基于LM算法BP神经网络在NAO模型 运动学求逆解中应用.docVIP

基于LM算法BP神经网络在NAO模型 运动学求逆解中应用 　　 摘要：提出一种基于BP神经网络改进算法的NAO机器人逆运动学求解方法。在讨论NAO模型逆运动学的求解问题以及BP神经网络基本原理的基础上，将LM训练方法运用到BP神经网络中。实验结果表明该方法具有可行性和有效性。?? 　　关键词：逆运动学; NAO; RoboCup; BP神经网络; LM算法?? 　　中图分类号：TP312文献标识码：A文章编号：1672-7800（2011）07-0074-02?お? 　　?? 　　作者简介：吴磊（1990-），男，安徽滁州人，安徽大学计算机科学与技术学院本科生，研究方向为计算机科学与技术；邓涛（1988-），男，安徽六安人，安徽大学计算机科学与技术学院本科生，研究方向为计算机科学与技术；陈元奇（1990-），男，安徽芜湖人，安徽大学计算机科学与技术学院本科生，研究方向为计算机科学与技术。 　　 　　 　　0引言?? 　　 机器人逆运动学问题就是已知位姿求解关节角变量。在RoboCup仿真3D比赛中，逆运动学求解占有重要地位，它直接关系到机器人的动作生成、步态规划以及高层决策。传统的解析法和数值法需要大量计算，这很难满足实时性要求，而神经网络可以很好解决这个问题。?? 　　 BP神经网络是目前应用最为广泛和成功的神经网络之一。它是一种多层前馈型网络，可以实现从输入到输出的任意非线性映射，权值的调节采用反向传播算法，简称BP算法。?? 　　 然而BP算法的主要缺点是：收敛速度慢，局部极值、难以确定隐层节点的个数。BP算法的改进可采用有效的优化算法。其中LM算法是高斯――牛顿法的改进形式，既具有高斯――牛顿法的全局特性又具有梯度法的局部特性。实验表明该方法在NAO模型求逆解中具有可行性。?? 　　1基本概念?? 　　1.1NAO简介?? 　　 NAO是AldebaranRobotics公司研制的双足仿人机器人，身高57cm，体重约4.5kg，具有22个自由度。仿真3D环境下的NAO机器人和实物机器人略有区别，比如手臂上的关节数目，实物有6个，而仿真的目前只有4个。NAO的右腿模型如图1所示。?? 　　其中hip1、hip2、thigh关节交与一点，ankle和foot关节交与一点。以torso质心为原点建立一个3D坐标系。?? 　　 　　图1NAO的右腿模型?? 　　 　　1.2逆运动学?? 　　 逆运动学即根据髋关节和踝关节的位姿??T??求解各关节的关节角。??T可拆分为T和R。其中P=[Px,Py,Pz]为关节的位置向量，R=[a1, a2, a3;b1, b2, b3;c1, c2, c3]为关节的旋转矩阵，设在局部坐标系上的旋转角分别为θx, θy, θz，则???? 　　??[JZ(][JB([]θx=a??tan??1(c2,c3)?? 　　 θy=a??tan??2(-c1,[KF(]a21+b21[KF)])?? 　　 θz=a??tan??2(b1,a1)[JB)]][JZ)]?И? 　　此时逆运动学问题转化为从位置向量和旋转角度到关节角的映射。?? 　　1.3BP神经网络?? 　　 BP算法的思想是，样本的输入值从输入层传入，经隐层逐层处理后传向输出层。当输出与期望存在误差时，将误差以某种形式反向传递给各层，各层将此作为权值调节的依据。权值调节的过程就是学习的过程，此过程一直持续到网络的误差减小到可以接受的程度或者是达到了预先设定的迭代训练的次数。一个三层的BP神经网络可逼近任意非线性函数，因而可用BP网络来建立NAO机器人逆运动学模型，网络结构如图2所示。图中N、H、M表示三层的节点个数，??v\{ij\}表示输入层第i个节点与隐层第j个节点的连接权值，w\{jk\}表示隐层第j个节点与输出层第k个节点的连接权值。bH(j)表示隐层各节点的阈值，bM(k)表示输出层各节点的阈值。???? 　　 　　图2BP网络的结构（N-H-M）?? 　　2Levenberg-Marquardt训练算法?? 　　2.1算法原理?? 　　 Levenberg-Marquardt算法，是一种基于数值最优化理论的训练算法。具体描述如下。?? 　　 设??X表示迭代训练时各层权值和阈值组成的向量，X的调节量为△X。调节X，即调节网络的权值和阈值，从而达到训练学习的目的。???? 　　??X=[ v\{11\} v\{12\}…v\{NH\} bH(1)…bH(H)?? 　　 w\{11\} w\{12\}…w\{HM\} bM(1)…bM(M)]?И? 　　 设表现函数?? 　　??P(X)=∑[DD(]N[]i=1[DD)]ei(X)2?И? 　　式中??