一种基于遗传算法优化BP神经网络的冗余机械臂求逆解的方法技术

本发明专利技术公开了一种基于遗传算法优化BP神经网络的冗余机械臂求逆解的方法。机械臂在各关节运动范围内均分为180份，计算相邻两关节之间的变换矩阵，得到七组4*4大小的矩阵，通过矩阵连乘得到机械臂末端的位姿矩阵，提取姿态信息元素和位置信息元素作为一组输入样本，提取位姿矩阵对应的七个关节角度作为一组输出样本，累积收集180份输入输出样本，其中150份作为训练样本，其余30份作为测试样本。搭建BP神经网络，随机给定40组权值和阈值，对样本进行训练并返回误差，根据误差大小分配相应概率，采用遗传算法通过选择、交叉、变异生成子代，从中择优进入下一代训练运算，通过30代遗传运算得到最优权值和阈值，得到求逆解的网络，提高运算速率和精度。提高运算速率和精度。提高运算速率和精度。

【技术实现步骤摘要】
一种基于遗传算法优化BP神经网络的冗余机械臂求逆解的方法


[0001]本专利技术涉及冗余机械臂运动学逆解求解领域，尤其涉及一种基于遗传算法优化BP神经网络的冗余机械臂逆运动学的求解方法。

技术介绍

[0002]一般常见的通用机器人通常为6自由度，其逆解的个数和各连杆长度参数有关，至多有16组逆解，但是对于某些常见特殊机械臂构型，一般逆解个数之多有8组甚至更少。现在对于6自由度机械臂逆解方法已经有了较多的方法，例如常见特殊构型机械臂的封闭解。而对于冗余机械臂，常见的有7自由度串联机械臂，其逆解具有无数组，会产生较大的计算量，而机械臂需具备较强的实时性。几何法求冗余机械臂的逆解，需要利用前四个关节的位置信息求得关节角，在通过姿态求得后三关节角，推导过程较为复杂，常规的数值解法运算时间长，神经网络属于特殊的数值解法，因为其具有并行计算、逼近任意复杂系统的能力，所以被广泛应用于各种场景。
[0003]对于冗余机械臂的逆运动学问题亟需一种可靠且快速的计算方法，能够实现求得更加准确的结果。BP神经网络是一种前馈式的多层网络，目前应用范围最广泛，其并行分布式处理能力是其他解法所不具备的。尤其BP神经网络是仿人脑的思维，对于非线性问题的处理能力有很强的适应性。它的学习规则采用梯度下降法(也成最速下降法)，输出层通过误差反向传播不断调整权值和阈值，最终达到所要求的误差范围，解决了这一技术问题。

技术实现思路

[0004]冗余机械臂的市场前景越来越广阔，针对不同结构的机械臂，亟需一种快速且精确的求解运动学逆解的方法。为解决此问题，本文提出了一种基于遗传算法优化BP神经网络的冗余机械臂求逆解的方法，保证了求解速度和准确性。
[0005]一种七自由度冗余机械臂求逆解的方法，包括以下步骤：
[0006]步骤一，根据冗余机械臂机构及参数按照改进D-H法列出参数表，描述机械臂各关节的坐标系，相邻坐标系之间通过坐标转换得到变换矩阵i的取值范围为1～7。求得七个变换矩阵后，通过连乘得到首末坐标系的变换矩阵一般的，求得的坐标变换矩阵满足表达式(1)：
[0007][0008]其中n、o、a所包含的3*3的矩阵表达了机械臂姿态信息，p所包含的3*1的矩阵表达了机械臂位置信息，最后一行的信息对于本专利技术来说没有特别的作用。提取位姿信息并建
立大小位12*1的新矩阵A，将七个关节的运动范围均分为180份，计算180次机械臂的正运动学的解，提取到有效信息并添加至新矩阵A中，最终组成12*180的矩阵，将此数据存入数据库。同时，将A矩阵对应位置的七个关节角添加到新矩阵B中，最终形成7*180的矩阵B，将A矩阵和B矩阵分别分为两组，其中0～140列作为训练样本的输入Ain和输出Aout,141～180列作为测试样本的输入Bin和输出Bout，利用式(2)对数据进行归一化处理，区间为[0,1]。
[0009]y＝(x-min)/(max-min)
ꢀꢀꢀ
(2)
[0010]步骤二，建立三层BP神经网络，输入层神经元设定为12，输出层神经元设定为7，隐藏层的神经元数量没有明确规定，若选取过多会增加运算量，若选取过少无法全面概括样本规律。一般的有经验公式(3)计算隐藏层神经元个数。
[0011][0012]其中Hide代表隐藏层神经元个数，Input代表输入层神经元个数，Output代表输出层神经元个数。α默认取值区间为1～10。求得隐藏层神经元个数后，需要确定隐藏层的激活函数，激活函数的选取对整个网络的质量有很大的影响，激活函数有理解学习非线性问题的重要作用，本专利技术选取(4)式作为本网络的激活函数。
[0013]elliot2sig(n)
ꢀꢀꢀ
(4)
[0014]创建新矩阵X，矩阵X包含随机权值和阈值所组成的矩阵，同时矩阵X也作为遗传算法的个人(父代)进行遗传。对网络的参数进行设置，其中包括训练次数、训练目标和学习速率，计算得到误差e。
[0015]步骤三，建立改进的遗传算法，步骤二中的矩阵X为二进制数，具体位数通过式(5)求得。
[0016][0017]其中a、b分别为上下界，eps为精度，L若为小数则四舍五入取整数，矩阵X中存放40组随机个体，每个个体通过步骤二计算出误差e，根据40组误差的大小，通过线性变换函数分配每个个体的适应度，并采用排序法将40个个体进行降序排列，采用精英保存策略，将最好的个体不参与交叉、变异保留到下一代的群体当中，其余个体进行交叉和变异运算，用本代最优个体替换掉下一代最差的个体，交叉算子采用两点交叉法对个体基因进行交换，最后通过离散变异算子对个体进行变异，完成预定的遗传代数。
[0018]步骤四，不断重复步骤二和步骤三，直到满足设定的精度要求，获得最优的一组权值和阈值X{i}，最后将其从二进制转换为十进制数，至此则求得针对某七自由度机械臂的最优求逆解网络。
附图说明
[0019]以下通过附图对本专利技术做进一步描述。
[0020]图1为本专利技术冗余机械臂逆解快速求解流程示意图。
[0021]图2为本专利技术所提供的未优化的均方误差曲线图。
[0022]图3为本专利技术所提供的经过遗传算法优化后的均方误差曲线图。
具体实施方式
[0023]本专利技术的具体技术方案如下：
[0024]第一步，根据仿人体上肢机械臂7DOF-ROBOT采用改进法建立冗余机械臂D-H参数模型，如下表1。表中i为连杆编号，α为连杆扭转角，a为连杆长度，d为连杆偏距，θ为关节角，ω为关节角转动范围。
[0025]iα
i-1
a
i-1
d
i
θ
i
ω
i
10000[-Pi/2,Pi/4]2Pi/200-Pi/2[0,Pi]3Pi/200.3-Pi/2[0,(Pi*11)/18]4Pi/2000[-(Pi*11)/18,0]5-Pi/200.270[-Pi/4,Pi/4]6Pi/200Pi/2[-(Pi*7)/36,(5*Pi)/18]7-Pi/2000[-(Pi*7)/36,(5*Pi)/18][0026]表1 7R机械臂的D-H参数第二步，根据式(1)求得初始位置的变换矩阵如式(6)
[0027][0028]第三步，将七个关节等分为180份，并存放在矩阵中，采用m语言实现，仅以一个关节为例，inputdataTemPart1为存放的矩阵名称。
[0029]inputdataTemPart1＝[]；
[0030]for a＝-90:0.75:45
[0031]inputdataTemPart＝[(a/180)*pi]；
[0032]inputdataTemPart1＝[inputdataTemPart1；inputdataTemPart]；
[0033]End
[0034]第四步，重复第二步180次，建立并拆分新的矩阵Ain、Aout、Bin、Bout，通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法优化BP神经网络的冗余机械臂求逆解的方法，其特征在于，包括如下步骤：步骤一，根据冗余机械臂关节数据建立D-H参数模型，并根据一般正运动学求得末端4*4的位姿矩阵；步骤二，建立BP神经网络，所述BP网络包括输入、输出、隐藏层神经元，传递函数；步骤三，建立遗传算法流程，神经网络中的权值和阈值作为个体参加遗传，通过多代遗传后，使得权值和阈值快速收敛，得到最优值；步骤四，将所述冗余机械臂末端执行器的有效位姿数据输入BP神经网络中，得到该机械臂对应的关节角度。2.如权利要求1所述的一种基于遗传算法优化BP神经网络的冗余机械臂求逆解的方法，其特征在于，所述BP神经网络的训练过程包括如下步骤：步骤一，创建三层网络，确定每层网络的神经元个数；步骤二，根据实际计算案例选取相应的隐藏层的传递函数，并对输入数据归一化；步骤三，通过不断修正权值和阈值都网络进行训练和测试，并输出测试误差。3.如权利要求1所述的一种基于遗传算法优化BP神经网络的冗余机械臂求逆解的方法，其特征在于，所述遗传算法的过程包括如下步骤：步骤一，合并权值和阈值的二进制数成为一个个体，并随机生成初始种群；步骤二，通过线性变换函数，采用排序的方法分配各个个体的适应度；步骤三，通过精英保存策略对个体进行选择；步骤四，通过两点交叉算子对个体进行交叉；步骤五，通过离散变异算子对个体进行变异；步骤六，重复步骤三至步骤五，直至满足遗传代数，输出遗传算法后的权值和阈值。4.如权利要求2所述的一种基于遗传算法优化BP神经网络的冗余机械臂求...

【专利技术属性】
技术研发人员：康存锋，刘思远，陈伟康，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：