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！

龙图腾网获悉中国科学院沈阳自动化研究所申请的专利一种基于信息物理神经网络的多轴机械臂预测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：CN119159582B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411437464.9，技术领域涉及：B25J9/16；该发明授权一种基于信息物理神经网络的多轴机械臂预测控制方法是由夏长清;王亦卿;金曦;许驰;孙乙铭;李栋;曾鹏设计研发完成，并于2024-10-15向国家知识产权局提交的专利申请。

本一种基于信息物理神经网络的多轴机械臂预测控制方法在说明书摘要公布了：本发明属于控制技术领域，公开了一种基于信息物理神经网络的多轴机械臂预测控制方法。包括以下步骤：1基于机械臂各轴之间的物理关系建立非线性动态机械臂模型并进行配置；2基于机械臂模型，使用Sobol序列随机采样生成数据，并使用离散物理信息神经网络PINNs对数据进行训练；3对训练生成的数据进行筛选，使用扩展卡尔曼滤波器预测噪声环境下的下一个状态；4根据参考轨迹，利用非线性模型预测控制机械臂进行轨迹跟踪，并生成最优控制序列；5根据参考轨迹目前的状态，更新扩展卡尔曼滤波器的最优控制输入，并循环迭代步骤4和步骤5，完成对机械臂的实时控制。本发明能够对多轴机械臂的位置和速度进行实时控制，得到更小的误差，显示出更优越的控制能力。

本发明授权一种基于信息物理神经网络的多轴机械臂预测控制方法在权利要求书中公布了：1.一种基于信息物理神经网络的多轴机械臂预测控制方法，其特征在于，包括以下步骤： 1基于机械臂各轴之间的物理关系建立非线性动态机械臂模型并进行配置； 2基于机械臂模型，使用Sobol序列随机采样生成数据，并使用离散物理信息神经网络PINNs对数据进行训练； 3对训练生成的数据进行筛选，使用扩展卡尔曼滤波器预测噪声环境下的下一个状态； 4根据参考轨迹，利用非线性模型预测控制机械臂进行轨迹跟踪，并生成最优控制序列； 5根据参考轨迹目前的状态，更新扩展卡尔曼滤波器的最优控制输入，并循环迭代步骤4和步骤5，完成对机械臂的实时控制； 所述步骤2包括以下步骤： 2.1使用Sobol序列随机生成机械臂各轴的位置和速度初始数据； 2.2确定机械臂模型中各矩阵的计算方式： 假设连杆为均匀杆，m是第i个连杆的质量，l是第i个连杆的长度，q是第i个关节的角度，q是第j个关节的角度，是第i个关节的角速度，是第j个关节的角速度，g是重力加速度常数，则： 2.3利用梯形法计算关节位置的预测值并更新原状态：设采样周期为Δt，总步数为n，初始状态则： 更新原状态： 2.4定义PINNs的损失函数L： 其中，Ldata为数据损失，Lphys为物理损失，α,β为权重因子， 其中，Ndata为数据点的数量，Nphys为采样的物理点数量； 2.5选取Adam优化器进行训练； 所述步骤4包括以下步骤： 4.1设定参考轨迹的轨迹方程 4.2构建成本函数J： 其中，V是状态误差权重矩阵，W是控制输入权重矩阵，U是终端状态误差权重矩阵，L是预测时域长度； 4.3对系统的约束进行定义： 系统的动态约束定义为系统的动力学方程； 系统的输入约束为：umin≤uk≤umax； 系统的状态约束为：xmin≤xk≤xmax； 4.4在满足三种约束条件下，求满足Jmin的最优控制输入序列u*； 所述步骤5包括以下步骤： 5.1找到满足Jmin的最优控制输入序列u*＝{u0，u1…，uL-1}，取该序列中的第一个值u*0作为反馈变量； 5.2根据参考轨迹目前的状态，选择PINNs预测中最接近当前参考轨迹状态的一组并提取与之对应的将与u*序列的第一个值进行比较，选择与当前轨迹状态差异更小的控制输入作为下一时刻扩展卡尔曼滤波器的最优控制输入 5.3使用上一时刻扩展卡尔曼滤波器计算得出的作为下一时刻扩展卡尔曼滤波器的状态输入，循环迭代步骤4和步骤5，完成对机械臂的控制。

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中国科学院沈阳自动化研究所，其通讯地址为：110016 辽宁省沈阳市沈河区南塔街114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。