《基于模糊神经网络的机器人定位控制.docx》由会员分享，可在线阅读，更多相关《基于模糊神经网络的机器人定位控制.docx（5页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、基于模糊神经网络的机器人定位控制蔡大伟导语：机器人在从事装配、空间对接、医疗手术等与环境有接触的作业时，需要机器人进展位置控制，以到达最正确的作业效果，本文介绍了一种基于模糊神经网络的机器人位置控制系统。本文将模糊控制与神经网络相结合，利用神经网络实现模糊推理，并用于两关节机器人的轨迹跟踪控制。摘要：机器人在从事装配、空间对接、医疗手术等与环境有接触的作业时，需要机器人进展位置控制，以到达最正确的作业效果，本文介绍了一种基于模糊神经网络的机器人位置控制系统。本文将模糊控制与神经网络相结合，利用神经网络实现模糊推理，并用于两关节机器人的轨迹跟踪控制。仿真结果说明，该网络对机器人轨迹跟踪控制具有很
2、好的效果，是一种行之有效的控制方法关键词：模糊神经网络，机器人，位置控制中途分类号：TP9文献标识码：B0前言近几年来，随着机器人技术与控制技术的开展，机器人在日常生活和工农业消费中得到广泛应用。机器人对象是一个非线性、强耦合的多变量系统，在运动经过中由于存在摩擦、负载变化等不确定因素，因此它还是一个时变系统。传统的机器人控制技术大多是基于模型的控制方法，无法得到满足的轨迹跟踪效果模糊控制和神经网络等人工智能的开展为解决机器人轨迹跟踪问题提供了新的思路。普通模糊控制的控制规那么大局部是人们的经历总结。不具备自学习、自适应的才能，往往还受到人的主观性的影响。因此不能很好地控制时变不确定的系统。在
3、近几十年里，基于模糊逻辑开发的模糊系统已经成为非常活泼的领域，一些算法已在复杂系统的控制器设计中显示出相当的才能，而且模糊数学理论也对构造知识模型提供了极其优越的工具。由于神经网络具有良好的自学习、自适应、联想等智能，能适应系统复杂多变的动态特性。模糊控制和神经网络的结合成为学者研究的重点。这方面的研究最早起源于欧美国家，但在80年代末期却在日本获得了相对大的开展。目前，在知识和信息处理领域，他独立于模糊逻辑和神经网络技术，已经到达了一个特有的研究阶段。模糊和神经网络技术的交融客服了神经网络和模糊逻辑在知识处理方面的缺点，具有进展数据监视学习、处理经历知识及基于语言表达的在线学习等功能。利用神
4、经网络非线性映射、自学习才能来调整模糊控制。使模糊控制具有一定的自适应才能，同时也使神经网络获得了模糊控制的推理归纳才能。本文对模糊神经网络在机器人控制中的应用进展研究，提出了一种模糊神经网络的机器人轨迹跟踪控制。仿真结果说明，该控制方法能很好地对机器人轨迹进展跟踪。1机器人控制系统建立本系统中，立体定位系统作为主要数据输入通道，用于准确获取目的位置与机器人之间准确的相对位置。随后将这些现场实时空间信息融入先前建立的空间模型。期间需要确定前模型与实际的三维空间变换关系，即配准。然后，机器人根据计算机辅助系统制定的运动方案进展运动操纵。运动中，立体定位系统通过对机器人与目的空间位置的不断收集，结
5、合机器人多轴控制器进展视觉控制。机器人控制系统如图1所示。框图中输入为机器人行走驱动伺服电机的反应电流，输出为机器人的行走速度，由伺服调速实现。图1机器人控制系统本文设计的机器人为六自由度机器人：三个转动三个平动。机器人的六自由度协同完成空间运动。考虑到设计的机器人属于小型机器人，希望尽量减轻重量。这样一来，由于刚度下降而要求限定机构整体负载，同时还要考虑机构高速运动时的稳定性。而且，该多自由度机构的刚度设计取决于运动的速度与方向。2模糊神经网络2.1控制系统构造结合机器人定位系统构建控制系统构造如图2所示，将机器人位置作为被控制量。图2模糊神经PID控制构造图图中e和ec分别为误差和误差变化率，输入r为机器人位置，输出y为机器人实际输出。2.2模糊神经网络的构造该模糊神经网络为4层，如图3所示。第l层为输入层；第2层为模糊化层；第3层为模糊推理层；第4层为输出层。模糊神经网络构造为2663。图3.模糊RBF神经网络的构造