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！

龙图腾网获悉湖南大学申请的专利一种驱动软体基体活动的绳驱动软体执行器平台及其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：CN121552324B 。

龙图腾网通过国家知识产权局官网在2026-04-24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：202610076669.1，技术领域涉及：B25J9/10；该发明授权一种驱动软体基体活动的绳驱动软体执行器平台及其控制方法是由冯运;李海城;张雅芝;王耀南设计研发完成，并于2026-01-21向国家知识产权局提交的专利申请。

本一种驱动软体基体活动的绳驱动软体执行器平台及其控制方法在说明书摘要公布了：一种驱动软体基体活动的绳驱动软体执行器平台及其控制方法，控制方法包括：采集软体基体的输入与形变状态数据对并输入到非线性的物理信息神经网络中，生成优化后的输入与形变状态数据对，训练代理模型；利用Koopman算子理论，通过扩展动态模式分解方法将训练后的代理模型转化为线性状态空间模型，提取状态空间模型参数与升维函数；设计模型预测控制器，在线滚动求解最优控制量，完成伺服电机的驱动；通过数据反馈传感器实时反馈系统状态，经卡尔曼滤波器估计后反馈至模型预测控制器，构成闭环优化控制，实现对软体基体期望轨迹的跟踪与软体基体沿转轴运动下的扰动抑制。本发明控制精度高，为研究软体机器人提供了可行的控制方案。

本发明授权一种驱动软体基体活动的绳驱动软体执行器平台及其控制方法在权利要求书中公布了：1.一种绳驱动软体执行器平台的控制方法，其特征在于，包括如下步骤： S1、采集软体基体1的输入与形变状态数据对，利用输入与形变状态数据对训练得到非线性的物理信息神经网络，将输入与形变状态数据对输入到非线性的物理信息神经网络中，生成优化后的输入与形变状态数据对，并利用优化后的输入与形变状态数据对训练代理模型； S2、利用非线性的物理信息神经网络生成预测的下一步的输入与形变状态数据对，结合Koopman算子理论，依据下一步的输入与形变状态数据对并通过扩展动态模式分解方法将训练后的代理模型转化为线性状态空间模型，然后提取线性状态空间模型的参数与升维函数； S3、基于线性状态空间模型设计模型预测控制器，以升维函数生成的升维向量为预测基础在线滚动求解最优控制量，并将最优控制量对应的控制指令传输至嵌入式微控制器421，控制电机驱动模块423完成伺服电机31的驱动； S4、通过数据反馈传感器43实时反馈系统状态，系统状态为软体基体1的形变状态，系统状态经卡尔曼滤波器估计后反馈至模型预测控制器，模型预测控制器输出驱动伺服电机31运动的最优控制指令，至此构成闭环优化控制，实现对软体基体1期望轨迹的跟踪与软体基体1沿转轴322运动下的扰动抑制； 所述S1具体包括如下步骤： S11、采集软体基体1的输入与形变状态数据对； S12、选定基于长短期记忆神经网络框架的物理信息神经网络，并基于选定的物理信息神经网络设计第一损失函数； S13、利用输入与形变状态数据对和第一损失函数对物理信息神经网络进行训练，得到非线性的物理信息神经网络； S14、然后将采集的输入与形变状态数据对输入到非线性的物理信息神经网络中，生成优化后的输入与形变状态数据对； S15、选定代理模型，并设计第二损失函数，依据优化后的输入与形变状态数据以及第二损失函数对代理模型进行训练，得到训练后的代理模型； 所述S12中第一损失函数为数据损失与物理损失的和，其中物理损失包括能量损失和几何兼容性损失；第一损失函数的计算式具体如下： ； 其中，表示数据损失，即物理神经网络的期望数据与实际测量数据之间的误差；为能量损失，即能量最小化的残差；为几何兼容性损失，即驱动绳325和软体基体1之间的几何兼容性计算误差；、和分别为各项误差的加权； 各项误差的计算公式为： ； ； ； 其中，N为未来总步数；M为驱动绳325的数量；L为软体基体1的总长度；和分别为物理神经网络的在第n+1步处的预测输出与实际数据值，为物理神经网络预测的软体基体1中心线弧长的函数，它的二阶导为软体基体1的中心线曲率向量；和分别为第i根驱动绳325在第n步处的预测累计和实际累计长度，表示范数。

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湖南大学，其通讯地址为：410082 湖南省长沙市岳麓区麓山南路1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。