基于RBF神经网络的ABB-IRB460码垛机器人逆运动学算法 .pdfVIP

基于RBF神经网络的ABB-IRB460码垛机器人逆运动学算

法

李海军;胡平;林成钱;泮李津;张存敏

【摘要】为解决传统逆运动学求解速度慢和精度低等问题,以流行的ABB-IRB460

码垛机器人为研究对象,根据其物理构造和运动特点,将RBF神经网络应用于该型机

器人的运动学逆解问题中,同时采用基于K-means++的聚类算法对RBF网络进行

训练.实验结果显示:所提方法能提高网络训练速度,并降低网络输出误差,是一种有效

的ABB-IRB460码垛机器人的运动学逆解方法,且求解精度较高,实时性能较好.

【期刊名称】《金华职业技术学院学报》

【年(卷),期】2017(017)006

【总页数】5页(P68-72)

【关键词】码垛机器人;逆运动学;K-means++;RBF神经网络;运动轨迹规划

【作者】李海军;胡平;林成钱;泮李津;张存敏

【作者单位】金华职业技术学院,浙江金华321007;金华职业技术学院,浙江金华

321007;金华职业技术学院,浙江金华321007;金华职业技术学院,浙江金华

321007;金华职业技术学院,浙江金华321007

【正文语种】中文

【中图分类】TP241.3

码垛机器人是用在工业生产过程中执行大批量工件、包装件的获取、搬运、码垛、

拆垛等任务的一类工业机器人，是现代工业生产应用最为广泛的一类智能机器人。

码垛机器人的智能控制系统主要负责机器人的运动轨迹规划和实时运动控制，其数

学基础是机器人运动学，此类问题一直是机器人和人工智能领域的研究热点。机器

人运动学描述了机械运动关节与机器人运动组件（如连杆等）的各刚体之间的运动

关系，它包括正逆两类问题，当已知末端执行器的位置和姿态，反求关节角时称为

运动学的逆解。机器人运动学逆解的传统方法主要有几何法[1]、解析法[2]、迭代

法[3]等，但此类方法大多通用性差、运算速度慢或求解精度低。神经网络具有非

线性特征，能够很好地逼近任意复杂的非线性系统，能够处理多输入多输出系统，

非常适合于此类问题的求解。越来越多的研究人员利用神经网络进行机器人逆运动

学求解，较为常用的分别是BP神经网络[4]和径向基（ra⁃dialbasisfunctions）

函数神经网络，即RBF神经网络[5]。现有的研究表明，相比BP神经网络，RBF

神经网络在学习速度、泛化能力和逼近精度方面具有优势，同时不存在BP神经网

络易陷入局部最小的缺点，更适合实际工程应用。

本文以国内目前应用较多的ABB-IRB460码垛机器人为研究对象，重点研究其在

工作空间内的轨迹规划方式。首先进行机器人的逆运动学分析，然后构建RBF神

经网络进行该型机器人的运动学逆解，提高控制系统实时运动控制性能。并通过

MATLAB仿真实验，证明所构建的逆运动学模型和RBF算法的可行性和有效性。

ABB-IRB460码垛机器人在智能机器人市场占有率较大，该机器人外观如图1（a）

所示。其为4自由度机械臂形式，主要运动部件分别是水平旋转基座及4个旋转

关节。机械臂末端的执行器可根据码垛任务需求更换，并进行不同动作，但动作与

运动学无关，因此该部件进行运动学分析时可忽略。

如图1（a）所示，ABB-IRB460码垛机器人是典型的多连杆结构，其中的第二、

第三和第四轴使用多连杆联动，第一和第五轴较为简单，直接由电机驱动，在各自

坐标系的进行水平向旋转。根据D-H法，可以设定如下参数进行表示，设连杆长

度为ai，连杆扭角αi表示垂直于公共法线所在平面内两轴的夹角，连杆距离di表

示两连杆的相对位置，关节角θi表示两连杆法线的夹角。由此，可以用ai和αi

来描述单个连杆，而用di和θi描述两个连杆之间的关系。同时，连杆长度ai，连

杆扭角αi和连杆距离di均只与机器人物理结构相关，可视为常量，具体定义见图

1（b）。需注意的是，本文为了D-H表示更明确和简洁，略去了多连杆的参数构

建，将多连杆联动部分简化为单连杆，如需添加该部分参数，定义方法类似。

最终，结合ABB-IRB460码垛机器人的物理参数，其D-H参数表如表1所示，表

中的Li和d为常数，其中L2=20.7mm，L3=148mm，