論文答辯神經(jīng)網(wǎng)絡(luò)在關(guān)節(jié)型機器人逆運動學(xué)建模中的應(yīng)用研究課件

1、神經(jīng)網(wǎng)絡(luò)在關(guān)節(jié)型機器人逆運動學(xué)建模中的應(yīng)用研究指導(dǎo)老師 姓 名 學(xué) 號 專 業(yè)2.2.關(guān)節(jié)型機器人運動學(xué)分析與研究4. .BP神經(jīng)網(wǎng)絡(luò)在機械手逆運動學(xué)中的建模，仿真與分與分析5. .結(jié)論1.1.論文研究目的和意義3. .論神經(jīng)網(wǎng)絡(luò)概述 隨著工業(yè)自動化的發(fā)展，實用機器人越來越多，各種自動化機械廣泛的應(yīng)用。利用機器人不僅可以完成大量簡單重復(fù)性的工作，還可以代替人做一些復(fù)雜繁重危險性的工作，從而提高了效率和質(zhì)量。對于工程機械機器人，機器人逆運動的研究對提高自動化控制程度具有重要的意義。現(xiàn)近年來階段，機器人智能化控制和智能自動化的程度越來越高，智能應(yīng)用越來越廣泛。利用BP神經(jīng)網(wǎng)絡(luò)研究機器人的逆運動，將

2、運動問題轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)的權(quán)值就行訓(xùn)練，從而實現(xiàn)機器人由工作空間到關(guān)節(jié)空間的非線性映射。這種新的思路避免的很多問題，對機器人控制研究有很重要的意義。1.論文研究目的和意義2.關(guān)節(jié)型機器人運動與研究2.1 機器人的正運動學(xué) 在機器人的操作中，主要是關(guān)于對機械手位置的控制。無論是機械手的連桿，末端還是機械手的整體都將在空間做復(fù)雜的運動，如果將這些看成是剛體，那么就需要一種描述剛體空間的位置和方向的數(shù)學(xué)方法。以二關(guān)節(jié)機械手模型為例： 機器人的運動主要可以是由平移和轉(zhuǎn)動組成的。在用D-H法建立坐標系后，i-1系與i系之間的關(guān)系用坐標系的平移和旋轉(zhuǎn)來實現(xiàn)，可以得到一般矩陣。111111cossincoss

3、incoscossincoscoscossinsin0sincos0001iiiiiiiiiiiiiiiiiiaaAd121212121210022cos()sin()0cossin()cos()0sin00010000011lllpT p 0001121120coscos()sinsin()011xyzpllplpp 如上圖所示：二關(guān)節(jié)平面機械手臂運用幾何關(guān)系的前向運動學(xué)方程為： 式中x，y為機械手末端位置 L1、L2是2桿的長度L1=2.764m.L2=1.233m 1、2是機械手連桿的轉(zhuǎn)角 采用三層前向神經(jīng)網(wǎng)絡(luò)建立二關(guān)節(jié)機械手逆運動的模型。 11212coscos()x ll11212s

4、insin()y ll 2.2 機器人逆運動 機器人的運動學(xué)逆解指：給定坐標系所期望的位置，找出該位置形態(tài)的關(guān)節(jié)轉(zhuǎn)角。這里不是把已知的變量帶入正向運動學(xué)中，而是設(shè)法找出這些方程的逆，從而得到所需的關(guān)節(jié)變量。事實上，動學(xué)機器人的控制器就是用用這些方程來求的關(guān)節(jié)轉(zhuǎn)角值，以此來達到控制機器人的目的。 通常情況下，機器人手臂關(guān)節(jié)連桿數(shù)量較多，在一個較大的空間里，其達到目標的路徑較多，因此其解的數(shù)目也不是唯一的。對于一個6自由度全旋轉(zhuǎn)的機械臂來說，其解可達到16中之多。3.神經(jīng)網(wǎng)絡(luò)概述 基于神經(jīng)元網(wǎng)絡(luò)的智能控制系統(tǒng)也稱作基于連接機制的智能控制系統(tǒng)。隨著人工神經(jīng)元網(wǎng)絡(luò)(ANN)研究的進展,神經(jīng)網(wǎng)絡(luò)越來越多

5、的應(yīng)用于控制領(lǐng)域的各個方面。下圖為一般神經(jīng)元模型圖： 神經(jīng)網(wǎng)絡(luò)由排列成層的處理單元組成，接受輸入信號的單元叫輸入層，接受輸出信號的單元層叫輸出層，不直接與輸入輸出發(fā)生聯(lián)系的單元層叫隱層。如果輸入網(wǎng)絡(luò)一組數(shù)據(jù)，在網(wǎng)絡(luò)輸入層的每個單元都接收到輸入模式的一部分；然后輸入層將輸入通過連接權(quán)傳遞給隱層。隱層接受到整個輸入模神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是由基本處理單元及其互連方法決定的。連接機制的基本處理但愿和神經(jīng)生物類比往往稱為神經(jīng)元。 前饋型神經(jīng)網(wǎng)絡(luò)中最典型的是BP神經(jīng)網(wǎng)絡(luò)，它是神經(jīng)網(wǎng)絡(luò)理論中最完善、應(yīng)用最為廣泛的網(wǎng)絡(luò)之一。由于有很好的逼近非線性映射的能力，BP網(wǎng)絡(luò)可應(yīng)用于信息處理、圖像識別、模型辨識、系統(tǒng)控制等多

6、個方面。對于控制方面的應(yīng)用，其很好的逼近特性和泛化能力是一個很好的性質(zhì)。但其收斂速度慢的缺點，難以滿足具有適應(yīng)功能的實時控制的要求。這是因為它采用的是非線性規(guī)劃中的最速下降法，所以存在收斂速度慢、易陷入局部極小的缺陷。所以我們一般采用其改進型算法。一般的BP網(wǎng)絡(luò)改進學(xué)習算法主要分成兩類： 第一類是啟發(fā)式信息技術(shù)的BP算法，包括添加動量項、自適應(yīng)學(xué)習速率等方法，其實質(zhì)都是在誤差梯度變化緩慢時應(yīng)增大學(xué)習率，變化劇烈時應(yīng)減小學(xué)習率的基礎(chǔ)上提出的；另一類研究是指加入數(shù)值優(yōu)化技術(shù)的BP算法，包括牛頓法、共軛梯度法、LevenbeMarquardt(LM)算法等。而其中LM算法是牛頓法的變種，具有牛頓法的

7、二次終止特性，能夠用于極小化非線性函數(shù)的平方和。 通過實驗，我可以得到各種算法的性能的比較結(jié)論，通常對于包含數(shù)百個權(quán)值的函數(shù)逼近網(wǎng)絡(luò)，LM算法的收斂速度最快。如果要求精度搞，該法的有點比較突出。在很多情況下，LM算法的訓(xùn)練函數(shù)可以獲得比其他方法更小的均方誤差。訓(xùn)練函數(shù)trainrp應(yīng)用于模式識別，其速度最快，但對于函數(shù)逼近問題該算法不是最好的，旗性能同樣虎隨著目標誤差的減小而變差。變梯度算法在網(wǎng)絡(luò)規(guī)模較大的場合其性能是最好的，其對于空間的要求也很低。對于本次課題的機械手臂的仿真，LM算法是最好的。 神經(jīng)網(wǎng)絡(luò)的基本算法流程圖如下： 對于給定的二自由度機械手模型運用BP算法記性訓(xùn)練和仿真?；具^程

8、如下： 定義輸入樣本和輸出樣本。 生成對于的網(wǎng)絡(luò)：net=newff(minmax(input_train),72,tansig,purelin,trainlm); 設(shè)定參數(shù)：net.trainParam.show=50;net.trainParam.lr=0.05;net.trainParam.epochs=500;net.trainParam.goal=0.0001; 對網(wǎng)絡(luò)進行訓(xùn)練：net=train(net,input_train,output_train); 完成訓(xùn)練后，對網(wǎng)絡(luò)進行仿真: y=sim(net,input_train); 在用測試數(shù)據(jù)測試網(wǎng)絡(luò)，驗證其準確性： y1=si

9、m(net,input_test);繪制仿真誤差圖：40組訓(xùn)練數(shù)據(jù)實際輸出與訓(xùn)練輸出的誤差圖，10組訓(xùn)練數(shù)據(jù)實際輸出與測試輸出的誤差圖。 figure(1) plot(c,output_train-y,-*); title(BP網(wǎng)絡(luò)訓(xùn)練誤差); legend(訓(xùn)練樣本誤差); ylabel(訓(xùn)練絕對誤差); xlabel(樣本個數(shù)); grid4.BP神經(jīng)網(wǎng)絡(luò)在機械手逆運動學(xué)中的建模，仿真與分析 我在訓(xùn)練二關(guān)節(jié)機械手臂中，選取了50組數(shù)據(jù)（1.2）.根據(jù)多移動小關(guān)節(jié)少移動大關(guān)節(jié)的原則，把1的取值范圍限定在（0，60），2在（-90，90），然后通過正向的運動學(xué)公式求取50組（x，y），得到2個

10、空間輸入，2個關(guān)節(jié)位置輸出。帶入訓(xùn)練網(wǎng)絡(luò)，隱層數(shù)目經(jīng)過多次嘗試后取為7，采用函數(shù)為tansig函數(shù)和purelin函數(shù)，訓(xùn)練函數(shù)采用trainlm函數(shù)，他是利用Leveberg-Marquqrdt規(guī)則訓(xùn)練網(wǎng)絡(luò)。其中40組訓(xùn)練數(shù)據(jù)，其余20組作為測試數(shù)據(jù)。 當選取網(wǎng)絡(luò)的隱層為2時，得到的訓(xùn)練誤差圖為無法達到訓(xùn)練的目標要求，經(jīng)過30步的迭代后，訓(xùn)練目標值為一個定值。我在選取較大的隱層誤差14，訓(xùn)練誤差雖然只需要25布就可以達到訓(xùn)練目標要求，但是訓(xùn)練數(shù)據(jù)實際輸出與仿真輸出的誤差確實呈現(xiàn)發(fā)散狀，無法打到仿真訓(xùn)練對于精度的要求。 學(xué)習率的主要作用是調(diào)整權(quán)值和閾值的修正值，也是神經(jīng)網(wǎng)絡(luò)非常重要的一個參數(shù)。

11、學(xué)習率的設(shè)置對BP算法的收斂性有很大的影響。學(xué)習率過小，誤差波動小，但學(xué)習速度慢,往往由于訓(xùn)練時間的限制而得不到滿意解；學(xué)習率過大,學(xué)習速度加快,會引起網(wǎng)絡(luò)出現(xiàn)擺動現(xiàn)象,導(dǎo)致不收斂的危險。 通過不斷的學(xué)習、調(diào)試，我最終確定了2-7-2的網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)定學(xué)習率為0.05，達到的目標值為0.0001，訓(xùn)練步數(shù)為500，得到訓(xùn)練誤差如圖：訓(xùn)練誤差曲線圖 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果如下： TRAINLM, Epoch 0/500, MSE 2.9657/0.0001, Gradient 172.146/1e-010TRAINLM, Epoch 50/500, MSE 0.000252881/0.0001, Gr

12、adient 1.3581/1e-010TRAINLM, Epoch 100/500, MSE 0.000103361/0.0001, Gradient 0.0169144/1e-010TRAINLM, Epoch 113/500, MSE 9.98221e-005/0.0001, Gradient 0.00925611/1e-010TRAINLM, Performance goal met.TRAINLM, Performance goal met. 有下圖神經(jīng)網(wǎng)絡(luò)逆運動學(xué)求解誤差性能圖4.5可以看出來，經(jīng)過83次迭代后，均方根差降到0.0001一下，下降速度很快，18次以前的下降十分明顯。

13、總體而言滿足了精度要求。以下分別是訓(xùn)練輸出誤差和測試輸出誤差圖像，除個別點外，基本在誤差范圍內(nèi)。從圖上我們可以看出，訓(xùn)練的40組數(shù)據(jù)誤差逐漸減下收斂，基本控制在0.01左右，而測試誤差除了一個值超出誤差范圍之內(nèi)，其余均能很好的滿足性能誤差的需求。5.結(jié)論 經(jīng)過四個來月的課題研究與學(xué)習，我完成了預(yù)期的畢業(yè)設(shè)計任務(wù)，通過本論文基于BP算法的神經(jīng)網(wǎng)絡(luò)對典型機器人手臂逆運動建模的仿真，達到對機器人運動的控制，并完成了如下工作： 1.通過對關(guān)節(jié)型機器人運動控制的研究，給出機器人運動學(xué)必須掌握的數(shù)學(xué)變換工具一齊次矩陣，接著論述了D-H參數(shù)等機器人的正向和逆向運動學(xué)相關(guān)數(shù)學(xué)概念。 2、學(xué)習了BP神經(jīng)網(wǎng)絡(luò)技術(shù)

14、，熟悉了BP算法，利用BP神經(jīng)網(wǎng)絡(luò)的高度自學(xué)習性，復(fù)雜非線性映射的特點，再用多種訓(xùn)練函數(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在對比仿真研究中了解了各種算法的特點。 3、通過對BP算法的理解，我選擇Levenberg-Marquardt法對典型二自由度平面機器人模型進行仿真，通過調(diào)試其相關(guān)參數(shù)可以來提高對機械手臂位置的精確控制。在仿真的過程中，通過對訓(xùn)練算法的改變，更加直觀的表現(xiàn)各種算法的差異，體現(xiàn)出Levenberg-Marquardt法在對關(guān)節(jié)型機器人逆運動仿真中的優(yōu)勢。但是對冗余度機械手來說，獲得其訓(xùn)練樣本比較困難，也就無法應(yīng)用前面解決非冗余度機械手逆運動學(xué)問題的方法。因此，神經(jīng)網(wǎng)絡(luò)來求解冗余度機械手的逆運動學(xué)

15、問題是需要進一步研究。而且，在神經(jīng)網(wǎng)絡(luò)方面也還有一些問題如：網(wǎng)絡(luò)模型和結(jié)構(gòu)的選擇、快速學(xué)習算法的研究和收斂性的分析等問題上還有做進一步的研究。參考文獻【1】林堯瑞，馬少平.人工智能導(dǎo)論.清華大學(xué)出版社.2002【2】王耀南著.機器人智能控制工程.科學(xué)出版社，北京，2004【3】劉錦昆.先進PID控制及其MATLAB仿真【M】，電子工業(yè)出版社.北京，2004【4】薛定宇，趙英凱，李方方.神經(jīng)網(wǎng)絡(luò)在機器人逆運動學(xué)中的應(yīng)用.機械與電子.2005年11期，43-46【5】游輝勝，方康玲，薛孝琴等.基于神經(jīng)網(wǎng)絡(luò)的機器人逆運動分析.機器人技術(shù).2008年24卷6-2期，269-271【11】趙景波著 MATLAB控制系統(tǒng)仿真與設(shè)計，北京機械工業(yè)出版社，2010【7】許東，吳錚著 基于MATLAB 6.X的系統(tǒng)分析與設(shè)計神經(jīng)網(wǎng)絡(luò)，西安電子科技大學(xué)出版社，2002.6【8】魏國坤 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的理論與方法，國防工業(yè)出版社