基于神经网络的机器人运动模型辨识及其实验研究  

Theoretical and experimental study on kinematic model identification of robots based on neural networks

作　　者：姜春福[1] 余跃庆[1] 刘迎春[1] 

机构地区：[1]北京工业大学机械工程与应用电子技术学院,北京100022

出　　处：《控制与决策》2003年第5期550-554,572,共6页Control and Decision

基　　金：国家自然科学基金资助项目(59975001);北京市自然科学基金资助项目(3012003)。

摘　　要：针对机器人建模中不确定因素的影响,采用神经网络辨识机器人输入输出间的非线性关系,建立机器人的运动学模型。为了提高神经网络的辨识速度,基于Elman动态递归网络,通过增加网络输入输出的部分信息,提出一种新的动态神经网络结构——状态延迟输入动态递归神经网络(SDIDRNN),提高了网络的学习速度和稳态精度。以PowerCubeTM模块化机器人为研究对象,把根据机器人返回的关节位置信息和利用OPTOTRAK3020三维运动测量系统测得的机器人末端位置信息作为SDIDRNN的学习样本,对包含各种影响因素的机器人运动模型进行辨识,得到了满意的结果,说明了该神经网络的优越性。Neural network is used to identify kinematic model of robot systems with unpredictable disturbances. By using neural networks, the nonlinear mapping between inputs and outputs of a robot is obtained for kinematic modeling. In order to increase computational efficiency, a new neural network model named state delay input dynamical recurrent neural network (SDIDRNN) is presented based on Elman network. The prior input-output knowledge to the hidden layer nodes improves the learning rate. Then SDIDRNN is applied to the kinematical model identification of PowerCubeTM modular robot system. Data of joint position retrieved from the robot and those of end-manipulator position obtained by OPTOTRAK 3020 are used as learning sets for SDIDRNN. Results show the learning superiority of the new neural network.

关 键 词：机器人 神经网络 辨识 

分 类 号：TP24[自动化与计算机技术—检测技术与自动化装置]