基于非线性偏最小二乘的操作臂逆解算法

操作臂逆运动学问题是机器人控制中的一项重要内容。目前使用较多的神经网络法大多为多输入多输出或者 多输入单输出方式,需要大量运算。非线性偏最小二乘法( NLPLS)建立的模型分为内部和外部模型,样本数据经外部模 型处理后才用于训练若干个单输入单输出的神经网络。对PUMA560操作臂的仿真试验表明,在相同隐层神经元数的情 况下,该算法比普通神经网络法具有更好的预测精度。这也表明,NLPLS只需较少的隐层神经元数就可以达到普通方法 的精度,从而减少运算量。     

机器人操作器系统自适应控制算法设计

由于不可避免地存在负载、摩擦及间隙等因素的影响,常见机器人操作器系统的数学模型是一组系数未知的非线性微分方程。本文根据该数学模型,借助于对输入转矩的特殊补偿,首先导出了一种新的自适应控制算法,使常见机器人操作器系统的状态误差在幅度上比用常规自适应控制算法得到的误差要小;为了减小笛卡尔(Cartesian)坐标误差,还引入一种雅可比(Jacobian)关系,并将这种关系用于李雅普诺夫(Lyapunov)直接法设计,由此而设计的自适应控制算法进一步使系统的笛卡尔坐标误差减小。计算机仿真结果证明了本文所设计自适应控制算法的优良性能。     

机械臂非线性定位方程计算新方法

针对机械臂定位算法中,数值算法计算量大,仿真过程存在累积误差,几何算法通用性不强等问题,以手术机器 人六自由度机械臂为研究对象,建立了一组多关节机械臂非线性定位方程组,提出了其基于非线性大范围渐近稳定的 求解方法。结果表明该方法既简化运算,又有利于物理实现,为机械臂高速、准确运动提供了基础,实验表明该算法适用 多关节的移动机械臂的非线性定位方程的求解,有较高的求解精度和收敛速度。