[论文解读] 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 7

一句话总结

本文提出了一种基于神经网络的方法，用于求解具有2个旋转自由度和1个平动自由度的Tricept并联操作臂的逆运动学问题。利用特定轨迹的解析逆运动学解作为训练数据，多层感知器（MLP）和径向基函数（RBF）网络均在运动学综合中实现了高精度与高速度，证明了人工神经网络（ANN）在复杂并联机器人运动控制中的可行性。

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.

研究动机与目标

• 为解决由于几何和运动学约束导致难以进行解析建模的并联操作臂中复杂逆运动学求解的挑战。
• 提出一种基于数据驱动的人工神经网络（ANN）方法，以近似求解Tricept型并联操作臂的逆运动学解。
• 评估两种不同ANN架构——多层感知器（MLP）和径向基函数（RBF）——在高精度与计算效率方面求解并联机器人复杂逆运动学问题的性能表现。
• 为并联机器人实时控制应用提供一种快速且可靠的替代传统解析或迭代方法的解决方案。

提出的方法

• 推导具有2个旋转自由度和1个平动自由度的Tricept并联操作臂的解析逆运动学方程。
• 通过沿预定义轨迹解析求解逆运动学，以关节角为输出、末端执行器的位置/姿态为输入，生成训练数据。
• 使用生成的数据集训练多层感知器（MLP）网络，以学习逆运动学映射关系。
• 使用相同数据集训练径向基函数（RBF）网络，以与MLP架构的性能进行对比。
• 通过测试网络对新末端执行器位姿预测关节角的能力，验证训练后网络的性能，误差极小。
• 基于精度（均方误差）和计算速度评估性能，比较两种网络类型的表现。

实验结果

研究问题

• RQ1 人工神经网络能否以高精度有效近似求解Tricept并联操作臂的逆运动学？
• RQ2 MLP与RBF网络在求解并联机器人复杂逆运动学问题时，其性能特征有何差异？
• RQ3 基于数据驱动的神经网络方法能否实现适用于机器人控制应用的实时性能？
• RQ4 由解析解生成的训练数据质量在多大程度上影响神经网络模型的泛化能力与精度？
• RQ5 在轨迹跟踪方面，神经网络方法是否在速度和鲁棒性上优于传统迭代或解析方法？

主要发现

• 多层感知器（MLP）和径向基函数（RBF）神经网络均以高精度成功求解了Tricept并联操作臂的逆运动学问题。
• 神经网络解法计算时间极短，适用于实时控制应用。
• RBF网络在训练过程中表现出更快的收敛速度，尽管最终精度与MLP相当。
• 预测结果的均方误差（MSE）在所有测试轨迹上均保持极低水平，证实了模型的可靠性。
• 使用解析方法推导的逆运动学作为训练数据，显著提升了神经网络的泛化能力与精度。
• 结果表明，ANN可作为复杂并联操作臂传统逆运动学求解器的稳健且高效的替代方案。