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。     

并联机器人正运动学与NURBS轨迹规划

并联机器人是一种具有高载荷自重比的封闭式运动结构,针对并联机器人运动控制和NURBS轨迹问题进行了深入的研究,首先从并联机器人的逆运动学问题进行了解析方法的求解。其次,针对正运动学(FKP)在数学上是难以解决问题,提出了一种多层感知器进行反向传播学习的神经网络进行实时求解。再次,开发了基于NURBS的通用插补器,它可以处理任何类型的几何图形使得机器人运动轨迹平滑。最后利用实验验证了运动学和NURBS曲线求解并联机器人模型的正确性。该策略在少数迭代和很少执行时间内,位置和方向参数的精度分别接近0.01mm和0.01°,验证了算法的有效性和正确性。     

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.     

机器人连续轨迹控制中的Bezier曲线轨迹优化与控制

为使机器人轨迹便于分段处理，更好地用于实时控制，本文首次使用Bezier曲线进行机器人轨迹规划；建立了机器人Bezier轨迹时间最短优化模型，该优化模型包括关节角速度、加速度、加速度变化率及力矩4种约束；给出了优化计算方法。为说明本方法，还给出了PUMA560机器人前三铰Bezier轨迹优化算例，并提出时间最优控制模型。     

基于模糊神经网络的不确定机器人实时轨迹跟踪控制的研究

针对机器人建模的不精确性以及扰动的存在给机器人控制增加难度的问题,提出了一种基于模糊神经网络的不确定机器人实时轨迹跟踪控制方法。该控制方法的控制器由模糊神经网络(FNN)控制器和CMAC控制器组成,FNN控制器代替传统的计算力矩法,CMAC控制器在线补偿控制误差,有效补偿机器人存在的各种不确定性。对二自由度机器人的仿真结果表明了所提出的控制方法的可行性。     

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

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     

APPROACH TO IMPROVEMENT OF ROBOT TRAJECTORY ACCURACY BY DYNAMIC COMPENSATION

Some dynamic factors, such as inertial forces and friction, may affect the robot trajectory accuracy. But these effects are not taken into account in robot motion control schemes. Dynamic control methods, on the other hand, require the dynamic model of robot and the implementation of new type controller. A method to improve robot trajectory accuracy by dynamic compensation in robot motion control system is proposed. The dynamic compensation is applied as an additional velocity feedforward and a multilayer neural network is employed to realize the robot inverse dynamics. The complicated dynamic parameter identification problem becomes a learning process of neural network connecting weights under supervision. The finite Fourier series is used to activate each actuator of robot joints for obtaining training samples. Robot control system, consisting of an industrial computer and a digital motion controller, is implemented. The system is of open architecture with velocity feedforward function. The proposed m     

Neural network controller for robotic motion control

Since a robotic manipulator has a complicated mathematical model, it is difficult to design a control system based on the complicated multi-variable nonlinear coupling dynamic model. Intelligent controllers using fuzzy and neural network approaches do not need a real mathematical model to design the control structure and have attracted the attention of robotic control researchers recently. A traditional fuzzy logic controller does not have learning capability and it needs a lot of effort to search for the optimal control rules and the shapes of membership functions. Owing to the time-varying behaviour of the system, the required fine tracking accuracy is difficult to achieve by adjusting the fuzzy rules only. The implementation problems of neural network control are the initial training and initial transient stability. In order to improve the position control accuracy and system robustness for industrial applications, a neural controller is first trained off-line by using the input and output (I/O) data of a traditional fuzzy controller. Then the neural controller is implemented on a five-degrees-of-freedom robot with a back propagation algorithm for online adjustment. The experimental results show that this neural network controller achieved the required trajectory tracking accuracy after 15 on-line operations.     

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。     

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     

泛灰数学在机器人机构误差分析中的应用

介绍了泛灰数学及其软件编制，研究了机器人机构误差分析的泛灰方法。给出了PUNA型机器人误差设计的设计实例。泛灰数学机器人误差分析提供了新理论与新方法，具有广泛的应用价值。     

基于MATLAB与ADAMS的PUMA560机器人逆运动仿真

应用D-H法建立PUMA560机器人的关节坐标系和杆件参数,并在MATLAB环境下,利用对Robotics Toolbox（机器人工具箱）的二次开发对输入模型进行逆运动仿真,将所得数据导入Adam s进行验证,取得良好效果。     

基于渐开线球齿轮的机器人柔性手腕结构与运动分析

介绍了一种基于渐开线环形齿球齿轮传动的机器人新型柔性手腕及其空间八杆驱动机构。该柔性手腕由六个球齿轮按特定规律串联而成,构成了一种多系杆的空间运动行星轮系机构。新型柔性手腕具有3自由度,可实现全方位偏摆运动和自旋运动,任意方位最大偏摆角可达126°,其运动性能明显优于著名的Trallffa柔性手腕。介绍了多个球齿轮的串联结构型式,分析了新型柔性手腕的结构特点和动作原理。对驱动机构进行了可动性分析,建立了驱动机构的运动学模型。分别进行了手腕偏摆运动分析和自旋运动分析,利用Denavit-Hartenberg方法确定了六个球齿轮的位姿矩阵,推导了手腕输出轴偏摆角与第一级系杆框架偏摆角之间的关系,并求出了输出轴末端的坐标参数方程,建立了自旋运动正、逆问题运动学模型。上述驱动机构和柔性手腕的运动学分析模型成为设计控制系统的依据。     

基于有理数运算的一般6R机器人位置逆解算法

将有理数最佳逼近实数和三角函数的方法引入到6R机器人的位置逆解计算中,提出了一种基于有理数运算的一般6R机器人位置逆解算法。采用有理数运算不存在浮点数运算中的截尾问题,因此不会损失精度,属于准确计算。该算法在整个计算过程中,仅仅在数字类型转换和简化时才会引入误差,而这个误差可以人为地加以控制,因此实现了整个运算过程中的精度控制。     

基于Pro/E和ADAMS的机器人虚拟设计与仿真

用Pro/E建立的机器人虚拟装配模型导入ADAMS中,与机器人末端固结的点MARK-ER_40沿着设定的直线方向直线运动后,进行了机器人逆运动学分析,包括MARKER_40点的速度、加速度的分析以及小臂转轴的角速度、角加速度的分析.通过对机器人的逆运动学问题进行分析,得到的仿真曲线为控制机器人的运动和路径规划提供教据参数.     

冗余度变几何桁架机器人动力学计算

应用模糊神经网络对机器人逆动力学模型进行辨识,将整个动力学模型系统分为三个子系统,分别采用三个模糊神经网络系统对广义质量矩阵、向心力及哥氏力矩阵和重力矩阵进行学习,求解了冗余度四面体变几何桁架机器人的逆动力学问题,并对四重四面体的变几何桁架机器人进行了仿真计算。     

Trajectory coordination planning and control for robot manipulators in automated material handling and processing

Motion coordination planning and control play a crucial role in robot application to Cartesian task operations with taking into account kinematics and dynamics constraints. This paper presents a unified approach to coordination planning and control for robot position and orientation trajectories in Cartesian space. The concept of generalised robot pose is defined as the robot configuration consisting of position and orientation, in which the orientation is described by a vector equivalent to the rotational angular displacement. The robot pose ruled surface is formed as a three-dimensional motion locus of its configuration vector. The unified treatment of the end-effector positions and orientations is based on the robot pose ruled surface concept and used in trajectory interpolations. The coordination planning of pose trajectories for the robot end effector is accomplished by generating and optimising the pose ruled surface under the constraints of kinematics and dynamics performances. The coordination control is implemented through controlling the motion laws of two end points of the orientation vector and calculating the coordinates of instantaneous corresponding points. The simulation experiment using PUMA 560 robot in arc welding and surface finishing processes are carried out to verify the feasibility of the proposed approach and demonstrate the capabilities of generation and control models.