[論文レビュー] Kinematic Synthesis of Parallel Manipulator via Neural Network Approach

Jahan B. Ghasemi, Reza Moradinezhad+1 more|ArXiv.org|Apr 8, 2019

Robotic Mechanisms and Dynamics参考文献 21被引用数 7

ひとこと要約

本論文は、回転自由度2つおよび並進自由度1つのTricept並列マニピュレータの逆運動学を解くニューラルネットワークベースの手法を提案する。特定の軌道に沿った解析的逆運動学解を訓練データとして用いることで、マルチレイヤーパーセプトロン（MLP）および径路基底関数（RBF）ネットワークの両方が、高い精度と高速性を実現し、複雑な並列ロボットの運動制御におけるANNの実用性を示している。

ABSTRACT

In this research, Artificial Neural Networks (ANNs) have been used as a powerful tool to solve the inverse kinematic equations of a parallel robot. For this purpose, we have developed the kinematic equations of a Tricept parallel kinematic mechanism with two rotational and one translational degrees of freedom (DoF). Using the analytical method, the inverse kinematic equations are solved for specific trajectory, and used as inputs for the applied ANNs. The results of both applied networks (Multi-Layer Perceptron and Redial Basis Function) satisfied the required performance in solving complex inverse kinematics with proper accuracy and speed.

研究の動機と目的

• 幾何的・運動学的制約により解析的にモデル化が困難な並列マニピュレータにおける複雑な逆運動学を解く挑戦に応えること。
• 人工ニューラルネットワーク（ANN）を用いたデータ駆動型の手法を開発し、Tricept型並列マニピュレータの逆運動学解を近似すること。
• マルチレイヤーパーセプトロン（MLP）と径路基底関数（RBF）という2つの異なるANNアーキテクチャの性能を比較し、並列ロボットの複雑な逆運動学問題を高精度かつ計算効率よく解く能力を評価すること。
• リアルタイム制御応用に適した高速で信頼性の高い代替手法を提供すること。

提案手法

• 回転自由度2つおよび並進自由度1つのTricept並列マニピュレータの解析的逆運動学方程式を導出する。
• 定められた軌道に沿って逆運動学を解析的に解き、関節角を出力として、エンドエフェクタの位置・姿勢を入力として、訓練データを生成する。
• 生成されたデータセットを用いて、マルチレイヤーパーセプトロン（MLP）ネットワークを訓練し、逆運動学マッピングを学習する。
• 同じデータセットを用いて、径路基底関数（RBF）ネットワークを訓練し、MLPアーキテクチャと性能を比較する。
• 新しいエンドエフェクタの姿勢に対して関節角を予測する能力をテストすることで、訓練済みネットワークの妥当性を検証する。
• 精度（平均二乗誤差）と計算速度に基づいて性能を評価し、両ネットワークタイプを比較する。

実験結果

リサーチクエスチョン

• RQ1 人工ニューラルネットワークは、高い精度でTricept並列マニピュレータの逆運動学を効果的に近似できるか？
• RQ2 MLPとRBFネットワークの性能特性は、並列ロボットの複雑な逆運動学問題を解く際にどのように比較されるか？
• RQ3 データ駆動型のニューラルネットワーク手法は、ロボット制御応用に適したリアルタイム性能を達成できるか？
• RQ4 解析的解から得た訓練データの質が、ニューラルネットワークモデルの一般化能力および精度にどの程度影響を与えるか？
• RQ5 軌道追従制御の観点で、伝統的な反復的または解析的手法と比較して、ニューラルネットワーク手法は速度および頑健性の面で優れているか？

主な発見

• マルチレイヤーパーセプトロンおよび径路基底関数ニューラルネットワークの両方が、Tricept並列マニピュレータの逆運動学を高い精度で解いた。
• ニューラルネットワークの解法は高速な計算時間を達成しており、リアルタイム制御応用に適していることが示された。
• RBFネットワークはMLPに比べてトレーニング時の収束が速かったが、最終的な精度は両者で同等であった。
• テスト軌道全体にわたり、予測の平均二乗誤差（MSE）が一貫して低く保たれ、モデルの信頼性が確認された。
• 解析的に導出した逆運動学を訓練データとして用いることで、ニューラルネットワークの一般化能力および精度が著しく向上した。
• 結果から、ANNが複雑な並列マニピュレータのための堅牢で効率的な代替ソルバーとして機能できることを確認した。