基于径向基神经网络的Delta机器人位置精度补偿

针对Delta并联机器人末端控制精度问题,提出一种基于RBF的提高Delta并联机构运动学控制精度的方法。首先对Delta并联机器人的运动学逆解进行分析,探讨了影响控制精度的因素和现有提高控制精度方法的局限性。其次,求解Delta并联机器人的工作空间,结合实际工作,通过试验采集训练样本。以末端实际位置为输入样本,末端的期望位置与实际位置之差为输出样本,进行RBF神经网络模型训练,得到末端实际位置与位置偏差之间的非线性映射关系,基于此设计位置补偿策略。最后,在Delta机器人平台上进行实验验证,使用训练好的RBF网络结合运动学逆解,对Delta机器人末端进行轨迹跟踪控制。实验结果表明,末端控制误差由±30mm减小到±5mm,有效的减少了末端位置误差,为Delta机器人精准控制提供了一种简单易行的方法。     

基于离散化分布密度的无人机粗糙决策方法

无人机“精准农业”任务要求无人机能够响应环境信息进行自主决策,从而完成喷绘任务。首先,研究了面向作业要求的空间属性设计规则,根据精准作业条件属性因子的值域分布特点及其样本密度,提出了一种基于高斯分布密度的反正切属性精细离散方法。然后,利用粗糙集属性依赖度的算法求解属性约简,去掉冗余的属性,获取精准作业的粗糙决策规则表。最后,通过试验验证了粗糙决策方法的合理性和准确性。     

一种融入态度的人工情感层次模型

服务机器人应具有人类的情感变化规律,并且在人机交互中最大限度的接近人与人的交互效果.提出一种更具人性化的融入态度的人工情感层次模型—AME模型,确定一种基于OCC认知评价模型和PAD情感空间的情绪刺激生成机制,引入了“心情基线”的概念研究态度与心情和情绪的相互作用.把机器人与人交互的态度融入情感模型中,使完成服务任务的过程更具人性化.以“福牛”机器人为实验平台验证了该模型的有效性和实用性.