迭代法与神经网络法.docxVIP

运动学正解的数值解法 机构的运动学正解是位置控制和力控制的基础，是控制算法的核心内容。并联机构自身的特点决定了它的运动学逆解的过程比较简单，但是正解过程却相当复杂，而且解析解一般不是唯一解，根据（Gosselin，1994），3-RRR球面并联机构运动学正解至多有8个解，其正解方程为高次方程，求解过程和选择最优解均较为困难，且计算量巨大，耗时较长，不满足力觉交互设备的实时控制要求。 控制系统的控制性能与系统控制周期紧密相关，采样频率越快，反馈力越连续稳定。因此，需要简洁快速的运动正解算法。目前国内外研究和应用中采用较多的为迭代法和神经网络法。 1 迭代法 1.1 理论模型 机构输入输出（关节-末端）的微分运动关系为： 设机构末端的角速度为，驱动关节角速度为，可得到并联机构的速度关系： （1） 其中，第一类雅克比矩阵，为第二类雅克比矩阵 令J为机构输入输出的速度映射，即速度雅克比矩阵，则 （2） 则 QUOTE （3） 在微小时间内，可以写成  QUOTE （4） 其中，为机构末端的微位移 为驱动关节的微位移 对于离散的计算机控制系统，公式可以写成迭代格式 （5） 其中分别为i时刻和i+1时刻机构末端的姿态（欧拉角）， 为当前传感器测得的驱动关节角位移，为第i步迭代对应的关节角。 设（6） 表示由末端位姿到关节角的映射，即运动学逆解方程，则 （5）式可写成 （7） 将（7）式运动学正解的迭代格式，对于低速连续的操作，迭代初值的选择为上一时刻机构的位姿。 1.2 运算精度及速度 对于设定的误差，在Visual C++ 6.0平台下测试做一次位置正解一般须迭代4-6步，精度可达到1.2×10-10rad，运行时间约为150-250。 迭代法的结果与初值的选取有关，对于低速连续的操作，迭代初值的选择为上一时刻机构的位姿，一般经过数次迭代，均能以较高的精度收敛于真值；但若机构位置有突变（或者有突然的高速操作），则用上时刻的位姿做初值，会导致迭代步数增加或者有可能不收敛。 2 神经网络法 2.1 理论模型 人工神经网络是由大量高度互联的处理元素（神经元）所组成的复杂网络计算系统，具有从大量实际数据中学习和推广的功能。采用多层感知器的神经网络可以实现I/O的非线性映射， BP网络（即误差回传神经网络）是一种基于BP算法的多层感知器网络，有很好的泛化能力和自适应能力，网络中的神经元分层排列，由输入层、隐层、输出层组成，其中隐层又可为多层。 BP网络的理论模型如下： N维输入向量：，M维输出向量：，期望的响应为，将第隐层的输出记为，神经元数目为 第i隐层的神经元输出向量为： （8） 其中 为第层到第层的权值矩阵，它是维矩阵； 为第层的阈值矩阵，它是维向量； 为第层传递函数，隐层一般选取sigmoid型函数。 输出层的误差为； 以训练输出与样本的均方差作为性能指标，在未达到一定的精度之前，计算各层误差信号，调整各层权值，从而实现网络学习的过程。 在工作空间内均匀连续地选取大量样本，对神经网络进行训练，可以达到较高的精度和泛化能力。 最终，对于2隐层的网络，机构运动正解的计算公式为： （9） 其中， 为输入层的权值矩阵； 为输入层的阈值矩阵； ，，的定义和（8）中相同； 为机构的关节输入角，由传感器采集得到； 为机构的末端位姿； 2.2 运算精度及速度 神经网络拟合的精度与训练样本数，神经网络的隐层数和神经元??数有关，对这些参数的选取，目前尚无理论指导，只能通过经验初选和实验比较来确定。神经网络结构不能太简单，否则会造成“欠拟合”，预测结果不准确；同时过于复杂的网络，一方面引起运算时间增加，另一方面会导致“过拟合”，使网络泛化能力变差。 图1 BP网络对随机样本的位置预测 对BP神经网络进行样本数据训练后，对随机选取的非样本数据进行测试，如图1所示。最大误差为1.44×10-4rad(0.008°),平均误差为3.77×10-5rad(0.0022°)，足够满足控制的精度要求。 在Visual C++ 6.0平台下测试做一次位置正解的时间，为15。相比迭代法，其运算速度更快，对于实时性要求较高的力觉交互系统，控制频率越高，更有利于输出力的稳定。