用于时变矩阵计算的固定时间递归神经网络及其在重复运动规划中的应用

文中提出了具有对数调节时间的固定时间收敛递归神经网络(Recurrent Neural Network,RNN)模型,用于求解时变矩阵计算问题。设计并详细分析了两个新颖的RNN模型,推导出在给定初始条件下模型调节时间函数的精确表达式;并给出任意初始条件下调节时间函数的上界。相比现有的固定时间收敛的RNN模型,两个新颖的模型具有对数调节时间,其调节时间上界更小,收敛速度更快。考虑到初始误差实际上在一个有界的区域内,给出RNN模型半全局对数调节时间函数,并由此推导出半全局意义上的调节时间函数的上界。采用RNN模型半全局调节时间上界的倒数,提出半全局预定时间收敛到精确解的改进RNN模型,其预定时间是一个可调参数。给出了所提RNN模型对时变Lyapunov方程和时变Sylvester方程求解的仿真结果,并将其应用于具有初始误差的冗余机械臂的重复运动规划,进一步验证了所提RNN模型的有效性。

基于有限时间对偶神经网络的冗余机械臂重复运动规划

在考虑关节物理极限的情况下,将冗余机械臂的逆运动学解析问题抽象为带约束的重复运动规划(RMP)方案.针对速度层的带约束RMP方案,本文提出了一种新型的递归神经网络,即有限时间对偶神经网络(FTDNN),用以求解该类带约束RMP方案.相比于传统的递归神经网络,该FTDNN模型具有有限时间收敛特性,不仅能够改进收敛的速度,并且能够获得较高的收敛精度.通过李雅普诺夫稳定性定理验证了FTDNN模型的渐近稳定性,并进一步计算出FTDNN模型求解带约束RMP方案最优解的时间上界.基于冗余机械臂PA10的计算仿真结果验证了FTDNN模型求解带约束RMP方案的有效性和可行性.最后在Dobot Magician实物机械臂上的实验结果表明本文提出的有限时间对偶神经网络方法可以有效实现机械臂各关节角的重复运动.

基于主任务零空间的空间机械臂重复运动规划

针对空间机械臂执行封闭在轨操作任务时,终止时刻机械臂关节角与基座位姿发生漂移的问题,提出一种基于主任务零空间的空间机械臂重复运动规划方法。结合在轨操作任务特点,分析了空间机械臂重复运动要求,将重复运动问题转化为关节构型、末端姿态与基座姿态复位优化问题并设计了空间机械臂重复运动优化算子;在此基础上,引入任务优先级概念,将重复运动优化算子引入主任务的零空间,保证主任务完成的同时机械臂重复运动得以优化;进而为增强重复运动优化能力,空间机械臂基座姿态保持算子也被引入。仿真结果表明,新算法能够减小关节角与基座位姿的漂移,实现空间机械臂重复运动规划,可以应用于实际的控制系统中。

基于新型性能指标的冗余度机械臂重复运动规划之方案分析与验证

为解决冗余度机器人手臂在运动过程中出现的关节角偏差问题,探讨与分析了一种基于新型性能指标的二次型优化模型,以使机械臂的关节能实现重复运动.在考虑各种关节物理极限(如关节角度极限和关节速度极限)的情况下,该模型最终被转化为一个标准的二次型优化问题来求解.同时,基于负梯度法的原理分析和基于PUMA560的平面四连杆机械臂的计算机仿真结果表明,该方案具有可行性和有效性.

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。

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。

重复运动速度层和加速度层方案的等效性

探讨冗余机械臂之重复运动规划(Repetitive motion planning,RMP),对应速度层重复运动规划方案,提出了加速度层重复运动规划方案,并进一步发现和探讨了速度层与加速度层RMP方案的等效性关系.基于神经动力学方法的理论分析和基于PUMA560机械臂的计算机仿真结果均证实了本文所提出的加速度层RMP方案在冗余度解析问题上的有效性,以及速度层和加速度层RMP方案的等效性.

基于机器人的递归神经网络运动规划

文章研究机器手臂的重复运动规划问题,在考虑关节角度极限和关节速度极限的情况下,将此模型转化为一个含不等式约束的二次规划问题,并利用简化对偶神经网络来求解该问题,从而实现机器手臂的关节重复运动。

用于有界噪声时变矩阵计算的终端零化神经网络

为提升零化神经网络(ZNN)求解时变矩阵计算问题时的收敛性能,提出一种具有抗噪能力的终端零化神经网络(TZNN)及其对数加速形式(LA-TZNN)。对误差动态的终态吸引性展开分析,结果表明所提网络在受到有界噪声干扰时仍能在固定时间内使误差归零,其中LA-TZNN可实现对数调节时间稳定,收敛速度相较于TZNN更快。考虑到实际情况中初始误差有界,给出半全局意义上的调节时间上界,并通过设置可调参数,使网络实现预定义时间稳定。将2种模型应用于时变矩阵求逆和PUMA560机械臂重复运动规划问题,仿真结果验证了所提方法相较于传统ZNN设计,调节时间更短,收敛精度更高,并能够有效抑制有界噪声干扰。

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。