基于终态神经网络的冗余机械臂重复运动规划

为解决冗余机械臂在运动过程中出现的关节角漂移现象,提出了一种终态吸引优化指标,形成冗余机械臂重复运动规划的二次优化方法。采用具有有限值激活函数的终态神经网络来求解,在初值位置偏移目标位置的情形下,实现冗余机械臂有限时间收敛的重复运动规划任务。同时,分别以新型的终态神经网络(TNN)和其加速网络(ATNN)求解运动规划问题,该网络求解方法具有终态吸引特性,能够在有限的时间内得到有效解。相比具有渐近收敛动态特性的神经网络(ANN),终态神经网络方法不仅改变了收敛速度,而且提高了收敛的精度。基于冗余机械臂PUMA560的计算机仿真结果表明了所提方法的有效性和实时性。

Sylvester时变矩阵方程求解的终态神经网络算法

为了更好地提高收敛的速度和精度,提出一种终态神经网络(TNN)及其加速形式(ATNN)的求解方法。该网络求解方法具有终态吸引特性,能够在有限的时间内得到时变矩阵的有效解。相比于具有渐近收敛动态特性的神经网络,该神经网络方法具有有限时间收敛性,不仅能够改变收敛速度,而且能达到较高的收敛精度。将3种不同的神经网络方法用于求解时变Sylvester动态方程;同时,以终态神经网络求解二次优化问题,实现冗余机械臂Katana6M180有限时间收敛的重复运动规划任务。仿真结果验证了终态神经网络方法的有效性。

二次曲线型终态神经网络:时变神经计算与冗余机械臂重复运动规划

提出二次曲线型终态神经网络,包括双曲线型、椭圆型和抛物线型3种终态神经网络,网络各变量取值有限,易于实现。详细分析了这类网络的有限时间收敛特性,给出了具体的收敛时间表达式,并以双曲线型终态神经网络为例,将其应用于时变线性矩阵方程求解以及机器人轨迹规划。对于一般时变线性矩阵方程的求解,讨论了时变Lyapunov方程和时变Sylvester方程,分别给出了终态神经网络用于求解这2类时变矩阵方程的计算结果,验证了该网络能在有限时间内精确收敛到理论解。对于冗余机械臂重复运动规划,文中将重复运动指标设计为终态收敛性能指标,在初始位置偏移的情况下,利用该终态神经网络进行求解,实现冗余机械臂有限时间收敛的重复运动规划任务。

有限值终态递归神经网络计算

通常的递归神经网络计算方法采用渐近收敛的网络模型,误差函数渐近收敛于零,理论上需经过无穷长的计算时间才能获得被求解问题的精确解。文中提出了一种终态递归神经网络模型,该网络形式新颖,具有有限时间收敛特性,用于解决时变矩阵计算问题时可使得计算过程快速收敛,且计算精度高。该网络的另一特点是动态方程右端函数值有限,易于实现。首先,分析渐近收敛网络模型在时变计算问题求解方面的缺陷,说明引入终态网络模型的必要性;然后,给出终态网络动态方程,推导出该网络收敛时间的具体表达式。对于时变矩阵逆和广义逆求解,定义一个误差函数,并依据误差函数构造终态递归神经网络进行求解,使计算过程在有限时间内收敛便能得到精确解。在将任意初始位置下的冗余机械臂轨迹规划任务转换为二次规划问题后,利用所提出的神经网络进行计算,得出的关节角轨迹导致末端执行器完成封闭轨迹跟踪,且关节角严格返回初始位置,以实现可重复运动。使用MATLAB/SIMULINK对时变矩阵计算问题和机器人轨迹规划任务分别进行仿真,通过比较分别采用渐近网络模型和终态网络模型时的计算过程与结果可以看出,使用终态网络模型的计算过程收敛快且显著提高了计算精度。对不同时变计算问题的求解体现了所提神经网络的应用背景。