基于人工神经网络的动力学参数辨识法

针对传统最小二乘法辨识动力学模型精度不高的问题,结合深度学习方法,提出了一种基于人工神经网络的动力学参数辨识方法。使用线型整流单元(ReLU)作为神经网络的激活函数,使用RMSProp算法对神经网络权值进行迭代,使用Dropout方法防止过拟合。采用有限项傅里叶级数轨迹作为激励轨迹,对采集到的数据进行标准化处理及滤波处理。最后,对算法得到的模型进行比较验证。结果表明,本文提出的方法相对于传统方法有较高的精度,不需要对摩擦力进行建模,能够更好地应用于机器人模型控制系统。

模块化软体机器人多模式运动分析

为了探讨模块化软体机器人驱动模式多样性对实现有效运动的影响,设计了一个6模块软体爬行机器人,并进行了多模式运动分析。使用差动运动模块设计了一个通过前进波在机体上的传递实现运动的机器人;分析了爬行过程中充放气模块的受力状态和充放气模块位置间隔之间的关系,得出了满足充气时模块获取的运动量、放气时模块向前传递运动量这一单向运动必要条件的位置间隔关系式,依据该模型得到了6模块机器人的10种可行运动模式;采用集中质量法对机器人建立拉格朗日动力学模型,通过ADAMS仿真验证了不同驱动模式的可驱动性;通过实验验证了机器人的可行运动模式并得出了不同模式下的运动速度。研究结果表明:使用充放气模块位置间隔关系公式来分析模块化爬行机器人运动模式可行且准确;多模块软体机器人具有丰富的运动模式,依据驱动模式的不同即可实现运动速度的变化;通过选用高效的运动模式A1D2,多模块机器人可实现最大运动速度13.2mm/s。

具有多地形运动能力的双模块软体机器人

针对现有爬管机器人应用范围有限、运动场景单一和多地形运动机器人无法攀爬、空间运动受限等问题,提出一种新颖的具备多地形运动能力的双模块软体机器人,每个软体模块由四气室全向弯曲软体气动驱动器组成.通过建立全向弯曲软体驱动器的弯曲模型,分析了全向弯曲软体驱动器的变化规律;提出了一种新型的旋转运动模式,使该机器人能通过旋转运动模式在多种复杂环境中运动;提出基于脉冲宽度调制(PWM)的步态控制方法,使该机器人能够更加简单快速地实现多地形运动功能,并通过实验验证其可行性.实验结果表明,基于四气室全向弯曲软体驱动器的双模块软体机器人能够沿圆形管道、方形管道及不规则杆状物(人体小臂)进行垂直攀爬运动,爬行速度达到11.7 mm/s,还能在平地、人造草皮、崎岖路面、斜坡等复杂地形进行快速移动,爬行速度达到14.0 mm/s,弥补了现有爬管机器人和多地形运动机器人的不足.该模块化软体机器人能在多种地形下进行稳定快速运动,适应性强,在管道检测和复杂地形探测等方面具有潜在的应用价值.