排序方式: 共有13条查询结果,搜索用时 15 毫秒
1.
针对空间冗余机器人建模中不确定因素的影响 ,采用神经网络辨识空间 7R机器人输入输出间的非线性关系 ,建立机器人的运动学模型。对Elman动态递归网络结构作了改进 ,提出一种状态延迟输入动态递归神经网络 ,提高了网络的学习速度。将该网络应用到机器人系统模型的辨识问题上 ,以德国PowerCubeTM模块化机器人为研究对象 ,根据机器人返回的关节位置信息及利用OPTOTRAK 30 2 0三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本 ,对包含各种影响因素的机器人运动模型进行了辨识 ,得到了满意的结果 ,说明了神经网络在此类问题中应用的优越性 相似文献
2.
状态延迟输入神经网络及其在机器人定位监督控制中的应用 总被引:3,自引:1,他引:2
对复合输入动态递归网络作了改进 ,提出一种新的动态递归神经网络结构 ,称为状态延迟输入动态递归神经网络 (State Delay Input Dynamical Recurrent Neural Networks)。这种具有新的拓扑结构和学习规则的动态递归网络 ,不仅明确了各权值矩阵的含义 ,而且使权值的训练过程更为简洁 ,意义更为明确。网络增加了输入输出层前一步的状态信息 ,使其收敛速度和泛化能力与其他常用网络结构相比 ,均有明显提高 ,增强了系统实时控制的可能性。本文将该网络用于机器人定位监督控制系统中 ,通过利用神经网络建立起被控对象的逆模型 ,与传统 PD控制器结合 ,确保了控制系统的稳定性 ,有效地提高系统的精度和自适应能力。仿真结果表明了这种改进的有效性和优越性 相似文献
3.
4.
5.
6.
基于神经网络参数自整定PID的双臂机器人协调操作的轨迹跟踪控制 总被引:1,自引:0,他引:1
将BP神经网络与PID相结合,解决了双臂机器人协调操作同一刚性负载的轨迹控制问题,设计了应用于机器人协调操作刚性负载轨迹跟踪的控制系统。针对主臂和从臂在实际操作中所处地位的不同,对主臂,从臂应用了不同的控制子结构。采用这一方法,可以实时调整PID控制器的参数,使其在线达到最优状态,克服了依靠经验离线整定PID参数的局限,使系统具有更强的鲁棒性和自适应性,其输出可达到期望的控制精度,仿真实验验证了控制系统及算法的有效性。 相似文献
7.
神经网络在机器人控制中的研究进展 总被引:3,自引:0,他引:3
通过对近10年来,国内外学者和工程技术人员在机器人神经网络控制领域中所发表的文献进行分析比较,概述了神经网络在该领域内的研究现状与进展;按照神经网络与机器人不同研究方向的结合,分别介绍了国内外学者在本领域所取得的成功的理论和方法;在当前最新研究成果的基础上,若能将神经网络与柔性机器人、冗余机器人和协调机器人结合起来,将是机器人研究的又一重要方向。此外,神经网络在机器人系统中的实际应用也是今后努力的方向之一。 相似文献
8.
基于虚拟样机的机器人仿真 总被引:7,自引:0,他引:7
为了提高机器人设计的效率和可靠性,运用并简化ADAMS和MATLAB的接口,在MATLAB/SIMULINK里增加了电机仿真模块,弥补了ADAMS中刚性电机的不足,成功地对一平面二自由度机器人机械臂进行了仿真,径向误差<0.065mm,末端终点误差<0.060mm.仿真结果表明,这种方法可以较好地虚拟仿真机器人模型. 相似文献
9.
10.
基于状态延迟动态递归神经网络的机器人动态自适应跟踪辨识 总被引:2,自引:0,他引:2
对一种在Elman动态递归网络基础上发展而来的复合输入动态递归网络(CIDRNN)作
了改进,提出一种新的动态递归神经网络结构,称为状态延迟动态递归神经网络(State Delay
Input Dynamical Recurrent Neural Network).具有这种新的拓扑结构和学习规则的动态递归网
络,不仅明确了各权值矩阵的意义,而且使权值的训练过程更为简洁,意义更为明确.仿真实验
表明,这种结构的网络由于增加了网络输入输出的前一步信息,提高了收敛速度,增强了实时
控制的可能性.然后将该网络用于机器人未知非线性动力学的辨识中,使用辨识实际输出与机理
模型输出之间的偏差,来识别机理模型或简化模型所丢失的信息,既利用了机器人现有的建模
方法,又可以减小网络运算量,提高辨识速度.仿真结果表明了这种改进的有效性. 相似文献