基于迭代优化和神经网络补偿的超冗余机械臂半参数动力学模型辨识

为了实现超冗余机械臂动力学模型的精确辨识,提出了一种基于迭代优化和神经网络补偿的半参数动力学模型辨识方法。首先,介绍了超冗余机械臂的动力学模型和最小参数集,建立了关节非线性摩擦模型,使用遗传算法优化回归矩阵条件数生成激励轨迹。然后建立了机械臂动力学模型物理可行性约束,基于迭代优化方法设计了两层循环网络对超冗余机械臂的惯性参数和关节摩擦模型进行辨识。最后,利用数据集训练BP神经网络,得到超冗余机械臂半参数动力学模型,并与多种算法进行了比较分析。实验结果表明：相较于传统的最小二乘算法和加权最小二乘算法,通过使用本文提出的辨识算法,关节辨识力矩残差均方根（Root Mean Square, RMS）之和分别提高了32.81%和23.76%,半参数动力学模型相比于全参数动力学模型力矩残差均方根之和提高了23.56%,辨识结果验证了辨识方法的有效性和优越性。     

基于改进灰狼算法的冗余机械臂轨迹跟踪与避障

本文将冗余机械臂的轨迹跟踪和避障规划统一为优化问题,提出了一种基于改进灰狼算法的避障跟踪优化器。首先,基于包围盒法对避障空间进行了建模,使用GJK算法计算机械臂与障碍物之间的最小距离。其次,设计了适应度函数,引入避障奖励项对优化器进行主动奖励,使机械臂在跟踪目标轨迹的同时避开障碍物。然后,使用随机分散策略对灰狼算法进行了改进,以增强算法的全局搜索能力,从而更好地求解优化问题。最后,使用九自由度冗余机械臂验证了所提出方法的有效性和优越性。实验结果表明：对于圆形目标轨迹,机械臂的末端跟踪误差为0.21 mm;跟踪过程中,机械臂与障碍物的距离不小于70 mm;相比于经典灰狼算法,改进灰狼算法使跟踪精度提高了13%。本文提出的避障跟踪优化器能以毫米级的精度同时满足冗余机械臂的轨迹跟踪和避障任务;改进的灰狼算法能有效提高经典灰狼算法的收敛精度。