用分级神经网络习机器人的动力学特点.docVIP

PAGE PAGE 4 用分级神经网络学习机器人的动力学特点 Learning Robot Dynamic Characteristic with Classification Neural Network （1. 河北科技大学；2.河北师范大学） 孟尚1 王冀超1 李青茹2 王培峰1 Meng Shang1 Wang Jichao1 Li Qingru2 Wang Peifeng1 摘要：给出了解决机器人控制问题一种神经网络方法。使用一个分级神经网络（NN）结构学习刚体机器人动力学特点。对于一般类别的机械手，使用前训练一系列的三层前馈网络模块，然后把这些基函数实时地用于第四层。使用线性控制原理，辅以非线性补偿控制机械手，使学得的机械手动力学知识创建一个在整个工程中高速控制机械手的控制器。模拟结果表明控制器的性能得到了大大提高。 关键词： 机器人，神经网络， 控制器， 基函数 中图法分类号：TP242.6 文献标识码：A Abstract: This paper presents a neural network method to solve robot control problem. A classification neural network is used to learn rigid robot dynamic characteristic. To common manipulator training a serial of three-layer forward –feedback module before using, then these radical function is used in four-layer in real time. Based on principle of linear control and compensated with non-linearity the gained manipulator dynamic knowledge establishes a controller that control manipulator in the whole process. Simulation shows the performance is proved greatly. Keywords: robot, neural network, controller, radical function 1. 问题的提出 机器人的目标就是用其端效应器操纵物体。端效应器在连接链的一端，同关节相连，另一端是固定的。机器人的运动同关节和端效应器之间的转换相联系。为使端效应器抓起物体，遵从已设计好的路径移动，就要求以某种方式激励关节，使端效应器以期望的路径运动。 某些机器人的逆运动学解形式很接近，可由迭代方法求得这些解，但是即使形式相近解的求解步骤存在，它也是很乏味的，且当初值远离真解时，迭代法具有发散的趋势。 逆动力学问题（IKP）既是在m维空间中，寻找机器人n个关节的角度q值，在这些关节上对应X方向放置端效应器，可表示为： (1) 但在一般情况下此式的解并不唯一，在许多实例中（例如冗余操作手）可能有无穷多个解，在这些实例中，要使用额外的约束减少关节合理配置数或划分出唯一的期望解，其中约束条件一般以允许配置或性能函数最小化表示。 2. 动力学模型 开放的刚性连接运动链成为刚性机器人，它由线性或旋转关节连接。刚性机器人操作手的动力学模型可描述为： （2） 其中：是阶线性关节向量或角度位置向量，是阶同惯性力有关的矩阵，是阶同向心力和离心力有关的向量，是内摩擦对角阵，是阶与重力有关的向量，是阶驱动力或力矩向量，n是操作手的自由度（DOF）。 3. 改进的学习算法 机械手的动力学特征可由适当的基函数的线性组合表示。对于一般类别的机械手，基函数是预先已知的，使用前可用于训练一系列的三层前馈网络模块，然后使用适当的权值调节规则把这些基函数实时地用于第四层。 使用线性控制原理，辅以非线性补偿控制机械手。初始的纯学习阶段，当操作中不需要机械手时，使用探索方案（ES）分离和确认非线性补偿项。探索方案是特别设计的轨道，有利于有效地学习系统独立性特征。闭环系统的方案如图1所示。 非线性补偿项的学习如下：设和分别是补偿网络和的输出，其中。解得期望得轨道后，对应于线性控制器使用反馈（FB）控制，相应于非线性补偿项使用前馈（FF）控制，计算应用于机器人的控制。 轨道定位控制阶段完成了项的学习。在定位控制的稳定状态下，。然后从（2）式可知。稳态时的应用力矩被用于学习补偿网络。 路径规划器 路径规划器 I(q) 网络和反 馈控制 机器人 网络 学习