基于GA—RBF网络的ABB机器人逆运动学求解.pdf

基于GA—RBF网络的ABB机器人逆运动学求解.pdf

ID:52970191

大小:163.60 KB

页数:2页

时间:2020-04-05

基于GA—RBF网络的ABB机器人逆运动学求解.pdf_第1页
基于GA—RBF网络的ABB机器人逆运动学求解.pdf_第2页
资源描述:

《基于GA—RBF网络的ABB机器人逆运动学求解.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、机械设计与制造第1期162MachineryDesign&Manufacture2010年1月文章编号:1001—3997(2010)01—0162—02基于GA—RBF网络的ABB机器人逆运动学求解夏天孙翰英范嘉桢杨建国(上海交通大学机械与动力工程学院,上海200240)(z山东淄博职业学院机电工程系,淄博255314)SolutiontotheinversekinematicsproblemofABBrobotbasedontheGA—RBFnetworkXIATian,SUNHan—ying,FANJia—zhen,YANGJian—guo(SchoolofMechanicalE

2、ngineering,ShanghaiJiaotongUniversity,Shanghai200240,China)(。MechanicalandElectricalEngineeringDepartment,ZiboVocationalInstitute,Zibo255314,China)中图分类号:TH12,rrP24文献标识码:A1引言l,2,⋯,6)。给定一组0,即可求得相应的末端操作器位姿,kO吼p逆运动学问题是给定机器人末端操作器的位姿米计算对应0,py的关节变量的过程。逆运动学的精确求解对机器人的控制有着非嘎p0001常重要的作用。相比正运动学求解,逆运动学求解要复杂得

3、多.而表1DH参数名义值且对某些结构的机器手而言,甚至不一定存在闭式逆解。神经网络具有高精度的拟合性,准确的预测性,在解决非线性映射方面的问题时有很强的逼近能力,适合逆运动学求解的要求1~-21。结合机器人正运动学模型,采用RBF网络直接实现ABB机器人从工作空问到关节变量的非线性映射关系,从而得到机器人位置逆解。为了获得更高的逆解精度,采用遗传算法ltRBF其中,[Px,p⋯P]用来描述末端操作器在基坐标系中的位置,网络进行了优化。而描述末端操作器姿态的RPY欧拉角可表示为141:2ABB机器人的正运动学模型

4、且其各关节均为旋转关节。为分析其逆运动学问题,在杆件上建立DH模型坐标系,如0=arctan2(、/+n,一)(3)=aretan2(,O)(4)图1所示。并由此确定其连杆DH参数,如表1所示。式中:arctan2(x,,,)一自行定义的双象限反正切函数,此函数中,Y的符号决定了该角度所处的象限,如:arctan2(一2,一2)一135。,arctan2(2,2)-45。。由上述可知,当0i已知时,很容易求得末端位姿{,,,,}。3GA—RBF网络模型采用的RBF网络结构,如图2所示。我们将末端操作器的空间位姿{p,P,P,,0,}作为网络的6个输入;隐层含有8个图1IRB140机器人

5、DH模型坐标系神经元,其变换函数为高斯条函数,可以实现从输入到输出任意由于关节均为旋转关节,故表1中di、ai、是常量,足关节变的非线性映射;输出量为所求的逆解,即各个关节变量(,,,量。根据表中所永的连杆参数,叮得到各连轩间变换矩阵一A(扛0,0,06)。★来稿日期:2009—03~10第i期夏天等:基于GA—RBF网络的ABB机器人逆运动学求解163期望输出和实际输出的误差图,如图3、图4所示。可以看出经过优化的GA—RBF网络的跟踪效果明显优于标准RBF网络。Pppo输入层隐层输出层图2RBF神经网络结构图样本数样本数众所周知,遗传算法(GA)是一种基于自然选择和自然遗传图3标准

6、RBF网络输出误差图4GA—RBF网络输出误差的全局优化算法。采用遗传算法优化RBF网络,一般通过编码、5GA.RBF网络的ABB机器人运动学确定适应度函数、确定初始种群、选择操作、交叉操作、变异操作根据机器人各关节角的变化范围以及机器人实际工作的要以及确定终止条件等几个步骤来实现。求,确定各关节角的取值范围为:180。0.,04,06<180。,一120。3.1编码03,05120。。为了改善计算复杂性,提高运算效率,采用实数值编码。在优,对训练好的网络,在机器人工作空间内随机选取8组数据进化过程中,由于RBF网络的权重系数有中心权重、宽度权重及调行验证,结果如表2所示。可以看出,该

7、网络对运动学逆解问题有节权重三种,我们先顺次排列好不同的中心及其对应的宽度,再良好的泛化能力。顺序编排各个调节权重。表2ABB机器人逆解结果3.2确定适应度函数序号010203040506对于给定的训练样本集(,⋯,‰)一(,t⋯,t),=期望值一45.000025.000015.000060.000020.000001,2,⋯,K为训练样本的序号。计算神经网络实际输出与期望输输出值一44.998425.001715.002260.001419

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。