7自由度串联机器人运动学分析

以北京某大学自行研制的7自由度串联机器人为研究对象,对其运动学正解和逆解进行分析和研究。应用旋量方法推导出该机器人的运动学正解求解方程。在运动学正解求解方程基础上,采用位姿分离方法,将7自由度串联机器人的运动学逆解问题分解为位置逆解和姿态逆解两部分,并结合几何法和最短行程原则优化计算位置逆解和姿态逆解,继而完成了该机器人的运动学逆解求解。仿真结果验证了该7自由度串联机器人运动学逆解求解方法的正确性,且证明了该方法具有运算量小和精度高等特点。     

6-DOF工业机器人逆解优化及其工作空间的研究

为实现6-DOF工业机器人的精确控制,对其运动学逆解进行了分析以及工作空间予以仿真研究。据D-H法建立机器人运动学模型,得出正逆解,并提出了基于最短行程原则的运动学逆解优化方法,确保机器人系统取得合适的逆解。最后基于Matlab的数值解法对工业机器人的工作空间进行求解并进行了仿真,结果切实有效。     

MATLAB环境下六自由度焊接机器人运动学逆解及优化

通用工业机器人运动学方程有多组逆解,而机器人系统最终只能选择其中的一组解来驱动机器人进行工作,因此需要对多组逆解进行选择优化后作为机器人的最优解。由于逆解的求解过程非常复杂,因此通过分析焊接机器人的正、逆运动学求解过程,提出用MATLAB GUI编程来自动求解机器人的多组逆解,并采用最短行程的原则自动寻找机器人的最优解。与其他方法相比,该方法简单明了,计算速度快。最后给出两组计算实例来验证计算机求解结果的正确性。     

基于机器人逆运动学的磨削姿态优化方法

工业机器人由于其串联结构特性,刚度远远低于数控机床,导致机器人加工存在加工精度低和加工质量差的问题。为提高机器人的加工刚度,提出了一种基于机器人逆运动学的机器人加工姿态求解方法。以IRB6700机器人为研究对象,首先通过比较机器人不同逆姿态对应的加工刚度得到了机器人的最优逆姿态配置,然后进一步考虑机器人加工的冗余性,求解机器人的逆姿态,建立了机器人姿态优化模型并得到了给定加工条件下的优化结果。最后采用有限元仿真验证了机器人逆运动学的磨削姿态优化方法的正确性。     

基于OpenGL的六关节机器人运动学分析与仿真

对于自主设计的六关节机器人,运用D-H法建立机器人的关节坐标系,求解出正逆运动学方程,在Visual C++环境下利用Open GL图形库构造机器人实体仿真模型,并进行机器人正逆运动学仿真。仿真结果直观反映了机器人末端位姿和动态过程,验证了机器人运动学求解的正确性,机器人结构设计合理,为研究动力学分析、轨迹规划奠定了基础。     

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.     

基于ADAMS的焊接机器人逆运动学求解

为了解决机器人运动学方程中的角度耦合问题,采用D－H方法建立了机器人的正运动学方程的数学模型,以PUMA560为研究对象求解,用ADAMS软件进行了仿真,其仿真结果与正运动学方程求解结果相近。验证了正运动学方程数学模型的正确性。在此基础上,采用解析法推导了焊接机器人逆运动学方程。此方法在整个推导过程中仅使用了逆矩阵相乘,解除了角度之间的耦合,推导出了各角的求解公式。此方法可为焊接机器人轨迹规划奠定基础。     

基于长短期记忆网络的机械臂逆运动学解

为了解决传统的解析法用于机械臂逆运动学求解过程中存在操作烦琐和奇异点处无法逆运算等问题，提出了基于长短期记忆网络的机械臂逆运动学求解算法。通过对机械臂的正运动学和工作空间的分析，获取大量有效的机械臂关节空间数据和相对应的末端姿态数据，并作为训练样本。经过训练后，获得逆运动学解的高精度结果。对比传统解析法求解，基于长短期记忆网络方法的求解速度较快。此外，机器人仿真结果显示，相关轨迹无明显的抖动偏移。     

基于MATLAB的UR10机器人运动学分析与仿真

对UR10智能协作机器人进行建模,求解出机器人D-H模型参数,并对机器人的正逆运动学进行分析,求解出正运动学中各连杆坐标系的转换关系以及逆运动学中各关节转角。并用MATLAB进行了运动学的仿真与方程计算,通过数据对比分析验证了其运动学模型与运动学正逆运算的正确性。     

基于组合优化算法的6R机器人逆运动学求解

针对逆运动学求解存在的多解、精度低及通用性差等问题,提出了一种适用于各类6R工业机器人求逆解的组合优化算法。根据经典D-H法建立了机器人运动学模型,以最小化位姿误差为目标,结合运动平稳性原则构造了逆解问题的目标函数,以线性加权和法设计了适应度函数。通过混沌映射初始化种群、收敛因子非线性更新、自适应惯性权重位置调整及引入模拟退火策略等4种措施得到了一种改进的鲸鱼优化算法,并用于逆运动学求解。组合算法将鲸鱼算法求解的结果作为初始值,再利用Newton-Raphson数值法迭代出满足精度要求的运动学逆解。仿真试验结果表明：改进后的鲸鱼算法求解性能得到了较大提高,相比于直接利用鲸鱼算法进行逆运动学求解,组合优化算法具有求解速度快、稳定性好、精度高的特点,证明了该算法求逆的可行性与有效性。     

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。     

基于RBF网络的冗余扫查机器人逆运动学研究

利用径向基函数（RBF）神经网络逼近能力较优和收敛速度较快的特点将运动学逆解过程转换为神经网络权值的训练过程。在训练RBF网络时，采用正交最小二乘（OLS）算法来确定网络中心，并将正解结果作为训练样本，实现了冗余扫查机器人运动学逆解的计算，避免了传统方法的繁琐公式推导及数值病态问题。     

SOLVING INVERSE KINEMATICS OF REDUNDANT MANIPULATOR BASED ON NEURAL NETWORK

For the redundant manipulators, neural network is used to tackle the velocity inverse kinematics of robot manipulators. The neural networks utlized are multi-layered perceptions with a back-propagation training algorithm. The weight table is used to save the weights solving the inverse kinematics based on the different optimization performance criteria. Simulations verify the effectiveness of using neural network.     

神经网络在机器人运动控制中的应用研究

运动控制是人工神经网络应用于机器人控制的重要内容。本文就人工神经网络用于机器人运动学正解问题进行研究 ,通过建立机器人运动学神经网络模型 ,给出了相应的 BP算法 ,并对 2 R、3 R和 6R机器人运动学正解进行了系统的计算机仿真 ,并结合实际任务 ,在 6R焊接机器人上进行了实验验证     

基于BP网络的MOTOMAN机器人运动学逆解研究

探讨了BP网络在MOTOMAN机器人在运动学逆解中的应用。利用正解的结果作为训练样本，通过逐次训练6个输入节点、2个隐层、单输出节点的BP网络得到机器人从工作空间到关节空间的非线性映射，从而实现运动学逆解计算。     

A QP Artificial Neural Network inverse kinematic solution for accurate robot path control

In recent decades, Artificial Neural Networks (ANNs) have become the focus of considerable attention in many disciplines, including robot control, where they can be used to solve nonlinear control problems. One of these ANNs applications is that of the inverse kinematic problem, which is important in robot path planning. In this paper, a neural network is employed to analyse of inverse kinematics of PUMA 560 type robot. The neural network is designed to find exact kinematics of the robot. The neural network is a feedforward neural network (FNN). The FNN is trained with different types of learning algorithm for designing exact inverse model of the robot. The Unimation PUMA 560 is a robot with six degrees of freedom and rotational joints. Inverse neural network model of the robot is trained with different learning algorithms for finding exact model of the robot. From the simulation results, the proposed neural network has superior performance for modelling complex robot’s kinematics.     

新型气动弯曲关节手指的运动学分析

提出了一种新型气动弯曲关节手指，并应用坐标变换的方法建立了手指的运动学方程。介绍了基于Hopfield网络求解运动学逆解的算法。仿真结果表明，手指具有良好的轨迹跟踪性能。     

基于BP神经网络的冗余机械臂逆运动学分析

常见的七自由度冗余机械臂逆运动学解法较为繁杂,且对不同构型机械臂的逆运动学解法通用性较差。为了找到一种通用的七自由度机械臂逆运动学求解方法,建立了神经网络模型,选择了合适的激励函数、隐藏层神经元数量、神经网络层数和学习速率等模型参数。设计轨迹跟踪实验对神经网络模型进行验证,实验数据证明该方法有效且精度较高,是一种可行的冗余机械臂逆运动学求解方法。     

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.     

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。