基于神经网络的机器人运动模型辨识及实验验证

《基于神经网络的机器人运动模型辨识及实验验证》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、维普资讯http://www.cqvip.com第l4卷1期应用基础与工程科学学报Vo1．14，No．12OO6年3月JOURNALOFBASICSCIENCEANDENGINEERINGMarch2006文章编号：1005-0930(2006)01-0144-08中图分类号：IP24文献标识码：A基于神经网络的机器人运动模型辨识及实验验证姜春福，李庆翠2，李萍(1．北京信息高技术研究所，北京100085；2．北京工业大学实验学院，北京100022)摘要：为提高机器人模型辨识时神经网络的学习速度，改进得到一种新的神经网

2、络拓扑结构——状态延迟输入动态递归神经网络．以德国PowerCubeTM模块化机器人为研究对象，将机器人关节位置信息和OPTOTRAK3020三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本，对包含各种影响因素的机器人运动模型进行了辨识．并以此模型为基础，输入验证样本进行验证，所得结果及误差分析说明了该神经网络在学习能力上的优越性及辨识模型的有效性．关键词：神经网络；机器人；辨识机器人领域内引入神经网络的最终目的，是为了利用神经网络的独特优势，综合考虑机器人在实际工作中存在的无法确切建模的各种影响因素，建

3、立更为逼近的总体模型，提高机器人的控制性能．由于神经网络还存在计算速度和稳定性问题，因此将神经网络应用到实际机器人系统中，还有许多的工作要做，但已有学者开始在这一方面进行探索．如Yildirim，Luecke_2在各自的实验中针对不同的机器人对象采用了神经网络控制器．宋轶民以具有压电陶瓷作动器与电阻应变计传感器的平面弹性连杆机器人为研究对象，系统地开展了基于神经网络的弹性连杆机械振动主动控制的理论、方法和实验研究．这些工作都是神经网络实际应用的有益尝试．利用神经网络建立起关节空间和笛卡尔空间之间的映射关系，实现机器人的

4、模型辨识．这样做的好处是可以避免直接求解机器人的正、逆运动学方程，不必知道机器人的运动学参数，故而成为确定机器人运动模型的颇具吸引力的一种方法．相比于静态网络，动态神经网络在系统辨识问题上提供了一种极具潜力的选择，代表了神经网络建模、辨识与控制的发展方向J．本文在动态递归Elman网络的基础上，采用一种新的动态递归神经网络结构，称为状态延迟输入动态递归神经网络，并在实验数据的基础上，将该网络应用到德国PowerCubeTM模块化平面冗余机器人运动模型辨识的问题中，获得机器人的非线性运动学模型，并利用实际机器人系统验证所

5、得机器人模型．1状态延迟输入动态递归神经网络状态延迟输入动态递归网络(简称SDIDRNN)的拓扑结构如图1所示．SDIDRNN将输收稿日期：2005-04-ll；修订日期：2005—12-28基金项目：国防“十五”重点预研基金项目(4131607301)；武器装备预研基金项目(51415080104JB3308)作者简介：姜春福(1974一)，男，工程师．维普资讯http://www.cqvip.com姜春福等：基于神经网络的机器人运动模型辨识及实验验证145单元UI(k-D“M(k-1)图l状态延迟输入动态递归网络的

6、拓扑结构Fig．1Topologyofstatedelayinputdy1larnicalrecurrentneuralnetwork人输出状态向量作为单独一组输入，称其为状态结构单元(StateContext)．如果网络只取三层结构，则这一组输入在结构上与Elman网络的输入层相同，但为一般性，并不将其作为输入层单元，而是作为结构单元的平行结构，它与隐含层的连接权矩阵有自己的含义，称为前向滤波权矩阵J．状态结构单元的个数是网络输入输出神经元数目之和，分别对应输入输出前一时刻状态的值．状态结构单元的输入是网络输入输出层

7、神经元前一时刻的状态信息，这一状态信息在输入到状态结构单元时，为了获得满意的收敛速度，可以对此信息作预处理，即使每一单元输入值都乘以一个滤波因子A．A作为经验值，其取值范围与网络的学习速率叼和惯性系数有所不同，根据实际任务的具体隋况，A可以小于1，也可以不小于1．A小于1时，削弱前一步输入输出信息在网络中的作用，反之，A大于1时，增强状态结构单元输入对隐含层输出的影响．Elman网络可以看作SDIDRNN的特例，如果A=0，图1所示即Elman网络的拓扑结构．网络的收敛速度及稳态精度与其它常用网络结构相比，均有明显的提

8、高．考虑参数慢时变非线性系统y(+I)=J、+“()，在区间[一0．5，l十y，0．5]上随机产生800个数据样本作为训练样本集，对BP网络、Elman网络及SDIDRNN作一比较．三种网络学习所需的相同参数都取同～值，如反馈系数矩阵A=0．61，反馈系数矩阵B=，．学习速率：0．15，惯性系数=0．3，滤波因子A=1．5，训练次