机械手时间最优轨迹规划方法研究

提出一种基于模糊遗传算法的机械手时间最优轨迹规划方案。该方案对简单遗传算法进行了改进，将模糊原理应用于遗传算法，形成了模糊遗传算法，对遗传算法中的交叉概率及变异概率进行模糊控制，提高了算法的收敛速度，有效地避免了初期收敛的发生，在进行时间最优轨迹规划时，综合考虑了机械手的运动学与动力学特性，采用罚函数方法来处理力矩约束。经仿真研究表明，该方法简单实用，适用于大范围空间的轨迹规划，克服了传统的非线性规划方法容易陷入局部极小的不足。     

神经网络在机器人逆运动学中的应用

研究了3种BP网络改进算法在机器人逆运动学中的应用。采用多层前向神经网络建立机械手逆运动学模型。仿真结果表明，所提方法可以满足机械手逆运动学解的精度，确保快速达到全局收敛。     

基于免疫进化神经网络的机械手逆运动控制

将免疫进化算法用于机械手逆运动神经网络控制，基于生物免疫系统的细胞克隆选择学说和生物进化过程中的变异思想构造了自适应变异算子，使系统能够根据环境条件自适应地确定各抗体的变异强度；通过亲和力抑制相似抗体生存并动态地产生新的抗体，以维持抗体种群的多样性。通过对机械手进行仿真试验，并与快速BP算法及标准遗传算法训练的结果进行比较，表明用免疫算法训练的神经网络具有良好的泛化能力，可大大提高机械手逆运动学求解精度。     

采用APSO-LM-BP神经网络的挖掘机器人运动学逆解研究

针对挖掘机器人执行机构的运动学逆解求解难、速度慢的问题,提出一种基于APSO-LM-BP神经网络的逆运动学求解方法。利用自适应粒子群(APSO)算法对BP神经网络中的连接权值以及阈值进行优化,再把BP神经网络训练过程中的梯度下降法用LM算法代替,以克服传统BP神经网络的输出误差大,陷入局部极优解的缺陷。仿真结果表明,与传统BP神经网络相比,APSO-LM-BP神经网络输出误差大大降低,训练时间更短,改善了算法的收敛精度和收敛速度,且满足挖掘机器人运动学逆解要求。该方法可以推广至任意自由度串联机器人的逆运动学求解,具有较强的实用性。     

基于多种群遗传算法的一般机器人逆运动学求解

几何结构不满足Pieper准则的机器人被称为一般机器人,其逆运动学运算不能采用封闭解法,而采用数值解法又需要庞大的计算量,且存在奇异位置无法求解的问题。为此,将多种群遗传算法应用于运动学逆解运算,提出一种适用于一般机器人的高精度并行求逆算法。为避免机器人位姿收敛精度不同,该算法将目标函数分解为位置和姿态函数,同时引入适应度函数权值系数来平衡两函数收敛速度;为避免局部收敛,该算法采用多点交叉和均匀交叉相结合的交叉算子,并逐步增大均匀交叉概率来抑制短子串偏差,使搜索趋于稳健;为提高收敛速度,该算法采用动态变异率的变异算子,以及种群替代和个体替代相结合的移民算子来克服全局收敛的盲目性。以封闭解法和数值解法无法求逆的6R一般机械臂为对象,开展与单种群遗传算法的对比试验,结果表明:该算法可在避免局部收敛的基础上保证算法稳定性,且能够大幅提升收敛精度和速度。     

基于BP神经网络的机器人逆运动学新算法

以瑞典ABB公司生产的IRB140型小型工业机器人为例,对空间六自由度多关节机器人进行了运动学分析,建立了该类型机器人的运动学模型,并提出了一种基于BP神经网络改进算法的机器人逆运动学的求解方法。对IRB140型机器人的仿真研究表明,用此改进的BP神经网络算法反解机器人运动学不仅求解过程简单,学习收敛速度快,还可以避免传统反解方法中的许多棘手问题。     

基于RBF神经网络的机械手逆运动学求解

针对用于求运动学逆解的代数法存在计算量大、求解精度低等问题,提出了一种将RBF神经网络与正交最小二乘法相结合的求解方法。根据RBF神经网络的非线性局部逼近能力及快速学习能力,确定了进行运动学逆解所要的RBF神经网络参数,利用正交最小二乘算法对RBF神经网络进行稳定性训练,并设计了其逆运动学求解的算法流程图。运用MATLAB软件对该算法进行仿真分析,结果表明采用该方法能有效减少人工计算量且具有较高求解精度。     

基于径向基函数网络的MOTOMAN机械手运动学逆解

从集合和数学观点 ,把运动学正解和逆解问题作为机器人关节空间和工作空间之间的非线性映射关系 ,将运动学逆解过程转换为神经网络权值训练问题。基于具有局部逼近能力的特点 ,将正解结果作为训练样本 ,用 6输入、单输出的RBF网络 ,实现了MOTOMAN机械手运动学逆解计算 ,避免了传统方法的繁琐公式推导。算例表明 ,采用RBF网络解决逆解问题比BP网络的计算精度略有提高。此外 ,RBF网络有更快的收敛速度     

6R模块化机器人逆解算法与误差分析

为解决6R模块化串联机器人逆运动学求解精度和效率低的问题,运用D-H法对该机器人进行建模和正运动学分析,提出了解析法+BP神经网络相结合求逆运动学的方法。在逆运动学求解过程中,采用解析法求解前三个关节角度,采用BP神经网络建立运动学逆解模型求解后三个关节角度。为解决网络训练样本数据优选问题,采用核聚类理论和随机抽取算法对后三个关节的位姿参数样本进行优选,将逆运动学问题转化为基于BP的多输入多输出预测系统。运用该逆解模型进行复杂运动轨迹仿真,结果显示该神经网络模型求逆解的精度最高可达6.8212e-8°。并将该方法与解析法+BP神经网络不同的组合模式进行预测求解对比,结果表明该求逆解组合模式不但求解精度高,而且求解简单、泛化能力强。     

基于改进克隆选择算法的机械臂运动学逆解

针对常规方法无法有效求解冗余机械臂逆运动学问题的不足,提出一种基于改进克隆选择算法的机械臂运动学逆解求解方法.该算法采用底层进化与顶层进化相结合的多策略混合协同进化机制,使得算法具有较强的种群多样性保持能力,从而有效避免了算法早熟收敛现象的发生.采用经典的基准测试函数验证了所提算法的可行性与有效性,实验结果表明该算法具有收敛速度快、收敛精度高、稳定性好以及计算成本低等优势.以平面冗余机械臂运动学逆解的求解为例进行对比实验,仿真结果表明:所提出的改进算法获得了100％的运动学逆解寻优成功率,是一种有效的冗余机械臂逆运动学求解方法.     

基于神经网络的三自由度摇摆台运动学反解

针对传统的数值解法不能满足实时控制算法的要求，研究使用BP网络和径向基函数（RBF）神经网络求解三自由度摇摆台运动学反解的方法。通过离线的迭代算法生成高精度的样本点来训练神经网络，使用动量法、变学习率法和共轭梯度法提高BP网络的收敛速度。使用正交最小二乘法训练的RBF网络具有更小的泛化误差，更适合于实时控制应用。     

基于BP神经网络的机器人运动学逆解新算法

介绍了BP神经网络原理及算法并利用改进的BP神经网络算法对UY自由度机器人运动学反解问题进行了探讨。通过BP网络建立运动学模型,选择贝叶斯算法,采用Matlab神经网络工具箱进行编程,同时按照一定的范围要求提供样本,在试验及数值模型提供的样本数据范围内,得出模型测试精度都能满足工程要求。文章还进行了BP网络训练,并用训练好的网络来求解运动学逆问题,取得了较好的效果,为机器人运动学逆问题算法提供了新的思路,对机器人动力学问题、轨迹规划、运动控制也有一定的启发作用。     

空间3R机械手逆向运动学的多模块神经网络求解

提出用多模块神经网络的方法求解空间3R机械手的逆运动学多解。通过几何分析,将关节空间划分为多个只有唯一逆运动学解的关节子空间,每个子空间均用3个单输出的BP神经网络训练和求解。通过仿真试验并与其他方法对比,表明该方法不仅可以准确地划分逆运动学解的取值范围,还可以快速求得高精度的逆运动学多解。     

BP神经网络求6PTRT型并联机器人正运动学精确解

采用BP神经网络,利用位置逆解结果,通过训练学习,实现操作从关节变量空间到工作变量空间的非线性映射,从而求出6PTRT型并联机器人的正运动学解.计算实例表明单用BP神经网络得到的精度并不高,所以为提高正解结果精度,引入误差补偿算法,并设计相应软件,所得数据表明,该算法计算精度高.     

基于模糊神经网络的电力变压器故障诊断研究

将模糊控制和神经网络理论相结合,通过遗传算法对其参数进行优化,有效地解决了常规模糊理论不能自学习和神经网络算法易陷入局部极小、收敛速度慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,实例仿真结果表明该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性。     

采用改进遗传算法优化神经网络的双目相机标定

针对传统BP神经网络在双目相机标定过程中存在的迭代时间长、精度低等问题,提出了基于改进遗传算法优化BP神经网络的方法来完成双目相机标定。使用融合多格算法的Trajkovic算子进行角点检测,利用点对点空间映射和网格运动统计相结合的方法完成同名角点匹配,在此基础上,提取同名角点的像素值并计算其实际的三维坐标值。对遗传算法的交叉和变异概率及选择算子进行改进,利用改进后的遗传算法对BP神经网络进行优化,将像素值和三维坐标值分别作为BP神经网络的输入和输出,进而完成双目相机的标定。实验结果表明：优化前后的平均标定预测精度分别为0.66 mm和0.08 mm,其平均标定预测精度提高了88%。优化前后的标定测试迭代次数分别为736和169,优化后迭代速度提高了3.4倍。改进遗传算法优化BP网络在双目相机标定过程中取得较好的效果,满足了双目相机标定的要求。     

基于BP网络的尾焦收集机器人运动学逆解算法分析

利用改进的BP神经网络算法对尾焦收集机器人运动学逆解进行探讨,建立了尾焦收集机器人的运动学逆解的BP网络模型,进行了10输入、4输出和1个隐含层的BP网络训练,并用训练好的网络来求解运动学逆问题,取得了较好的效果,为机器人运动学逆问题算法提供了新的思路.