基于神经网络的机器人运动模型辨识及实验验证.pdfVIP

维普资讯 第 l4卷 1期 应用基础与工程科学学报 Vo1．14，No．1 2OO6年3月 JOURNALOFBASICSCIENCEANDENGINEERING March2006 文章编号：1005-0930(2006)01-0144-08 中图分类号：IP24 文献标识码：A 基于神经网络的机器人运动 模型辨识及实验验证 姜春福 ，李庆翠2，李 萍 (1．北京信息高技术研究所，北京 100085；2．北京工业大学实验学院，北京100022) 摘要：为提高机器人模型辨识时神经网络的学习速度，改进得到一种新的神经网络 拓扑结构——状态延迟输入动态递归神经网络．以德国PowerCubeTM模块化机器 人为研究对象，将机器人关节位置信息和OPTOTRAK3020三维运动测量系统测 得的机器人末端位置信息作为神经网络的学习样本，对包含各种影响因素的机器 人运动模型进行了辨识．并以此模型为基础，输入验证样本进行验证，所得结果及 误差分析说明了该神经网络在学习能力上的优越性及辨识模型的有效性． 关键词：神经网络；机器人；辨识 机器人领域内引入神经网络的最终 目的，是为了利用神经网络的独特优势，综合考虑机 器人在实际工作中存在的无法确切建模的各种影响因素，建立更为逼近的总体模型，提高机 器人的控制性能．由于神经网络还存在计算速度和稳定性问题，因此将神经网络应用到实际 机器人系统中，还有许多的工作要做，但已有学者开始在这一方面进行探索．如Yildirim ， Luecke_2在各 自的实验中针对不同的机器人对象采用了神经网络控制器．宋轶民 以具有 压电陶瓷作动器与电阻应变计传感器的平面弹性连杆机器人为研究对象，系统地开展了基 于神经网络的弹性连杆机械振动主动控制的理论、方法和实验研究．这些工作都是神经网络 实际应用的有益尝试．利用神经网络建立起关节空间和笛卡尔空间之间的映射关系，实现机 器人的模型辨识．这样做的好处是可以避免直接求解机器人的正、逆运动学方程，不必知道 机器人的运动学参数，故而成为确定机器人运动模型的颇具吸引力的一种方法．相比于静态 网络，动态神经网络在系统辨识问题上提供了一种极具潜力的选择，代表了神经网络建模、 辨识与控制的发展方向 J．本文在动态递归Elman网络的基础上，采用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，并在实验数据的基础上，将该网络应用 到德国PowerCubeMT模块化平面冗余机器人运动模型辨识的问题中，获得机器人的非线性 运动学模型，并利用实际机器人系统验证所得机器人模型． 1 状态延迟输入动态递归神经网络 状态延迟输入动态递归网络(简称 SDIDRNN)的拓扑结构如图1所示．SDIDRNN将输 收稿 日期：2005-04-ll；修订日期：2005—12-28 基金项目：国防 “十五”重点预研基金项目(4131607301)；武器装备预研基金项目(51415080104JB3308) 作者简介：姜春福(1974一)，男，工程师． 维普资讯 姜春福等：基于神经网络的机器人运动模型辨识及实验验证 145 单元 UI(k-D M“(k-1) 图l 状态延迟输入动态递归网络的拓扑结构 Fig．1 Topologyofstatedelayinputdy1larnicalrecurrentneuralnetwork 人输出状态向量作为单独一组输入，称其为状态结构单元(StateContext)．如果网络只取三 层结构，则这一组输入在结构上与Elman网络的输入层相同，但为一般性，并不将其作为输 入层单元，而是作为结构单元的平行结构，它与隐含层的连接权矩阵有自己的含义，称