基于神经网络的机器人运动模型辨识及实验验证

为提高机器人模型辨识时神经网络的学习速度，改进得到一种新的神经网络拓扑结构——状态延迟输入动态递归神经网络．以德国PowerCubeTM模块化机器人为研究对象，将机器人关节位置信息和OPTOTRAK 3020三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本，对包含各种影响因素的机器人运动模型进行了辨识．并以此模型为基础，输入验证样本进行验证，所得结果及误差分析说明了该神经网络在学习能力上的优越性及辨识模型的有效性．     

基于神经网络的空间7R冗余机器人的运动模型辨识

针对空间冗余机器人运动学控制中正、逆运动学求解的复杂性，采用神经网络从两方面解决这一问题。一是从神经网络出发，提出了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；二是从辩识方案出发，以SDIDRNN为基础，在空间7R冗余机器人正、逆运动学模型辩识的问题上，设计了一种新颖的解耦辩识方案。将其与另外两种具有普通网络结构的辩识方案相比较，说明了该新方案具有更高的学习能力，辩识误差可降低到对比方案的40％-6％。由于学习速度的提高，达到设定误差时的训练次数大大减少，使该方案在机器人运动控制系统中的实时计算能力大大增强，为神经网络在机器人运动学控制中的应用提供了一条崭新的思路，具有重要的应用意义。