基于BP网络的水轮机修复专用机器人运动学逆解分析

用Pro-E软件建立了水轮机修复专用机器人的本体模型，在此基础上，利用Matlab循环程序求出机器人在给定关节变量下的运动学正解，以此作为训练样本，通过逐次训练6输入、6输出、2个隐含层的BP神经网络，得到机器人从工作空间到关节变量空间的非线性映射，从而实现了水轮机修复专用机器人运动学逆解的计算。     

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。     

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BP网络判据的工业机器人运动学逆解

以MOTOMAN UP20型六自由度机器人为例,建立了工业机器人的MDH模型。在此基础上提出了一种解决工业机器人运动学逆解中存在多解的问题的方法：利用BP网络算法所得的结果作为判据,进行机器人运动学逆解的自动选择,得出运动学逆解问题的唯一解,以实现从机器人工作空间到关节空间的非线性映射。     

水轮机修复专用机器人逆运动学求解

在用Pro／E软件建立水轮机修复专用机器人的本体模型的基础上，利用BP神经网络与误差补偿相结合的方法，求解了水轮机修复专用机器人逆运动学问题，计算结果表明，该法迭代次数少，计算精度高，满足机器人实施控制要求。     

基于BP神经网络的机器人逆运动学新算法

以瑞典ABB公司生产的IRB140型小型工业机器人为例,对空间六自由度多关节机器人进行了运动学分析,建立了该类型机器人的运动学模型,并提出了一种基于BP神经网络改进算法的机器人逆运动学的求解方法。对IRB140型机器人的仿真研究表明,用此改进的BP神经网络算法反解机器人运动学不仅求解过程简单,学习收敛速度快,还可以避免传统反解方法中的许多棘手问题。     

机器人仿真系统运动学逆解算

对目前应用的机器人运动学方程进行分析研究，揭示了采用传统运动学建模方法建立的运动学方程中存在的问题，并提出了改进措施。结合遥操作机器人仿真系统进行计算机仿真，结果表明了改进措施的正确性。     

基于运动耦合结构的并联机器人运动学正逆解

根据运动学等效的原则，在并联机器人中引入等效串联机器人及分支等效串联机器人，以等效广义坐标为中间变量建立并联机器人运动学正道解求解算法。该算法能有效处理结构带来的运动耦合，并且规划的软件具有自动生成迭代初始点、避免多解性以及便于实际应用等特点，从而为并联机器人的结构设计与创新提供了理论支持。     

基于径向基函数网络的MOTOMAN机械手运动学逆解

从集合和数学观点 ,把运动学正解和逆解问题作为机器人关节空间和工作空间之间的非线性映射关系 ,将运动学逆解过程转换为神经网络权值训练问题。基于具有局部逼近能力的特点 ,将正解结果作为训练样本 ,用 6输入、单输出的RBF网络 ,实现了MOTOMAN机械手运动学逆解计算 ,避免了传统方法的繁琐公式推导。算例表明 ,采用RBF网络解决逆解问题比BP网络的计算精度略有提高。此外 ,RBF网络有更快的收敛速度     

采用APSO-LM-BP神经网络的挖掘机器人运动学逆解研究

针对挖掘机器人执行机构的运动学逆解求解难、速度慢的问题,提出一种基于APSO-LM-BP神经网络的逆运动学求解方法。利用自适应粒子群(APSO)算法对BP神经网络中的连接权值以及阈值进行优化,再把BP神经网络训练过程中的梯度下降法用LM算法代替,以克服传统BP神经网络的输出误差大,陷入局部极优解的缺陷。仿真结果表明,与传统BP神经网络相比,APSO-LM-BP神经网络输出误差大大降低,训练时间更短,改善了算法的收敛精度和收敛速度,且满足挖掘机器人运动学逆解要求。该方法可以推广至任意自由度串联机器人的逆运动学求解,具有较强的实用性。     

基于倍四元数的机器人逆运动学分析

采用倍四元数进行建模求解机器人逆运动学问题.将齐次变换矩阵转以倍四元数形式表示,建立了倍四元数形式的机器人运动学方程,再通过消元和运算得到机器人逆运动学的解.最后,以SCARA机器人为实例求解验证,证实该算法简单可行.     

基于回转变换张量法的6R机器人的运动学逆解分析

运用回转变换张量法,求解了三个腕关节轴线相交于一点的6自由度喷涂机器人的运动学逆解,并利用消元法简化了运动学逆解的求解过程,得出了较为简易的解析解。利用Matlab软件编写了机器人的逆解计算程序,并进行实例计算,不仅证明了运动学逆解的正确性,也为后续研究奠定了基础。     

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。     

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。     

神经网络在机器人逆运动学中的应用

研究了3种BP网络改进算法在机器人逆运动学中的应用。采用多层前向神经网络建立机械手逆运动学模型。仿真结果表明，所提方法可以满足机械手逆运动学解的精度，确保快速达到全局收敛。