机器人神经网络逆标定法研究与仿真.pdfVIP

参 机器人神经网络逆标定法研究与仿真 Researchand simulationofrobotinverse calibrationbased onneuralnetw ork 王战中，王文龙，靳超松，孙少华，石朋龙 VVANGZhan—zhong，VVANG W en1ong，JlNChao—song，SUN Shao—hua，SHIPeng—long 石家庄铁道大学，石家庄 050043 摘 要：基于运动学模型的机器人几何参数标定法需要建立复杂的误差模型，在不断变化的环境中缺乏 柔性。基于神经网络的机器人逆运动学标定法，是通过一定的算法得到各关节角所对应的误 差值，以关节角值为输入，关节角所对应的误差值为输出来训I练神经网络，把所有的误差都 归结为关节角误差，通过对关节角补偿来驱动机器人。利用遗传算法优化神经网络的权值与 阈值 ，使优化后的BP神经网络能够更好地预测函数输出，利用MATLAB神经网络工具箱进行 仿真，结果证明经遗传算法优化的神经网络标定法可以进一步提高标定精度。 关键词 ：逆运动学；补偿；神经网络；遗传算法；标定 中国分类号：TP242．2 文献标识码：A 文章编号：1009-0134 2015 03 下 一0012-04 Doi：10．3969／j．issn．1009-0134．2015．03 下 ．04 0 引言 器人领域可用于机械手的路径规划 、障碍回避、运动学 模型及动力学模型的 自动辨识等一一系列 问题”】。 机器人误差的主要来源是机器人的几何尺 参数误 BP网络属于前馈 网络 ，由输入层、隐含层 以及输 差，其他因素LIc~H齿轮间隙、热变形、负载变形等也会 出层组成，是神经网络 中比较常用的…种结构，学习过 造成机器人的末端位姿误差。由于几何参数误差引起的 程包括输入信号的前向传递与误差的反向传递。网络的 末端位姿误差 占机器人位姿总误差的70％～90％，而且 输入信号由输入层通过隐含层到输出层依次处理，如果 为了降低误差模型的复杂性，这种只考虑机器人几何参 输 出层未能达到期望输出，则误差反 向传递，通过不断 数误差的简化模型是切实可行的…。几何参数标定法在 调整网络的连接权值和阈值来减小预测输出误差直至期 大多数情况下可以达到较高的精度，但是这种方法没有 望输出，这样反复循环 ，从而使预测输出逐步逼近期望 考虑 由于非JL何参数误差所引起的位姿误差。基于神经 输出。 网络的机器人逆运动学标定方法 2】，就是通过一定 的算 法得到各关节角所对应的误差值 ，通过对关节角补偿来 2 遗传算法在优化BP神经网络中的应用 驱动机器人，从而使机器人末端位置误差减小。这种方 2．1遗传算法原理 法不仅考了几何误差冈素，而且还考虑了：-II~YL何等多种 误差因素，把所有因素引起的位姿误差全部归结为关节 基于生物进化论 以及 自然界遗传机制法则，1962 角误差，无需建立复杂的误差模型，通过修正关节角来 年美国密歇根大学Holland教授提出了一种并行式随即 提高标定的精度。 搜索函数最优解的方法 ，即所谓的遗传算法 Genetic Algorithms 。Holland把参数优化形成的编码串联群体 1 神经网络概述 引入到 自然界 中 “优胜劣汰 ，适者生存 ”的进化原理 神经 网络是由简单处理单元构成 的具有大规模并 中，结合所选择的适应度函数，通过遗传算法中的选 行式分布结构的处理器，拥有极强的学习能力和泛化能 择、交叉、变异对个体进行筛选，保留适应度值好的个 力，具有存储经验并使之可用的优点。人工神经网络 以 体，淘汰适应度值差的个体，这样反复循环，不断逼近 其精确地逼近能力、高度非线性在系统优化 、智能控 最优解，所得到的新群体不仅优于上…代，而且还继承 制、信息处理和模式识别等领域得到了广泛应用，在机 了上一代的信息。 收稿 日期：2014-10—02 基金项目：河北省 自然基金项 目 E座机电话号码07 作者简介：王战中 1969一 ，男，河北鹿泉人，副教授，博士，研究方向为机械制造及自动化。 [121 第37卷 第3期 2015—03 下 2．2遗传算法优化BP神经网络 获得，经过训练后的神经网络可以预测函数的输出，个 遗传算法优化神经网络主要包括三部分：BP神经 体适应度值可 以通过预测输出与函数期望输出的绝对值 网络结构的确定，利用遗传算法优化神经网络结构以及 和F来表示，其公式可写作： BP神经网络的预测。其中，BP神经网络结构的确定主 F 、 ∑‘abs yi一0i 要是确定神经网络的输入输出个数，以此来确定遗传算 l 法中个体所需的长度；利用遗传算法优化神经网络结构 式中，n表示网络输 出的节点总数；k表示个体适应 主要