CN110826701A - 一种基于bp神经网络算法对二自由度柔性腿进行系统辨识的方法 - Google Patents
一种基于bp神经网络算法对二自由度柔性腿进行系统辨识的方法 Download PDFInfo
- Publication number
- CN110826701A CN110826701A CN201911116874.2A CN201911116874A CN110826701A CN 110826701 A CN110826701 A CN 110826701A CN 201911116874 A CN201911116874 A CN 201911116874A CN 110826701 A CN110826701 A CN 110826701A
- Authority
- CN
- China
- Prior art keywords
- degree
- neural network
- flexible leg
- system identification
- joint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明公开了一种基于BP神经网络算法对二自由度柔性腿进行系统辨识的方法,用于确定二自由度柔性腿的关节位置角和末端脚位姿之间的关系。其中包括如下步骤:(1)通过实际测量得到二自由度柔性腿髋关节、膝关节位置角θ1、θ2或者计算得到髋关节、膝关节的驱动电机力矩τ1、τ2和二自由度柔性腿末端脚的位姿;(2)根据实际参数构建BP神经网络结构,通过实验测得的数据进行训练,得到二自由度柔性腿的辨识模型;(3)根据此模型对二自由度柔性腿进行末端脚位姿的预测。本发明方法能够更为精确地获得二自由度柔性腿的的动态特性,建立准确的系统辨识模型。
Description
技术领域
本发明涉及二自由度柔性腿系统的系统辨识方法,具体地说,以二自由度柔性腿的髋关节和膝关节驱动电机的输出力矩为输入变量,以二自由度柔性腿末端位姿为输出变量,采用BP神经网络进行系统辨识的方法。
背景技术
随着科学技术的迅速发展,机器人在人们生活中应用越来越广泛,遍及医疗保健、工业制造、深层探索等诸多领域,为人们生活带来了诸多的方便。但传统工业机器人由于其基座重、功耗高、臂杆短、负重比低,操作空间狭小,灵活性差等缺点,已经逐渐不能满足人们的需求。同时大量研究表明,在做同样量的工作下,动物自身所消耗的能量远远小于机器人本身所消耗的能量,为了解决这类问题,国内外专家学者根据仿生学研究出了依托变刚度柔性驱动器的柔性机器人。
驱动器作为机器人的核心部件在添加变刚度柔性关节后,由于柔性机械臂大范围的刚体运动与弹性振动之间存在着强耦合的非线性特性,与刚性机械臂相比,不可避免地会使其的动力学系统变得非常复杂。目前大部分关于变刚度柔性驱动器的研究还停留在理论和实验阶段,还有许多实际应用方面的问题亟待解决。如变刚度柔性驱动器对能量的储存释放与其机构之间的关系、变刚度柔性驱动器的刚度控制与最小能量消耗之间的关系等等。因此对柔性关节进行运动控制的分析,提高对柔性关节的控制精度和其对能量的有效利用率是十分有必要的。目前大部分专家和学者还停留在使用基于动力学方程的传统动力学模型建立上,但是柔性机构一般具有不确定性、严重非线性、时变和滞后等问题的存在,导致建立的动力学模型不够精确。例如拉格朗日方法,牛顿-欧拉方法、凯恩方法等等。
但是经典和现代控制理论是建立在精确的动力学模型基础上的,包含有变刚度柔性驱动器的系统,总是存在着没有完全或者根本无法弄清的复杂变量因素,因此要建立准确的动力学模型几乎是不可能的,而最新发展的基于神经网络技术的系统辨识并不需要预先建立实际系统的动力学模型,使非线性系统的辨识成为可能,为控制系统的搭建奠定基础。
发明内容
为了对二自由度柔性腿进行较为精确的控制系统设计,并解决传统建模方法依赖于精确的动力学方程的问题,本发明提出了一种基于BP神经网络算法对二自由度柔性腿进行系统辨识的方法。
本发明解决其技术问题所采用的技术方案是:
二自由度柔性腿系统辨识方法,其步骤如下:
S1.过实际测量计算得到二自由度柔性腿髋关节、膝关节位置角θ1、θ2和二自由度柔性腿末端脚的位姿;
S2.实际测量得到的两个关节位置角θ1、θ2,通过下述公式:
计算得到两个关节驱动器的输出力矩τ1、τ2;公式中:τ1、τ2为髋关节及膝关节受到的力矩;θ1、θ2为上摇臂及下摇臂的位置角;K1、K2表示髋关节及膝关节的扭转刚度,B1、B2表示髋关节及膝关节阻尼。N1、N2表示髋关节及膝关节传动装置的减速比;
S3.通过实际测量和计算的得到的数据整理形成样本,共计500份,并将样本分为训练样本和检测样本两部分,其中训练输入值为前475组两关节驱动电机的输入力矩,训练输出值为475组柔性腿的末端位姿;检验输入值为后25组两关节驱动电机的输入力矩,检测输出值为后25组柔性腿的末端位姿;
S4.据两关节驱动电机输出力矩和柔性腿末端脚的位姿设计BP神经网络结构,分别设置神经网络输入层、隐含层和输出层的节点数目;同时在BP神经网络结构下,对数据进行优化。其中输入层的节点个数为2个,隐含层的节点个数为7个,输出层的节点个数为2个;
S5.过对训练样本数据进行反复训练,将均方误差作为训练指标,构建二自由度柔性腿的系统辨识模型,其中训练方法为离线训练法;
S6.用检测样本的数据对得到的系统辨识模型进行反复检验,如果检验通过,则说明构建的系统辨识模型有效,若检验不通过,则重新进行训练建模;
S7.次记录二自由度柔性腿实验过程中产生的最新数据,将两关节驱动电机的输出力矩作为输入值输入得到的系统辨识模型,进行末端脚位姿的预测。
本发明产生的有益效果是:
(1)本发明的神经网络采用基于误差逆向传播算法训练的多层前馈神经网络,即BP神经网络,具有很强的非线性映射能力,可以充分逼近二自由度柔性腿系统的非线性关系;
(2)由于得到的辨识模型只通过实际系统的输入、输出的归纳学习,进而得出隐含在系统中的输入输出之间的关系,排除了传统动力学建模中忽略的髋关节、膝关节传动机构中的柔顺性和柔性关节中弹性机构的迟滞现象,因此该辨识系统模型具有很强的鲁棒性和容错性;
(3)通过BP神经网络训练得到的系统辨识模型,能够为柔性腿控制系统的完善提供基础,提高其控制精度,减小误差。
附图说明
下面将结合附图及实施例对本发明进一步说明,附图中:
图1是本发明中的基于BP神经网络算法对二自由度柔性腿进行系统辨识方法的流程图;
图2是本发明中的BP神经网络结构图;
图3是本发明中BP神经网络中BP算法的步骤流程图;
图4是本发明中神经网络辨识模型仿真输出与实验测得数据的对比图。
具体实施方式
本发明涉及二自由度柔性腿系统的系统辨识方法,其步骤如下:
本发明的原理是利用BP神经网络,建立二自由度柔性腿的系统辨识模型,进而对柔性腿末端脚位姿进行预测。其具体步骤如图1所示,如下所述:
(1)收集样本数据,通过实际测量计算得到二自由度柔性腿髋关节、膝关节位置角θ1、θ2和二自由度柔性腿末端脚的位姿,将两关节位置角数据通过下述公式:
计算得到两关节驱动电机的输出力矩,公式中τ1、τ2为髋关节及膝关节受到的力矩;θ1、θ2为上摇臂及下摇臂的位置角;K1、K2表示髋关节及膝关节的扭转刚度,B1、B2表示髋关节及膝关节阻尼。N1、N2表示髋关节及膝关节传动装置的减速比;
(2)处理上述数据,确定为样本集,样本的格式为,每一条数据按照输入输出对模式组织,输入数据为髋关节、膝关节两关节驱动电机的输出力矩,分别为τ1、τ2,输出数据为柔性腿末端脚位姿,位姿使用平面坐标表示,分别为x、y;
(3)将样本分为训练样本和检验样本两部分,训练样本共包含500组数据,其中训练输入值为前475组两关节驱动电机的输入力矩,训练输出值为475组柔性腿的末端位姿;检验输入值为后25组两关节驱动电机的输入力矩,检测输出值为后25组柔性腿的末端位姿;
(4)数据预处理:采用最大最小法对采集的数据样本进行归一化处理,以消除各维数据之间的数量级差别,采用归一法的公式为:
Xk=(Xk-Xmin)/(Xmax-Xmin)
式中,Xmin为数据集的最小值,Xmax为数据集的最大值;
(5)根据二自由度柔性腿两关节驱动电机的输出力矩和柔性腿末端脚的位姿设计神经网络的结构,该结构为三层BP神经网络结构,如图2所示。神经网络输入层节点数为2,分别为两关节驱动电机的输出力矩,即输入层向量为M=(τ1,τ2)T;输出层节点为2,为柔性腿末端脚位姿的平面坐标系坐标,即输出层向量为P=(x,y)T。输入层的神经元分别与隐含层j的各神经元连接,连接权值矩阵为Wij,隐含层的阈值向量为bj,隐含层的输出分别与输出层k的神经元连接,连接权值矩阵为Wkj,输出层的神经元的阈值为bk;
(6)BP神经网络利用归一化后的训练样本对BP神经网络进行反复训练,将误差作为训练指标,最后家将训练得到的权值、阈值以及此时的网络结构参数保存,构建二自由度柔性腿的系统辨识模型;
(7)用(3)中检验样本对得到的二自由度柔性腿系统的辨识模型进行反复检验,将预测输出数据进行反归一化处理后与测试目标输出进行对比,绘制对比图,如图4所示。由图可见,柔性腿末端脚步态仿真曲线与实验测得的数据基本重合,验证了所建立的两自由度柔性腿系统辨识模型的合理性。
应当理解的是,对本领域普通技术人员来说,本发明可以有各种更爱和变化,但所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于BP神经网络算法对二自由度柔性腿进行系统辨识的方法,其特征在于:包括以下步骤:
S1、通过实际测量计算得到二自由度柔性腿髋关节、膝关节位置角θ1、θ2和二自由度柔性腿末端脚的位姿;
S2、将实际测量得到的两个关节位置角θ1、θ2,通过计算得到两个关节驱动器的输出力矩τ1、τ2;
S3、将通过实际测量和计算的得到的数据整理形成样本,并将样本分为训练样本和检测样本两部分;
S4、根据两关节驱动电机输出力矩和柔性腿末端脚的位姿设计BP神经网络结构,分别设置神经网络输入层、隐含层和输出层的节点数目;同时在BP神经网络结构下,对数据进行优化;
S5、通过对训练样本数据进行反复训练,将均方误差作为训练指标,建立二自由度柔性腿的系统辨识模型;
S6、使用检测样本的数据对得到的系统辨识模型进行反复检验,如果检验通过,则说明构建的系统辨识模型有效,若检验不通过,则重新进行训练建模;
S7、再次记录二自由度柔性腿实验过程中产生的最新数据,将两关节驱动电机的输出力矩作为输入值输入得到的系统辨识模型,进行末端脚位姿的预测。
3.根据权利要求1所述的基于BP神经网络算法对二自由度柔性腿进行系统辨识的方法,其特征在于:S5中BP神经网络结构的训练方法为离线训练法。
4.根据权利要求1所述的基于BP神经网络算法对二自由度柔性腿进行系统辨识的方法,其特征在于:S4中输入层的节点个数为2个,隐含层的节点个数为7个,输出层的节点个数为3个。
5.根据权利要求1所述的基于BP神经网络算法对二自由度柔性腿进行系统辨识的方法,其特征在于:该方法中训练样本共包含500组数据,其中训练输入值为前475组两关节驱动电机的输入力矩,训练输出值为475组柔性腿的末端位姿;检验输入值为后25组两关节驱动电机的输入力矩,检测输出值为后25组柔性腿的末端位姿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911116874.2A CN110826701A (zh) | 2019-11-15 | 2019-11-15 | 一种基于bp神经网络算法对二自由度柔性腿进行系统辨识的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911116874.2A CN110826701A (zh) | 2019-11-15 | 2019-11-15 | 一种基于bp神经网络算法对二自由度柔性腿进行系统辨识的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110826701A true CN110826701A (zh) | 2020-02-21 |
Family
ID=69555425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911116874.2A Pending CN110826701A (zh) | 2019-11-15 | 2019-11-15 | 一种基于bp神经网络算法对二自由度柔性腿进行系统辨识的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826701A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113967918A (zh) * | 2021-11-19 | 2022-01-25 | 伯朗特机器人股份有限公司 | 基于bp神经网络的并联六轴机器人位姿正解方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0683427A (ja) * | 1992-09-04 | 1994-03-25 | Japan Atom Energy Res Inst | 柔軟マニピュレータの作業点位置制御システム |
CN101614799A (zh) * | 2008-06-25 | 2009-12-30 | 中国科学院半导体研究所 | 应用于电流传感器角差在线监测系统的信号分离择优方法 |
CN108052004A (zh) * | 2017-12-06 | 2018-05-18 | 湖北工业大学 | 基于深度增强学习的工业机械臂自动控制方法 |
CN108943024A (zh) * | 2018-08-16 | 2018-12-07 | 北京航空航天大学 | 一种六自由度工业机器人绝对位置误差估计方法 |
CN109352649A (zh) * | 2018-10-15 | 2019-02-19 | 同济大学 | 一种基于深度学习的机械手控制方法及系统 |
CN109813225A (zh) * | 2019-03-20 | 2019-05-28 | 安徽工业大学 | 一种柔性臂坐标测量机空间误差补偿方法 |
CN110039537A (zh) * | 2019-03-15 | 2019-07-23 | 北京精密机电控制设备研究所 | 一种基于神经网络的在线自学习多关节运动规划方法 |
-
2019
- 2019-11-15 CN CN201911116874.2A patent/CN110826701A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0683427A (ja) * | 1992-09-04 | 1994-03-25 | Japan Atom Energy Res Inst | 柔軟マニピュレータの作業点位置制御システム |
CN101614799A (zh) * | 2008-06-25 | 2009-12-30 | 中国科学院半导体研究所 | 应用于电流传感器角差在线监测系统的信号分离择优方法 |
CN108052004A (zh) * | 2017-12-06 | 2018-05-18 | 湖北工业大学 | 基于深度增强学习的工业机械臂自动控制方法 |
CN108943024A (zh) * | 2018-08-16 | 2018-12-07 | 北京航空航天大学 | 一种六自由度工业机器人绝对位置误差估计方法 |
CN109352649A (zh) * | 2018-10-15 | 2019-02-19 | 同济大学 | 一种基于深度学习的机械手控制方法及系统 |
CN110039537A (zh) * | 2019-03-15 | 2019-07-23 | 北京精密机电控制设备研究所 | 一种基于神经网络的在线自学习多关节运动规划方法 |
CN109813225A (zh) * | 2019-03-20 | 2019-05-28 | 安徽工业大学 | 一种柔性臂坐标测量机空间误差补偿方法 |
Non-Patent Citations (3)
Title |
---|
NING ZHANG ET AL: "Inverse kinematics solution for six-DOF serial robots based on BP neural network", 《2017 CHINESE AUTOMATION CONGRESS (CAC)》 * |
张新红: "《小波网络理论及其在经济建模中的应用》", 31 December 2008, 东北财经大学出版社 * |
陈泽塔: "柔性机械臂的建模与控制研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113967918A (zh) * | 2021-11-19 | 2022-01-25 | 伯朗特机器人股份有限公司 | 基于bp神经网络的并联六轴机器人位姿正解方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020207219A1 (zh) | 一种利用环境预测优化非模型机器人多轴孔装配控制方法 | |
Zhang et al. | Kinematic analysis of a novel 3-DOF actuation redundant parallel manipulator using artificial intelligence approach | |
JP5330138B2 (ja) | 強化学習システム | |
Su et al. | Neural network enhanced robot tool identification and calibration for bilateral teleoperation | |
CN110936382B (zh) | 一种数据驱动的工业机器人能耗优化方法 | |
Xu et al. | Two optimization algorithms for solving robotics inverse kinematics with redundancy | |
CN103331756A (zh) | 一种机械臂运动控制方法 | |
CN109746901B (zh) | 一种用于外骨骼机器人的动态负载信息计算方法 | |
Jamali et al. | Intelligent modeling of double link flexible robotic manipulator using artificial neural network | |
Bächer et al. | Design and control of soft robots using differentiable simulation | |
Yan | Error recognition of robot kinematics parameters based on genetic algorithms | |
Chang et al. | Research on manipulator tracking control algorithm based on RBF neural network | |
CN116604532A (zh) | 一种上肢康复机器人智能控制方法 | |
Zhao et al. | A learning-based multiscale modelling approach to real-time serial manipulator kinematics simulation | |
CN110826701A (zh) | 一种基于bp神经网络算法对二自由度柔性腿进行系统辨识的方法 | |
Jin et al. | [Retracted] Dynamic Simulation Modeling of Industrial Robot Kinematics in Industry 4.0 | |
Lopez et al. | Optimum design of a parallel robot using neuro-genetic algorithm | |
CN110355780A (zh) | 一体化柔性机器人关节的输出力矩计算方法 | |
CN115185187B (zh) | 一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法 | |
Liu et al. | A new method for mobile robot arm blind grasping using ultrasonic sensors and Artificial Neural Networks | |
Bataineh et al. | Artificial neural network-based prediction of human posture | |
CN115256397A (zh) | 一种基于深度学习的机械臂力控制方法及系统 | |
Ivanescu et al. | Boundary Control by Boundary Observer for Hyper-redundant Robots. | |
Arefeen et al. | Human–Robot Collaborative Lifting Motion Prediction and Experimental Validation | |
Hu et al. | Model-based contact detection and accommodation for soft bending actuators: An integrated direct/indirect adaptive robust approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200221 |