第三章神经网络控制20150609修订素材.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 。 从而实现所要求的逆运动学计算。上面计算 的式子便是所要 求的修正算法。该式中需要用到 ，它也可以用图3.81所示的 神经元网络来实现，其方法类似于正运动学的计算，且它可以 利用正运动学计算网络的部分结果。图3.81中 与前面相同的。 图3.81 计算雅可比矩阵的神经网络 图3.82表示利用双向映射神经元网络计算逆运动学的总的结构。 在具体计算时须注意以下几个问题。 (1)当 而 时，V到达它的一个局部极值点，此时 。在该点θ将出现一个跳变，它对跳出局部极值点是有好处的。但是要采取适当的限制措施，避免使θ越出工作空间。 图3.82 利用双向映射神经网络计算逆运动学 (2)当 接近0时，由于在V的表达式中第二项起主要作用，从而使θ不是直接朝使 的方向移动。为克服此问题，可在李雅普诺夫函数中加入拉格朗日乘子，即 当 越接近0，λ便越变大，为了实现这一点，可取 其中α用来控制收敛性，通常取1/2 α 1。 (3)关节空间中的限制向量 需要根据实际情况来具体加以选择。若无特殊限制要求，则可选 ，即 。也就是在V 中不考虑这一项；若要求各关节转过的角度尽量小，则可选 ， 为起始关节角位置；若要求运动轨迹尽量不越出工作空间，则可选 ， 表示关节变量容许的限制范围的中心值。 3.9.2 神经网络动力学控制 在机器人动力学控制方法中，较典型的是计算力矩控制和分解运动加速度控制。前者在关节空间闭环，后者在直角坐标空间闭环。画出分解运动加速度控制的系统结构如图3.83所示。 图3.83 分解运动加速度控制 在图3.83中 式中 表示 与 之间的误差向量。 若机器人的动力学模型表示为 式中，H(q)表示机器人的惯性矩阵； 表示离心力和哥式力 项；G(q)表示重力项；τ为关节力矩向量，则 可得整个系统的误差方程为 可见，只要K1和K2为正定对角矩阵，整个系统是完全解耦且渐近稳定的。 在上面的控制结构中，关键是逆动力学计算。这里主要有两方面的问题:一是计算工作量很大，难以满足实时控制的要求；二是需要知道机器人的运动学和动力学参数。采用神经网络来实现逆动力学的计算，原则上可以克服上述两个问题。由于神经网络的并行计算的特点，它完全满足实时性的要求，同时它是通过输入、输出的数据样本经过学习而实现动力学的非线性关系，因而它并不依赖机器人的参数。 当神经网络所实现的函数非常复杂且非线性很强时，学习所需的时间也将非常长。机器人逆动力学即属于这样的情况。它的输入是 、 、 ，输出是τ 。对于6自由度机器人，共有18个输入和 6个输出。若要覆盖整个工作空间，其训练数据样本的个数将是大得惊人的数字，实际上是不可能实现的。 但这里采用以下方法来减少训练样本个数，即将整个系统分解为多个子系统，分别对每个子系统进行学习，可以使问题得以简化。针对上面的式子具体分解的方法如下: 根据上述分解，可以画出用神经网络实现的控制结构如图3