偶数、李代数方法在机构运动学逆解中的应用(I)

主要目的是探讨三个位移积的特性。众所周知 ,一般意义上的欧拉角 (Euler)和布里安特 (Briant)角通常用来描述机器人的旋转运动。然而 ,对于三个任意位移的积 :R =R1R2 R3 研究较少。应用李代数方法证明了 ,任一位移R可以分解成三个位移的积的形式 ;并且给出了其逆解的解析解 ,这一结果为解决更复杂的运动学逆问题打下了基础。     

6R操作臂逆运动学分析与轨迹规划

提出一种依赖初始位形的6R串联操作臂运动学逆解模型与轨迹规划方法。以折叠状态下6R串联操作臂各关节轴线方向单位矢量和位置矢量为基础,运用旋量理论与指数积方法建立该操作臂在初始状态下的运动学模型,以解析法得到该操作臂的16组运动学逆解,通过规划末端执行器在全局坐标系下的位置和姿态运动轨迹,应用运动学逆解得到各关节的运动轨迹。仿真结果表明该操作臂运动学模型、逆解方法与轨迹规划结果正确。该方法建立的6R串联操作臂运动学模型及逆解方法具有建模简单、易于求解、便于轨迹规划等优点。     

基于新旋量子问题改进一类6R串联机器人逆解算法

与传统工业串联机器人相比,后三个旋转关节轴线相交于一点、而前三个旋转关节轴线均不相交的六自由度串联机器人的工作空间较为完善,然而此类6R串联机器人逆解的求解较为复杂,限制了其应用。针对其逆解问题,提出一类新的Paden-Kahan子问题类型:将一点绕两个不相交且不平行的轴线依次旋转到指定点,以及其扩展问题类型:将一点绕两个不相交且不平行的轴线依次旋转直到该点到固定第一点和固定第二点的距离均为指定大小。通过构造与该点运动轨迹相垂直的垂直平面,推导和求解了该子问题的正解和逆解,结合其他已知的子问题,简化和求解此类6R串联机器人的逆解问题,并对其逆解的条件和数目进行讨论。与传统的消元法相比,采用该方法得到的逆解的几何意义更为明确、计算量少、求解效率更高,改进了此类6R串联机器人逆解算法。通过实例计算,验证了求解方法的有效性和可行性。     

基于线性变换的一般5R串联机器人逆运动学分析

基于线性变换消元原理 ,提出了 5R串联机器人逆运动学分析的一般方法 :仅用 3个原始运动学方程 (传统方法用 4个方程 ) ,导出了只含 1个变元的多项式方程 ;该方法适用于一解亦适用于多解问题 ;揭示了其装配构形数目与系数矩阵内在联系 ;5R机构的装配条件对 6R串联机器人逆运动分析将具有重要意义     

基于Dixon-Sylvester法的一般5R串联机器人逆运动学分析

提出了利用三角正余弦函数形式的 Dixon和 Sylvester导出方程组进行线性消元的方法 ,该方法可得到既不引进增根又不失根的一元高次方程或一元高次超越函数。用此法对 5 R串联机器人的逆运动学进行分析 ,仅用 3个原始运动学方程 (传统方法用四个方程 )导出了只含一个变元的三角正余弦方程 ;该方法给出了 5 R机器人逆解一解、多解的统一求解模式。本文所提出的方法对一般空间和平面机器人逆运动学分析具有普遍意义     

六足仿生机器人并联运动学分析

对六足仿生机器人进行并联运动学分析,机器人腿部具有三个关节,根关节、髋关节和膝关节。六足机器人采用三角形步态,当处于三足支撑阶段时机体为3-UR并联机构,利用旋量理论和指数积方法建立其正运动学模型,利用消元方法建立其逆运动学模型,得到该并联机构的显示逆解。利用运动学正解和逆解的关系验证了运动学模型的正确性。     

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。     

基于线性变换的一般5R串联机器人逆运动学分析

基于线性变换消元原理,提出了5R串联机器人逆运动学分析的一般方法仅用3个原始运动学方程(传统方法用4个方程),导出了只含1个变元的多项式方程;该方法适用于一解亦适用于多解问题;揭示了其装配构形数目与系数矩阵内在联系;5R机构的装配条件对6R串联机器人逆运动分析将具有重要意义。     

基于模糊的框架变形重构的应变测量修正

针对三维(three-dimensional,简称3-D)框架结构弹性变形重构中存在的应变测量误差问题,提出了一种应变测量修正的方法。通过逆有限元法(inverse finite element method,简称iFEM)推导出结构表面应变量与测量点位移量之间的应变-位移关系,实测位移量代入应变-位移的转化关系得到相应的逆解应变。由于测量应变中含有安装、测量误差等,测量应变量与逆解应变量之间非线性数学关系模型难以准确得到。基于模糊网络对任意映射关系的无限逼近特性,采用模糊网络(fuzzy network,简称FN)逼近测量应变与逆解应变的关系。在确定模糊网络后,调用网络完成测量应变的修正,利用修正后应变量求解框架的变形位移。最后在三维框架模型上进行实验验证,实验结果表明结构变形重构的误差普遍减小了60%以上,说明该测量应变修正方法能够有效提高变形重构的精度。     

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。