[发明专利]基于RBF神经网络的机械手运动学逆解方法

说明书

技术领域

本发明属于机械手运动学求解领域，尤其涉及一种基于RBF神经网络的机械手运动学逆解方法。

背景技术

机械手运动学逆解是机械手轨迹规划和控制的基础，在机器人控制中占有非常重要的地位。机械手运动学逆解的精度直接影响到机械手控制精度的提高，由于机械手运动学逆解本身存在的复杂性，目前通用的代数法和迭代法在一定程度上都存在计算量大、收敛速度受限等缺点，并且求解精度低、实时控制性能差。

神经网络技术发展为机械手逆解的研究带来了方便，径向基函数(Radial Basis Function，RBF)神经网络是一种局部逼近网络，具有良好的非线性逼近能力和较快的学习速度。

K-means聚类算法通常被用于求解RBF网络结构参数中心矢量、基宽与权值，但该算法容易受到初始参数选择的影响而收敛于局部极小值，而且在从隐含层输出到网络输出的线性关系中，逆解矩阵求权值w_ij时由于逆解矩阵的非奇异性而很难保证权值的唯一性。这将影响网络的最终训练结果。

发明内容

针对上述现有技术的缺点，本发明的目的在于提供一种基于RBF神经网络的机械手运动学逆解方法，能够提高机械手轨迹规划和实时控制精度。

为达到上述目的，本发明采用如下技术方案予以实现。

一种基于RBF神经网络的机械手运动学逆解方法，所述方法包括如下步骤：

步骤1，获取机械手运动样本对，所述机械手运动样本对由机械手末端执行器的位姿和机械手关节角度组成；

步骤2，设置所述RBF神经网络的样本输入和期望输出，所述RBF神经网络的样本输入为所述机械手末端执行器的位姿，所述RBF神经网络的期望输出为所述机械手关节角度；

步骤3，根据所述RBF神经网络的样本输入和期望输出，采用正交最小二乘方法确定所述RBF神经网络的网络参数，得到满足误差要求的RBF神经网络的网络参数，所述RBF神经网络的网络参数包含高斯基函数的中心矢量和基宽向量，以及网络输出权值；

步骤4，获取机械手末端执行器的实际位姿，将所述实际位姿输入到所述满足误差要求的RBF神经网络的输入层，所述满足误差要求的RBF神经网络的输出层输出机械手关节角度，从而完成机械手运动学逆解。

本发明技术方案通过RBF神经网络与正交最小二乘法相结合的方式进行机械手逆运动学求解，根据RBF神经网络的非线性局部逼近能力及快速学习能力和正交最小二乘法确定RBF神经网络结构参数的特性，使得该学习过程能够更快地收敛于期望值并且实现简单，且实际计算输出值与期望输出值的误差小；采用该算法进行机械手逆运动学求解可获得较高的精度并能很大程度上减少求解逆矩阵时的大计算量问题，为机械手轨迹规划和实时控制精度的提高奠定了基础。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于RBF神经网络的机械手运动学逆解方法的流程示意图一；

图2为本发明实施例提供的RBF神经网络的网络结构示意图；

图3为本发明实施例提供的一种基于RBF神经网络的机械手运动学逆解方法的流程示意图二；

图4为本发明实施例提供的期望与实际输出曲线对比示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于RBF神经网络的机械手运动学逆解方法，如图1所示，所述方法包括如下步骤：

步骤1，获取机械手运动样本对，所述机械手运动样本对由机械手末端执行器的位姿和机械手关节角度组成。

步骤2，设置所述RBF神经网络的样本输入和期望输出，所述RBF神经网络的样本输入为所述机械手末端执行器的位姿，所述RBF神经网络的期望输出为所述机械手关节角度。

参照图2所示的RBF神经网络的网络结构示意图，所述RBF神经网络的输入层与输出层均包含N个神经元，所述RBF神经网络的隐含层神经元个数为M个，其中，N、M均为大于零的正整数；