基于神经网络的机械手臂运动轨迹分析.docVIP

基于神经网络的机械手臂运动轨迹分析 摘要：神经网络是随着社会发展和时代的不断进步产生，神经网络是社会一门全新的信息处理学科，把人类大脑不同功能展现淋漓尽致，具有时代性和创新性特点。神经网络对人类大脑不同特征模拟与抽象化表达，是建立在人脑工作模式基础上，实现人脑信息处理最大目标。本文主要是基于神经网络的机械手臂运动轨迹详细分析和研究。 关键词：神经网络；机械手臂；运动轨迹；分析 前言:机器人运动学主要是对手臂末端的执行器关节变量和位置姿势关系深入研究。机器人通常是由相应的移动关节和旋转关节关联形式，展开运动的轨迹。这一运动轨迹具有如下特点：一端在支座上固定；另一个端点较为灵活自由，可以任意安装不同工具，实现不同功能的操作目标。首先，其可以利用驱动器运作关节，利用关节带动相关联运动杆，使得机器人手臂最终运作到末端位置，保证执行器达到预期目标姿势要求。 神经网络理论阐述 神经网络是一个以并行形式分布的数据信息处理网络。神经网络系统模拟主要是从两个方面开展。包括从机理和结构，从功能上进行模拟这两个不同方面。但是就神经网络功能模拟实现起来具有一定难度。依据以往神经解剖学和神经生理学经验给出，神经网络包括动物神经元和人工神经元，人类大脑组织中基本单元，是动物神经元系统功能体现，动物神经元是神经系统基础结构单位。人类大脑神经元具有复杂性特点，在人类大脑中，不同动物神经元联系，会依据外部环境激励信号作出反应，出现相应变化[1]。人工神经元是建立在生物神经元基础上，模拟动物神经元，进行单输入和多输入输出的非线性信息处理。如下图一，是典型的人工神经元模拟模型展示图。 图一 典型的人工神经元模拟模型展示图 神经网络的学习方法，是指利用相应的学习算法，对权值调整和优化，实使其达到具备识别、记忆、问题优化、信息处理等功能，这也是神经网络智能化的体现。详细来说神经元网络主要包括有导师学习、无导师学习与强化学习。无导师学习方法仅仅单纯提供输信息，不具备相应的速输出数据。网络检查输入和输出数据和信息趋向和规律，会依据网络功能自动化调整。在这种学习形式背景下，网络不再单一是依据外部影响对权值调整。有导师的神经元学习方法，可以把期望的输出和实际输出导师信号对比分析和调整，直到达到最初的权限数值，缩短权值差异。在实际学习期间，必须重视权限数值的调整，实现学习目标，减少实际的输出功率和应有输出功率之间的误差。 神经网络的机械手臂运动学模型 建立在神经网络机械手臂运动学理论基础上，构建机械手臂运动学模型，利于增加对神经网络系统运行轨迹了解。如下图二，是神经网络系统机械手臂处于ADAMS中的简化运动模型展示图。在这一神经网络运动模型展示图详细分析和研究，可以得出机械手臂处于自由运作和协同运作时，可以有效完成既定任务要求。对于手臂运作期间运行算法统计和计算，要结合两个手臂不同位置和模型特点，把两个手臂之间的坐标和运动模型转变，把转变后的双臂，作为运动协调的基础。双臂运动学模型建立，要有单臂运作模型作为基础，在已知其中一个手臂关节空间后，也需获得单臂正向和逆向运动学模型。为了实现机器人手臂服务作业任务，机器人手臂应该具备在空间中，利用任意形式和姿态运作能力。因此，在实践研究后，在机械手臂运动模型建设期间，可以设置两个手臂的自由度为六，在末端手部位置，设置一个夹持机构。详细来说，手臂留个自由度设置主要包括大臂转动、肩抬、肘部转动、肩摆、腕部摆动、手臂末端摆动。 图二 神经网络系统机械手臂处于ADAMS中的简化运动模型展示图 机械臂设计的六自由度，利于驱动直流伺服电机。由于不同机械手臂电机关节，都负载一个电机，因此，对机械电机重量具有较高要求，要求电机输出功率高，电机重量轻。在运动学模型建立期间，可以选择Maxon这一空心类型机械手臂电机，电机质量好、重量轻、功率密度大，和谐波减速器整合应用，效果较好。谐波减速器间隙小、刚度大，满足机械手臂运行需求，利于机械手手臂末端的手爪驱动舵机。神经网络机械手臂运动模型建立，也要处理好三关节问题[2]。因为，就机器手臂运动学的研究来说，不仅是研究运动和关节的作用，也需研究各个关节之间变量的在运动期间，关节偶合力和力矩变化特点. 例如:三关节是动力学模型建立关键内容，在实际模型建立期间，要掌三关节机械手臂动力学正反两个不同方面。在已知机械手臂各个关节力矩和作用力基础上，求出机械手臂各个关节运行轨迹，获得机械手臂不图关节运行速度、位移。另一方面，在知道机械手臂不同关节运行轨迹基础上（速度、位移）后，统计出机械手臂不同关节的力矩与作用力。其中，就动力学来说，前者属于正问题，后者则属于逆问题。但是为了保证机械手臂动力模型建设科学性，正问题和逆问题均不可忽视。 基于神经网络的机械手臂运动轨迹 3.1神经网络的机械手臂运动轨迹规划算法 本文主要是对神经