神经网络在关节型机器人逆运动学建模中的应用研究论文答辩专家讲座.pptx

神经网络在关节型机器人逆运动学建模中应用研究指导老师 姓 名 学 号 专 业神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第1页2.2.关节型机器人运动学分析与研究4.BP神经网络在机械手逆运动学中建模，仿真与分与分析5.结论1.1.论文研究目标和意义3.论神经网络概述神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第2页 伴随工业自动化发展，实用机器人越来越多，各种自动化机械广泛应用。利用机器人不但能够完成大量简单重复性工作，还能够代替人做一些复杂繁重危险性工作，从而提升了效率和质量。对于工程机械机器人，机器人逆运动研究对提升自动化控制程度含有主要意义。现近年来阶段，机器人智能化控制和智能自动化程度越来越高，智能应用越来越广泛。利用BP神经网络研究机器人逆运动，将运动问题转化为神经网络权值就行训练，从而实现机器人由工作空间到关节空间非线性映射。这种新思绪防止很多问题，对机器人控制研究有很主要意义。1.论文研究目标和意义神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第3页2.关节型机器人运动与研究2.1 机器人正运动学在机器人操作中，主要是关于对机械手位置控制。不论是机械手连杆，末端还是机械手整体都将在空间做复杂运动，假如将这些看成是刚体，那么就需要一个描述刚体空间位置和方向数学方法。以二关节机械手模型为例：神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第4页 机器人运动主要能够是由平移和转动组成。在用D-H法建立坐标系后，i-1系与i系之间关系用坐标系平移和旋转来实现，能够得到普通矩阵。神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第5页如上图所表示：二关节平面机械手臂利用几何关系前向运动学方程为：式中x，y为机械手末端位置L1、L2是2杆长度L1=2.764m.L2=1.233m1、2是机械手连杆转角采取三层前向神经网络建立二关节机械手逆运动模型。神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第6页2.2 机器人逆运动机器人运动学逆解指：给定坐标系所期望位置，找出该位置形态关节转角。这里不是把已知变量带入正向运动学中，而是设法找出这些方程逆，从而得到所需关节变量。实际上，动学机器人控制器就是用用这些方程来求关节转角值，以此来到达控制机器人目标。通常情况下，机器人手臂关节连杆数量较多，在一个较大空间里，其到达目标路径较多，所以其解数目也不是唯一。对于一个6自由度全旋转机械臂来说，其解可到达16中之多。神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第7页3.神经网络概述 基于神经元网络智能控制系统也称作基于连接机制智能控制系统。伴随人工神经元网络(ANN)研究进展,神经网络越来越多应用于控制领域各个方面。下列图为普通神经元模型图：神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第8页神经网络由排列成层处理单元组成，接收输入信号单元叫输入层，接收输出信号单元层叫输出层，不直接与输入输出发生联络单元层叫隐层。假如输入网络一组数据，在网络输入层每个单元都接收到输入模式一部分；然后输入层将输入经过连接权传递给隐层。隐层接收到整个输入模神经网络结构是由基本处理单元及其互连方法决定。连接机制基本处理希望和神经生物类比往往称为神经元。前馈型神经网络中最经典是BP神经网络，它是神经网络理论中最完善、应用最为广泛网络之一。因为有很好迫近非线性映射能力，BP网络可应用于信息处理、图像识别、模型辨识、系统控制等多个方面。对于控制方面应用，其很好迫近特征和泛化能力是一个很好性质。但其收敛速度慢缺点，难以满足含有适应功效实时控制要求。这是因为它采取是非线性规划中最速下降法，所以存在收敛速度慢、易陷入局部极小缺点。所以我们普通采取其改进型算法。普通BP网络改进学习算法主要分成两类：神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第9页 第一类是启发式信息技术BP算法，包含添加动量项、自适应学习速率等方法，其实质都是在误差梯度改变迟缓时应增大学习率，改变猛烈时应减小学习率基础上提出；另一类研究是指加入数值优化技术BP算法，包含牛顿法、共轭梯度法、LevenbeMarquardt(LM)算法等。而其中LM算法是牛顿法变种，含有牛顿法二次终止特征，能够用于极小化非线性函数平方和。经过试验，我能够得到各种算法性能比较结论，通常对于包含数百个权值函数迫近网络，LM算法收敛速度最快。假如要求精度搞，该法有点比较突出。在很多情况下，LM算法训练函数能够取得比其它方法更小均方误差。训练函数trainrp应用于模式识别，其速度最快，但对于函数迫近问题该算法不是最好，旗性能一样虎伴随目标误差减小而变差。变梯度算法在网络规模较大场所其性能是最好，其对于空间要求也很低。对于此次课题机械手臂仿真，LM算法是最好。神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第10页神经网络基本算法流程图以下：神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第11页 对于给定二自由度机械手模型利用BP算法记性训练和仿真。基本过程以下：定义输入样本和输出样本。生成对于网络：net=newff(minmax(input_train),72,tansig,purelin,trainlm);设定参数：net.trainParam.show=50;net.trainParam.lr=0.05;net.trainParam.epochs=500;net.trainParam.goal=0.0001;对网络进行训练：net=train(net,input_train,output_train);神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第12页 完成训练后，对网络进行仿真:y=sim(net,input_train);在用测试数据测试网络，验证其准确性：y1=sim(net,input_test);绘制仿真误差图：40组训练数据实际输出与训练输出误差图，10组训练数据实际输出与测试输出误差图。figure(1)plot(c,output_train-y,-*);title(BP网络训练误差);legend(训练样本误差);ylabel(训练绝对误差);xlabel(样本个数);grid神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第13页4.BP神经网络在机械手逆运动学中建模，仿真与分析 我在训练二关节机械手臂中，选取了50组数据（1.2）.依据多移动小关节少移动大关节标准，把1取值范围限定在（0，60），2在（-90，90），然后经过正向运动学公式求取50组（x，y），得到2个空间输入，2个关节位置输出。带入训练网络，隐层数目经过屡次尝试后取为7，采取函数为tansig函数和purelin函数，训练函数采取trainlm函数，他是利用Leveberg-Marquqrdt规则训练网络。其中40组训练数据，其余20组作为测试数据。神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第14页当选取网络隐层为2时，得到训练误差图为无法到达训练目标要求，经过30步迭代后，训练目标值为一个定值。我在选取较大隐层误差14，训练误差即使只需要25布就能够到达训练目标要求，不过训练数据实际输出与仿真输出误差确实展现发散状，无法打到仿真训练对于精度要求。学习率主要作用是调整权值和阈值修正值，也是神经网络非常主要一个参数。学习率设置对BP算法收敛性有很大影响。学习率过小，误差波动小，但学习速度慢,往往因为训练时间限制而得不到满意解；学习率过大,学习速度加紧,会引发网络出现摆动现象,造成不收敛危险。经过不停学习、调试，我最终确定了2-7-2网络结构，设定学习率为0.05，到达目标值为0.0001，训练步数为500，得到训练误差如图：神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第15页训练误差曲线图神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第16页神经网络训练结果以下：TRAINLM,Epoch 0/500,MSE 2.9657/0.0001,Gradient 172.146/1e-010TRAINLM,Epoch 50/500,MSE 0.000252881/0.0001,Gradient 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.有下列图神经网络逆运动学求解误差性能图4.5能够看出来，经过83次迭代后，均方根差降到0.0001一下，下降速度很快，18次以前下降十分显著。总体而言满足了精度要求。神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第17页以下分别是训练输出误差和测试输出误差图像，除个别点外，基本在误差范围内。神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第18页神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第19页从图上我们能够看出，训练40组数据误差逐步减下收敛，基本控制在0.01左右，而测试误差除了一个值超出误差范围之内，其余均能很好满足性能误差需求。神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第20页5.结论经过四个来月课题研究与学习，我完成了预期毕业设计任务，经过本论文基于BP算法神经网络对经典机器人手臂逆运动建模仿真，到达对机器人运动控制，并完成了以下工作：1.经过对关节型机器人运动控制研究，给出机器人运动学必须掌握数学变换工具一齐次矩阵，接着叙述了D-H参数等机器人正向和逆向运动学相关数学概念。2、学习了BP神经网络技术，熟悉了BP算法，利用BP神经网络高度自学习性，复杂非线性映射特点，再用各种训练函数训练神经网络，在对比仿真研究中了解了各种算法特点。神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第21页3、经 过 对 BP算 法 了 解，我 选 择 Levenberg-Marquardt法对经典二自由度平面机器人模型进行仿真，经过调试其相关参数能够来提升对机械手臂位置准确控制。在仿真过程中，经过对训练算法改变，愈加直观表现各种算法差异，表达出Levenberg-Marquardt法在对关节型机器人逆运动仿真中优势。不过对冗余度机械手来说，取得其训练样本比较困难，也就无法应用前面处理非冗余度机械手逆运动学问题方法。所以，神经网络来求解冗余度机械手逆运动学问题是需要深入研究。而且，在神经网络方面也还有一些问题如：网络模型和结构选择、快速学习算法研究和收敛性分析等问题上还有做深入研究。神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第22页参考文件【1】林尧瑞，马少平.人工智能导论.清华大学出版社.【2】王耀南著.机器人智能控制工程.科学出版社，北京，【3】刘锦昆.先进PID控制及其MATLAB仿真【M】，电子工业出版社.北京，【4】薛定宇，赵英凯，李方方.神经网络在机器人逆运动学中应用.机械与电子.11期，43-46【5】游辉胜，方康玲，薛孝琴等.基于神经网络机器人逆运动分析.机器人技术.24卷6-2期，269-271【11】赵景波著 MATLAB控制系统仿真与设计，北京机械工业出版社，神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第23页【7】许东，吴铮著 基于MATLAB 6.X系统分析与设计神经网络，西安电子科技大学出版社，.6【8】魏国坤 神经网络结构设计理论与方法，国防工业出版社，北京，.2【9】朱凯，王正林著 精通MATLAB神经网络，电子工业出版社，【10】飞思科技产品研发中心编著 神经网络理论与MATLAB 7实现，电子工业出版社，北京，【1】傅荟璇，赵红著 MATLAB神经网络应用与设计，北京工业机械出版社，【1】施彦，韩立群，廉小幸著 神经网络设计方法与实例分析，北京邮电大学出版社，北京，【1】葛哲学，孙志强著 神经网络理论与MATLAB R实现，北京电子工业出版社，神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第24页请老师指导！谢谢！神经网络在关节型机器人逆运动学建模中的应用研究论文答辩第25页