第三章 神经网络控制20150609修订.ppt

式中， 表示末端位姿期望值的第k个分量；θd表示期望的关节变量；η是学习率。 图3.79 机械手的正运动学模型 采用上述方法(用足够多的结点数且预光给定 )学习正运动学的好处是可以获得精确的正运动学解，且收敛速度很快。其缺点是可能需要太多的结点，且可能有很多为零。因此可以 用较少的结点，而使 和 均通过BP学习算法或它的变形来加以确定。采用这种简化网络的缺点是训练时间长且不能获得精确解，而且有时还可能陷于局部的极值。为此可采用一种递阶的自组织学习算法，它通过监控网络的性能，自动地增补隐层的结点。 (2)基于李雅普诺夫函数的逆运动学求解 可通过计算正运动学来迭代求解逆运动学的方法，其基本思路如图3.80所示。若迭代算法是收敛的(即系统是稳定的)，则最终有 ，即 ，从而θ便为所求逆运功学解。 图3.80 迭代求解逆运动学的基本思路 取李雅普洛夫函数 式中， 表示 与 之间的误差向量； 是期望的位姿； 是实际的位姿； ，θ是实际关节向量， 是关节空间的限制向量。 对上式求导得 式中 为雅可比矩阵，若取 代入前面式子得 由于 ，所以系统是渐近稳定的，并最终达到 。