基于RBF网络的冗余扫查机器人逆运动学研究

利用径向基函数（RBF）神经网络逼近能力较优和收敛速度较快的特点将运动学逆解过程转换为神经网络权值的训练过程。在训练RBF网络时，采用正交最小二乘（OLS）算法来确定网络中心，并将正解结果作为训练样本，实现了冗余扫查机器人运动学逆解的计算，避免了传统方法的繁琐公式推导及数值病态问题。     

基于BP网络的MOTOMAN机器人运动学逆解研究

探讨了BP网络在MOTOMAN机器人在运动学逆解中的应用。利用正解的结果作为训练样本，通过逐次训练6个输入节点、2个隐层、单输出节点的BP网络得到机器人从工作空间到关节空间的非线性映射，从而实现运动学逆解计算。     

RBF网络在PUMA560机器人运动学逆解中的应用

介绍了RBF网络及RBF网络基函数中心选取的重要性,将进化优选算法用于网络中心的选取.并利用D-H方法对PUMA560机器人进行研究,将正运动学推导结果作为训练样本.采用6个相同的12输入、单输出的RBF网络,实现PUMA560机器人运动学逆解计算,利用该方法大大减少了传统方法中的公式推导.计算结果表明,用RBF网络解决机器人运动学逆解问题精度高,收敛速度快.     

基于GA-RBF网络的ABB机器人逆运动学求解

阐述了利用遗传算法对RBF网络进行优化的过程。并结合ABB机器人的正运动学分析,将正运动学求解的结果作为GA-RBF优化网络的训练样本,求解了机器人逆运动学问题。仿真和试验结果均表明该方法能得到很高精度的运动学逆解。     

7自由度串联机器人运动学分析

以北京某大学自行研制的7自由度串联机器人为研究对象,对其运动学正解和逆解进行分析和研究。应用旋量方法推导出该机器人的运动学正解求解方程。在运动学正解求解方程基础上,采用位姿分离方法,将7自由度串联机器人的运动学逆解问题分解为位置逆解和姿态逆解两部分,并结合几何法和最短行程原则优化计算位置逆解和姿态逆解,继而完成了该机器人的运动学逆解求解。仿真结果验证了该7自由度串联机器人运动学逆解求解方法的正确性,且证明了该方法具有运算量小和精度高等特点。     

基于改进牛顿迭代法的混联机构正解分析

为解决XY-3-RPS混联机构运动学正解求解困难、求解效率低等问题,提出一种利用RBF神经网络改进牛顿迭代的算法。运用闭环矢量法建立混联机构的正向运动学方程。在混联机构的运动学逆解中选取适量的训练样本,通过RBF神经网络进行训练,将训练后的样本估计值作为迭代初值,进行运动学正解的迭代。与牛顿迭代算法的结果相对比,该算法具有更高的精度和更快的迭代速度。     

基于RBF神经网络的冗余度机器人轨迹规划

利用D-H方法完整地推导出了机器人的运动学方程,并将由此得到的运动学正解作为训练样本,对利用RBF神经网络方法建立的机器人运动学神经网络模型进行训练,实现了机器人从工作空间到关节空间的非线性映射,求解了机器人的逆解,并对3R,4R,5R和6R机器人的运动轨迹规划进行了计算机仿真,验证了该方法的可行性。     

基于BP网络判据的工业机器人运动学逆解

以MOTOMAN UP20型六自由度机器人为例,建立了工业机器人的MDH模型。在此基础上提出了一种解决工业机器人运动学逆解中存在多解的问题的方法：利用BP网络算法所得的结果作为判据,进行机器人运动学逆解的自动选择,得出运动学逆解问题的唯一解,以实现从机器人工作空间到关节空间的非线性映射。     

六足仿生机器人步态规划与足端可达空间分析

为进行六足仿生机器人轨迹规划和控制,设计了稳定性高且运动速度快的三角形步态,利用坐标变换分析机器人腿部运动学正解,利用几何关系分析腿部的运动学逆解,分别得出正解和逆解的显式解,并验证了正解和逆解的正确性。根据正解结果利用MATLAB仿真腿部的可达空间,并分析了可达空间的形状分布,结果表明在可达空间范围内腿部能够摆动足够的跨度和高度,从而实现行走及越障。     

基于RBF神经网络的机械手逆运动学求解

针对用于求运动学逆解的代数法存在计算量大、求解精度低等问题,提出了一种将RBF神经网络与正交最小二乘法相结合的求解方法。根据RBF神经网络的非线性局部逼近能力及快速学习能力,确定了进行运动学逆解所要的RBF神经网络参数,利用正交最小二乘算法对RBF神经网络进行稳定性训练,并设计了其逆运动学求解的算法流程图。运用MATLAB软件对该算法进行仿真分析,结果表明采用该方法能有效减少人工计算量且具有较高求解精度。     

RBF networks-based inverse kinematics of 6R manipulator

From the point of view of set theory and mathematics, the relation between the forward kinematics (FK) and the inverse kinematics (IK) can be regarded as a nonlinear mapping between the joint space and the operation space of the robot manipulator. Considering the powerful ability of the artificial neural networks (ANN) to process nonlinear mapping relations, the IK problem can be transformed into the problem of training the weights of ANN. In this work, the solution of the IK of the MOTOMAN manipulator is implemented by using ANN. Because of its local approach ability, the radial basis function (RBF) networks of six inputs and one output are designed. The method avoids the traditional complicated deriving equations procedure and programming. Examples are given to illustrate that RBF networks not only have better computation precision than back propagation (BP) networks but also converge faster than BP networks.     

基于神经网络的三自由度摇摆台运动学反解

针对传统的数值解法不能满足实时控制算法的要求，研究使用BP网络和径向基函数（RBF）神经网络求解三自由度摇摆台运动学反解的方法。通过离线的迭代算法生成高精度的样本点来训练神经网络，使用动量法、变学习率法和共轭梯度法提高BP网络的收敛速度。使用正交最小二乘法训练的RBF网络具有更小的泛化误差，更适合于实时控制应用。     

基于BP神经网络的机器人运动学逆解新算法

介绍了BP神经网络原理及算法并利用改进的BP神经网络算法对UY自由度机器人运动学反解问题进行了探讨。通过BP网络建立运动学模型,选择贝叶斯算法,采用Matlab神经网络工具箱进行编程,同时按照一定的范围要求提供样本,在试验及数值模型提供的样本数据范围内,得出模型测试精度都能满足工程要求。文章还进行了BP网络训练,并用训练好的网络来求解运动学逆问题,取得了较好的效果,为机器人运动学逆问题算法提供了新的思路,对机器人动力学问题、轨迹规划、运动控制也有一定的启发作用。     

空间3R机械手逆向运动学的多模块神经网络求解

提出用多模块神经网络的方法求解空间3R机械手的逆运动学多解。通过几何分析,将关节空间划分为多个只有唯一逆运动学解的关节子空间,每个子空间均用3个单输出的BP神经网络训练和求解。通过仿真试验并与其他方法对比,表明该方法不仅可以准确地划分逆运动学解的取值范围,还可以快速求得高精度的逆运动学多解。     

RBF神经网络在传感器校正中的应用

提出了一种基于RBF神经网络的传感器非线性校正方法,传感器的输出及待测物理量的实际数值用于训练RBF神经网络,以得到非线性校正用的逆模型,只需较少的神经元就可构成上述逆模型,便于单片机软件实现或“因化”在硬件中,通过一个二维位移传感器的例子表明,采用RBF神经网络的传感器非线性校正精度和网络训练速度均大大优于BP神经网络,能满足实用要求。     

基于分布式多子网神经网络的多组分混合气体识别

目前采用神经网络技术进行多组分混合气体浓度识别时通常存在着识别精度差、识别范围小等问题。为此本文首次提出一种新的神经网络结构：分布式多子网络神经网络。该网络包含多个子网和一个总网。工作时通过总网的分解处理将一复杂任务自动分解成多个子任务,并交由相应的子网处理。这种多子网、分而治之的特点大大提高了网络的学习速度和泛化能力。特征其用于多组分混合气体的识别中,大大提高了混合气体的识别效果和可积识别范围。文章最后给出了模拟实验结果。     

BP神经网络与广义RBF神经网络在产品寿命分布模型识别中的应用研究

通过分析BP神经网络和广义径向基神经网络(RBF神经网络)的基本结构和算法,建立了应用于机械产品的寿命分布类型智能识别的BP神经网络和RBF神经网络模型,通过仿真实验对比分析了BP神经网络和RBF神经网络识别效能。结果表明,RBF神经网络参数调整简单、训练时间短,且逼近能力与BP神经网络相当,但是推广能力较差;BP神经网络收敛缓慢、训练时间长,但推广能力较强,更适合分布参数变化范围大的寿命分布模型的识别。