排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
4.
由于协作机器人的结构比普通工业机器人更为轻巧,一般动力学模型所忽略的复杂特性占比较大,导致协作机器人的计算预测力矩误差较大。据此提出在考虑重力、科里奥利力、惯性力和摩擦力等的基础上,采用深度循环神经网络中的长短期记忆模型对自主研发的六自由度协作机器人动力学模型进行误差补偿。在实验中采用优化后的基于傅里叶级数的激励轨迹驱动机器人运动,以电机电流估算关节力矩,获取的原始数据用来训练长短期记忆模型(LSTM)补偿网络。网络的训练结果和评价指标为预测力矩相比实际力矩的均方根误差。计算与实验结果表明,补偿后的协作机器人动力学模型对实际力矩具有更好的预测效果,各轴预测力矩与实际力矩的均方根误差相比于未补偿的传统模型降低了61.8%至78.9%不等,表明了文中所提出补偿方法的有效性。 相似文献
5.
6.
7.
为提高协作机器人在多障碍环境下的避障路径规划的成功率和效率,针对机械臂和障碍物提出碰撞检测方法,并提出低振荡人工势场—自适应快速扩展随机树(ARRT)混合算法进行路径规划,机械臂先采用低振荡人工势场法进行搜索,当遇到局部极小、碰撞等情况时切换成ARRT进行逃离,直至到达目标点.另外,为了在每个步长都取得最优的逆运动学关节角,保证前后步长对应关节角度值变化的连续性,提出最短行程逆解算法.为了提高规划后的路径质量,提出一种冗余路径节点删除策略,并使用四次贝塞尔曲线对路径进行拟合.经过仿真分析,机械臂在多障碍环境下对于环境复杂度的适应性强,路径搜索成功率高于经典算法,其平均路径搜索时间相比于经典RRT算法从26.1 s下降到3.6 s,算法搜索成功率和效率都得到显著改善. 相似文献
1