利用神经网络解决机器人动力学问题

利用神经网络解决机器人动力学问题

总览

提出了利用神经网络解决机器人动力学问题的新观念。主要介绍了神经网络相关技术背景，BP神经网络的基本原理。在Matlab中建立了一个6自由度的机器人，采用BP神经网络和径向神经网络，进行了对机器人动力学预测的仿真验证。结果表明神经网络能有效地解决该问题。

背景介绍

在开发机器人牵引技术过程中，需要对机器人进行动力学建模。而机器人动力学建模通常由牛顿欧拉法和牛顿拉格朗日法，两种方法推导过程都较为复杂，且计算量随着机器人自由度的增加而迅速增加，计算结果容易出错。我受到人工智能的启发，灵机一动，想到可以尝试采用神经网络的方法来解决该问题，让机器人自己学会对动力学的建模。

神经网络是一个让人感觉很妙不可言的人工智能技术。在机器学习领域，人工神经网络的计算模型灵感来自动物的中枢神经系统，它是对人脑的抽象简化和模拟，它是根植于神经科学，数学，统计学，物理学，计算机科学和工程学的一门技术。它可以根据大量的输入和输出历史数据，可以对一件事物，一个过程，一个函数进行预测估计。神经网络理论可应用于模式识别、自动控制、信号处理，图像处理，数据挖掘，医疗，经济金融，气象等领域。

 技术原理

BP  神经网络结构

我采用了BP神经网络与径向神经网络两种典型的神经网络结构，其中70%的实际应用均是采用BP神经网络结构，故我将重点介绍其原理。

图1

 

图1显示了一个具有R个输入，S个logsig神经元构成的单层BP神经网络，其中，左边的是详细结构图。右边的是以向量形式表示的结构图。

BP算法

BP算法沿着沿误差减小最快的方向，也就是梯度反向改变权值和偏差。

Xk代表当前权值和偏差，Xk+1代表迭代的下一次权值与偏差,xk+1代表下一次权值与偏差，gk为当前误差函数的梯度，ak代表学习速率。推导过程如下：

  如果你不想知道推导过程，那么只需要看上面中的两个所以（有三个点的地方）的内容，就可以知道所需要的误差量是什么样的了；如果想要想弄明白的话，或许需要自己在稿子上画画看推导推导。

Matlab仿真

仿真思路

1.首先采用robotictoolbox ，建立了一个SIASUN 六自由度机器人。包含了DH参数，杆件质量，质心矢量，转动惯量，摩擦系数等动力学参数信息。
<