[发明专利]基于神经网络和构型编码的机械臂逆运动学求解方法

说明书

本发明提供一种基于神经网络和构型编码的机械臂逆运动学求解方法，包括：坐标系与运动学参数定义；机械臂构型编码参数定义；正向运动学构建；逆运动学求解神经网络设计；训练样本库构建；神经网络训练与测试；逆运动学求解器的应用。(1)本发明提出一种基于前向神经网络和构型编码的多自由度机械臂逆运动学求解方法，较好的解决多自由度机械臂求解空间较大时的多解性对逆运动网络训练收敛性的干扰和局部最优的问题。(2)所设计的基于前向神经网络和构型编码的多自由度机械臂逆运动学求解方法对不同自由度数的情况具有较好的通用性，而不会随情况的自由度增加而增加算法的复杂度。

技术领域

本发明属于机器人技术领域，具体涉及一种基于神经网络和构型编码的机械臂逆运动学求解方法。

背景技术

多自由度机械臂在空间探测、工业生产装配和生活服务领域应用广泛。尤其是多自由度机械臂能够在满足末端操作位置姿态约束的情况下实现障碍规避。

机械臂逆运动学求解是多自由度机械臂动作规划、控制和执行的基础。传统的空间多自由度机械臂逆运动学求解方法包括代数法、几何法等。但是随着机械臂自由度增多，求解方法变的非线性强，同时存在多解性，因此，求解复杂，多数呈现指数增大。人工神经网络具有强大的非线性拟合能力，基于BP神经网络的机械臂逆运动学求解方法通过采样训练建立操作空间位置到机器人关节角度的映射关系，相比于传统的代数法和解析法更加简单高效。

但是，逆运动多解性会造成网络训练收敛速度慢或局部最优的问题，通常需要对机械臂的操作空间划分为较小的区间，进而在每个区间训练独立的神经网络逆运动学求解器，这种思路需要对机器人的操作空间进行精确划分和分析，同时其对于计算能力和内存要求较高，应用不方便。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于神经网络和构型编码的机械臂逆运动学求解方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种基于神经网络和构型编码的机械臂逆运动学求解方法，包括以下步骤：

步骤1，坐标系与运动学参数定义：

步骤1.1，对于被研究的多自由度机械臂，其结构如下：

假设其自由度数为N，N＞2，从多自由度机械臂的基座向机械臂末端，共有N个关节，各关节依次编号为关节1～N；从多自由度机械臂的基座向机械臂末端，共有N个连杆，各连杆依次编号为连杆1～N；

对于关节n，n∈[1,N]，当n＝1时，关节n通过连杆n与关节n+1相连；当n＝2,3,...,N-1时，关节n的一端通过连杆n-1与关节n-1相连，关节n的另一端通过连杆n与关节n+1相连；当n＝N时，关节n的一端通过连杆n-1与关节n-1相连，关节n的另一端通过连杆n与机械臂末端相连；

该多自由度机械臂，关节2～N的关节转轴互相平行，并且与关节1的关节转轴保持垂直；当n＝2,3,...,N时，连杆n-1与连杆n的延长线与关节n的关节转轴相交于一点；

步骤1.2，坐标系定义如下：

以关节1的关节转轴和连杆1的交点为原点O，沿关节1的关节转轴方向为Z轴，当关节1转角为0时，沿连杆1并指向离开关节1的方向为X轴，按照右手法则确定Y轴，从而建立XYZ坐标系；

步骤1.3，变量定义如下：

在XYZ坐标系中，机械臂末端的位置坐标为(x,y,z)^T；

对于连杆n，n∈[1,N]，定义连杆n的长度为l_n；