柔性matlab机械臂运动空间代码,中正平和的机器人学笔记——2. 机械臂逆运动学(附MATAB代码)...

0. 预备知识(别跳过呀)

上一篇我们讲了正运动学,也就是通过齐次变换矩阵,知晓关节角后求得机械臂末端的位姿,并表示在基座标系下。这一篇我们就来讲一讲逆运动学问题——已知工具坐标系{T}相对于固定坐标系{S}的期望位姿,如何计算一系列满足期望要求的关节角?

0.1 求解的难度

这是一个难度更大的问题,因为求解操作臂运动学方程是一个非线性问题。譬如六自由度的机械臂Puma560,回顾最后求得的运动学方程,

9784fd600be6f1fff102e6d93b35f39a.png

这里我们一共有12个方程,6个未知数。旋转部分3×3的矩阵由于每一列都是单位矢量,两两正交,因此这9个方程只有3个是独立的。再加上第四列前三行位置矢量的三个方程,6个方程对应6个未知数,应当是有解的。但是其中含有sin和cos,是非线性超越方程,求解难度很大,应到考虑到解是否存在,多解以及求解方法的问题。

0.2 解的存在性

这里引入三个概念,

工作空间(workspace):操作臂末端的执行器所能达到的范围。

灵巧工作空间(dexterous workspace):机器人末端执行器能从各个方向达到的空间。

可达工作空间(reachable workspace):机器人至少从一个方向上可以道德的空间。

从上述概念可以分析得到,如果要求解存在,那么期望点一定在工作空间内才行。

我们以两连杆机械臂为例,如果l1 = l2 = r,且关节旋转角能达到360°,那么其可达工作空间为半径为2r的圆,灵巧工作空间为原点;如果l1 ≠ l2,那么可达工作空间为外径l1 + l2,内径为|l1 - l2|的圆环,不存在灵巧工作空间。

一般的,当机械臂自由度小于6时,其不能到达三维空间内一般的目标位姿。

0.3 多解问题

多解问题也很好理解,例如Puma560机械臂,对已确定目标可有8个不同解,但往往由于关节运动范围的限制,这8个解中的某些解不能实现。如下图所示:

a26af60925e4fd03019f81b65b32f539.png

0.4 解法

由于非线性方程组没有通用的求解算法,针对解法问题,最好对一直操作臂的解的构成形式加以定义。

我们把操作臂的全部求解方法分为两类:封闭解(closed solutions)和数值解(numerical solutions)。

本篇主要讲述封闭解形式,也可分为两类,代数法和几何法。

  • 0
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于BP神经网络算的智能扫地机器人程序具有以下优点和缺点: 优点: 1. 模式识别能力强:BP神经网络算可以通过训练学习从输入数据中提取特征,并进行模式识别。这使得智能扫地机器人能够根据不同的环境和障碍物进行自主导航和避障。 2. 适应性强:BP神经网络算能够根据反馈信号和误差进行自适应调整,从而不断优化模型的性能。这使得智能扫地机器人能够在不同的环境和任务中适应性较强。 3. 鲁棒性较好:BP神经网络算可以处理一定程度的噪声和不完整数据。这对于智能扫地机器人来说很重要,因为在实际环境中会存在各种干扰和不确定性。 缺点: 1. 训练时间较长:BP神经网络算需要进行大量的训练样本和迭代计算,这导致其训练时间较长。对于智能扫地机器人来说,如果需要频繁地更新模型或者实时响应环境变化,训练时间可能成为一个限制因素。 2. 容易陷入局部最优解:BP神经网络算存在局部最优解的问题,可能导致模型性能无达到全局最优。这对于智能扫地机器人来说,可能会导致其在某些情况下的表现不如预期。 3. 数据依赖性较高:BP神经网络算对于大量的标记数据的依赖性较高。这对于智能扫地机器人来说可能会成为一个挑战,因为获取和标记大量的真实环境数据可能会比较困难。 综上所述,基于BP神经网络算的智能扫地机器人程序具有较强的模式识别能力和适应性,但训练时间长、容易陷入局部最优解以及对大量标记数据依赖性高等缺点需要充分考虑。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值