計精度上有所提升，但其較高的計算需求限制了其在資源受限環(huán)境中的應用。

4、綜上所述，機械臂運動的狀態(tài)估計問題通常涉及未知輸入，并且其動態(tài)表現(xiàn)為非線性形式。然而，目前大多數(shù)狀態(tài)估計方法主要針對線性系統(tǒng)進行設計，且未考慮在非線性系統(tǒng)中可能存在的未知輸入干擾。與此同時，噪聲的特性也常常處于未知狀態(tài)，這些方法在處理噪聲特性復雜且無法完全預知的情況下，難以實現(xiàn)高效且精確的狀態(tài)估計。因此，現(xiàn)有的技術難以滿足在具有未知輸入、非線性形式以及噪聲特性不確定的條件下，對機械臂運動狀態(tài)的精確高效預測要求。

技術實現(xiàn)思路

1、針對上述情況，本發(fā)明提供一種基于混合神經網絡和中間變量的機械臂非線性運動狀態(tài)估計方法。本方法結合混合神經網絡的高度非線性曲線與卡爾曼濾波的優(yōu)秀動態(tài)跟蹤能力，不僅提高了機械臂狀態(tài)估計的準確性，還增強了對復雜動態(tài)機械臂系統(tǒng)的適應性。特別是在面對數(shù)據不完整和快速變化的情況時，能夠有效提升機械臂運動的整體性能和魯棒性，為處理復雜和動態(tài)變化的機械臂運動環(huán)境提供了新的解決方案。

2、本發(fā)明提供的技術方案如下：

3、本發(fā)明提供的基于混合神經網絡的機械臂非線性運動狀態(tài)估計方法，包括：

4、s1、根據機械臂的運動情況，考慮機械臂運行過程中會受未知輸入干擾，引入未知輸入變量，構建機械臂非線性運動系統(tǒng)的狀態(tài)空間模型，得到觀測方程；

5、s2、使用擴展卡爾曼濾波方法，利用泰勒一階展開原理對所述觀測方程進行線性化，之后引入中間變量并構建系統(tǒng)擴展狀態(tài)，從而獲得系統(tǒng)擴展狀態(tài)對應的機械臂狀態(tài)估計系統(tǒng)模型；

6、s3、設置所述機械臂狀態(tài)估計系統(tǒng)模型在初始時刻的參數(shù)初始值，通過自適應擴展卡爾曼濾波方法構建狀態(tài)估計結果數(shù)據集；

7、s4、根據卡爾曼濾波方法更新計算后驗擴展狀態(tài)、卡爾曼增益和狀態(tài)協(xié)方差矩陣；

8、s5、根據極大似然原理，計算估計過程噪聲協(xié)方差，之后將卡爾曼濾波方法中的過噪聲協(xié)方差更新并返回s3，直至循環(huán)指定次數(shù)結束，獲得機械臂運動過程種狀態(tài)真實值和估計值的數(shù)據集；

9、s6、構建由兩個雙向lstm層、最大輸出層和線性輸出層組成的混合神經網絡，并將所述機械臂運動過程種狀態(tài)真實值和估計值的數(shù)據集劃分為訓練集和驗證集，將訓練集和驗證集的真實狀態(tài)值和自適應擴展卡爾曼濾波方法計算的狀態(tài)估計值作為混合神經網絡的輸入，校正估計結果的殘差作為混合神經網絡的輸出，進行混合神經網絡訓練，獲得機械臂非線性運動狀態(tài)估計模型；

10、s7、進入機械臂實時狀態(tài)估計階段，設置參數(shù)為所述參數(shù)初始值；

11、s8、讀取當前機械臂的實時狀態(tài)數(shù)據；計算機械臂狀態(tài)的先驗狀態(tài)估計和測量值預測值、后驗擴展狀態(tài)、計算卡爾曼增益和計算狀態(tài)協(xié)方差矩陣，更新系統(tǒng)過程噪聲，將得到的狀態(tài)數(shù)據輸入至訓練好的神經網絡中，得到狀態(tài)估計的校正殘差，將校正殘差與狀態(tài)估計值想加，最終輸出校正后的機械臂狀態(tài)值，重復執(zhí)行s8直至機械臂運動結束。

12、本發(fā)明提供的技術方案帶來的有益效果至少包括：

13、本發(fā)明通過引入中間變量和極大似然技術，有效地處理了針對機械臂運動的非線性信息物理系統(tǒng)中的未知輸入和未知高斯噪聲問題，擴展了傳統(tǒng)卡爾曼濾波方法的應用范圍。其次，雖然傳統(tǒng)卡爾曼濾波為狀態(tài)估計提供了一種有效的框架，但其在應對高度非線性系統(tǒng)和復雜噪聲環(huán)境時面臨局限。為了克服這些挑戰(zhàn)并提升估計的準確性，本發(fā)明結合混合神經網絡的訓練與自適應擴展卡爾曼濾波技術，利用神經網絡強大的非線性擬合能力，對自適應擴展卡爾曼濾波的輸出進行修正和優(yōu)化。這不僅增強了濾波對復雜機械臂運動估計的動態(tài)適應性，也提高了在復雜環(huán)境下的機械臂狀態(tài)估計準確度，特別是在處理非高斯噪聲和動態(tài)變化大的機械臂運動狀態(tài)時，展示了較好的性能表現(xiàn)。此外，本發(fā)明還采用深度學習對卡爾曼濾波結果進行實時校正，進一步提升了濾波估計的精度和魯棒性。綜合這些技術，本發(fā)明不僅適應了動態(tài)且條件不確定的實際應用場景，還有效解決了機械臂等非線性系統(tǒng)在復雜噪聲背景下的狀態(tài)估計問題，顯著提高了系統(tǒng)的操作效率和安全性。