一项类神经网路的研究建立了倒转的运动学为一个三关节的机械手的解决.docVIP

译文： 研究基于神经网络的逆运动学为三关节机器人提供解决方案 译者：测控04级 齐林剑 040402011 摘要 一种基于神经网络的逆运动学提供一个机器人的解决方案在本文中被提及。倒转运动学问题对机器人的操作者是通常很复杂的。许多传统的解决，如几何学的，反复的和代数的，如果操作者的联合结构更复杂，都是不充分的。 在这一项研究中, 一三-关节机器人的操作者模拟软件,在我们的早先研究得到了发展, 且被利用。 首先, 我们已经在工作体积中产生许多起始和最后的点机器人操作者藉由使用计划的立方体的轨道。其次, 所有的角度依照真实的坐标 (x,y, z) 在被命名如训练神经网络组的一个文件被记录。 最后, 我们已经用一个被设计的神经网络解决逆运动学问题。 依照给定的 (x ， y, z) cartesian 被设计的神经网络已经给正确的角度坐标。 神经网络的在线工作特征使它在这解决方面非常成功和流行。 关键字: 人造的神经网络; 机械手工程; 逆运动学解决 1. 介绍 对于一个机器人的操作者的倒转运动学问题是获得必需的操作者关节价值的一个给定且需要的结束指出位置和定方位。逆运动学问题通常是对复杂机器人的操作者。有过去一直解决逆运动学问题的三个传统的方法: 几何学的，代数的和反复相方法。每个方法都有一些缺点。代数的方法不能保证关闭形式解决。假使使用几何学的方法, 关闭形式解决对于第一个三关节的操作者一定用几何学存在。 反复的方法对只有解决和这聚合解决仰赖出发点。对于简单的操作者几何学, 问题被解决使用三角法方法包括沈闷的数学步骤。如果操作者的联合结构更复杂，那倒转运动学解决藉由使用这些传统的方法是一项耗费时间的研究。 计算使用人造的神经网络的倒转运动学特别地有用，较短的计算乘的地方被需要，例如在即时的适合机械手中控制。 换而言之，对于更多推广了 m-自由操作者的时候，传统的方法由于形成的数学结构的高复杂将会变成无法实现。为了更进一步混合问题，机械手必须在使用在现实的世界中，而不是一些作为模型的数学表达式。 由于一可接受错误和它对机器人操作者的即时控制，为神经网络建立了逆运动学生产量倍数和精确度提供了解决方法。 神经网络具有学习复杂动作的功能，在包括式样承认，功能近似值的申请，数据配件，动态系统的控制中促成了他们的使用。 非线性电动系统，包括机械手重复地运行工作的，被显示受益于神经网络控制器的使用。 来自一些报告中的结果和另外的实验证实那神经网络在机械手工程领域中许多问题是有用的。 在使用类神经网路的这项研究相反运动学解决方面与类神经网路的理论背景一起呈现。 2. 在机械手工程中的倒转运动学问题 有关固定的参考机械手手臂和运动的几何学分析研究机械手手臂运动学交易协调对引起的动力/运动，如一个与时间无关的功能系统。对于在时间被关联的角度矢量 t 的一个给定的操作者q(t) = q1(t), q2(t), . . .， qm(t) 和几何学的关联参数, 这里 n 是一个常数，位置和最终影响因素，有关于一个参考同等的人物系统的操作者被通常称为直接的运动学问题。 提供一个被需要的位置和操作者的最终决定因素以及一个参考同等的人物系统的与几何学的关联参数, 联合的角度矢量是逆运动学问题。在本文中，我们设计了一个神经网络解决逆运动学问题。自从独立变数以后在一个机器人的操作者中通常是联合的变数和一件工作被陈述在参考同等的人物框架的期限, 逆运动学问题更时常被用于许多工业的机器人的应用。 3. 人造的神经网络 人造的神经网络是平行分配的数据处理系统。 这一个由系统操作员经单行道的信号流程频道互相连接组成。 安储存样品由于一分配编码，形成一个可训练的非线性系统。 它包括藏着输入和输出之间的层 。 安的主要主意相似人类的脑动作。 因此，安有一个超过一部连续的数传计算机的快速的回应和较高的表现。 给输入和必要的输出, 它也是自适应到那环境，同样地理性地回应不同的输入。 然而，由于它有复杂的内在结构, 安了解到日期是含有种种要素的系统模仿神经原的基本生物学功能。神经网络被用于这一一般化特征的研究。 许多神经网络模型和 sigmoidal 使活动功能和倾斜度降低学问一起使用单位运算法则的门槛。在这一项研究，相同的运动功能和学问运算法则被运用，下面将解释backpropagation运算法则。 图 1. 多层前馈网络结构模型 3.1. Backpropagation 运算法则 backpropagation 是广泛二手的运算法则，而且它能映射非线性程序。它是一个前馈网络与一或更多的隐藏层在一起。backpropagation 网络的初步建筑学有三层：输入, 隐藏和输出层。没有关于隐藏层的数字的限制。Backpropagation 是一训