BP神经网络在MOTOMAN机械人离线编程中的应用

1、BP神经网络在MOTOMAN机械人离线编程关键技术中的应用摘要利用BP网络壮大的非线性映射能力，实现了从AutoCAD图形文件向MOTOMAN UP6工业机械人工作执行文件的转换。实验证明，与传统的通过坐标转换，然后 再进行机械人运动学逆解的解决方式相较，该方式有更好的适应性，效率更高, 可操作性更强，而且能够知足有效的计算精度。关键字BP网络，MOTOMAN UP6,运动学逆解，离线编程0引言机械人技术是20世纪人类最伟大的科技发明之一，是自动化技术的集中表 现。从20世纪60年代诞生和进展到此刻，机械人技术的研究经历了示教在线 编程、离线编程和自主编程三个时期。机械人离线编程系统(OLP

2、off-line programming)是利用运算机图形学的 功效，成立起机械人及其工作环境的儿何模型，再利用一些计划算法，通过对 图形的操纵和操作，在离线的情形下进行轨迹计划。通过对编程结果进行三维 图形动画仿真，以查验编程的正确性，最后将生成的代码传到机械人操纵柜， 以操纵机械人运动，完成给定任务。而且，离线编程技术能够借助第三方的软件 (例如AutoCAD)生成的图形文件，直接生成代码，然后在虚拟平台上进行仿真 和校验，从而大大简化机械人编程操作，提高编程效率，有效增加平安性，减 少机械人空闲工作时刻，降低本钱。在通过第三方软件生成机械人代码的进程中，有一个关键技术确实是坐标 转换和机

3、械人运动学逆解的求取。本文讨论的问题，是借助AutoCAD生成DXF图形文件后，直接将图形中的节点和直线圆弧信息，通过适当的映射以后，转 化成机械人的各个关节角度信息和动作指令，并输诞生成JBI格式的MOTOMAN 系列机械人的动作操纵文件。1传统解决方式对任何一个机械人进行高级编程及仿真，必需第一成立该机械人的运动学 方程。这是对机械人进行运动学分析的基础。在此基础之上，还必需解决机械 人运动学两类大体问题：运动学正问题与运动学逆问题。运动学正问题:该问题是机械人运动学方程的成立进程，即给定各杆件的结 构参数和关节变量，利用齐次坐标变换矩阵，求出机械人结尾执行器的位姿。(a)(b)图1运动学

4、正解与逆解Forward kinematics and inverse kinematics运动学逆问题:该问题是机械人运动学方程的求解进程，即已知各杆件的结 构参数和知足某工作要求机会械人结尾执行器的空间位姿，求出在该位姿时各 关节的变量值。在理论上说，利用代数的方式能够对几乎所有的工业或商业机械人进行封 锁解的计算。机械人运动学分析有许多种方式，可是最经常使用的是 Denavit-Hartenberg方式简称D-H法。D-H模型表示了对机械人连杆和关节进行 建模的一种超级简单的方式，可用于任何机械人构型，而不管机械人的结构顺 序和复杂程度如何。它也能够用于表示在任何坐标中的变换，例如直角坐

5、标、 圆柱坐标、球坐标等。其解决问题的大体思路是，第一在机械人的各个轴上成立起各个机械臂的 连杆坐标系；然后利用通过一系列的坐标转换，将各个连杆坐标系的姿态和位置在基坐标系中加以表征；最后取得一个从基坐标系到机械人结尾执行器的总 的坐标转换公式。利用那个公式，借助于适当的约束条件，就能够够对儿乎所 有的工业或商业机械人进行运动学正解和逆解的分析和计算。对连杆坐标系和 公式的推导进程有大量的资料和文献进行了详细表达，具体的分析进程可参阅 相关资料。现将MOTOMAN UP6工业机械人的有关参数列举如下：表1 MOTOMAN UP6机械人的大体参数6Tab. 1 The basic paramet

6、ers of MOTOMAN UP6操作模式垂直关节自由度6有效载荷6Kg.重复精度± 0.08mm工作空间S轴（旋转）±170°L轴（下臂）+ 155° , -90°U轴（上臂）+ 190° , -170°R轴（腕部转动）±180°B轴（腕部俯仰）-225° , -45°T轴（腕部扭转）±360°最大速度S轴s, 140。/sL轴s, 160° /sU轴s, 170° /sR轴s,335 ° /sB轴s,335° /sT轴s

7、, 500° /s允许力矩R轴11SN m m)B轴 m m)T轴 m m)允许惯量（GD2/4）R轴0.24Kg - m2B轴0.17kg nrT轴0.06kg m2重量130Kg工作环境温度045 c湿度2080%RH振动低于0.5G其它远离腐蚀性气体干燥洁净远离强电子干扰*机械人各轴的概念详见封而上的机械人图示MOTOMAN-UP6机械人为空间开链机构。依照成立D-H连杆坐标系的原 那么，对其成立Denavit-Hartenberg坐标系，如图2所示。图2 MOTOMAN UP6的D-H坐标系The D-H coordinate system of MOTOMAN略去推导进程，

8、通过求解，最终取得机械人逆解56的公式为:0 = atan2(py9px)夕,= ±asin( M / 时：+) - atan2(M2, MJ区= ±asin(N /N： + N? ) - atan2(N2t NJ也=3+夕其中，弘=1140PzM=(17KXX) _ 140pf1140pySjM = 79KX) - pjc： + 300/7 vq + 300夕声 - p：Ns = -7296(X)N, = 1482(X)N -(Px“ + PyS - 150)2 + pip、= 130cle2c 9-130c1S2s 厂640cle2s3- 64()c S 2c? +57

9、()CjC2 - s1+15()c1py = /JOsc- -130s 1s2s3 -640sle2s§-640ss +570sc2 -f-c；+15()s1p/ = -13()s2cli 3()c2s3k64()s2s 64()c2c.1570s2Px、Py、Pz别离表示在基坐标系X0Y0Z0下的机械人结尾执行器的坐标值, 公式中的与、G别离是SIN ( 0和COS ( Oj)的缩略记法。利用上述公式，结适合当的约束条件，就能够够求出各个轴转动角度的唯 一解。将角度信息转换成机械人脉冲信息后，与相应的几何图形信息融合后， 通过软件处置，能够生成机械人JBI格式的工作文件；上述的两个

10、部份别离对 应JBI文件中的数据信息块和动作指令块。为突出重点，现将DXF、JBI文件的格式说明和读写操作，和其间用到的 坐标转换、公式编辑等的VC+代码略去，这些用到的参考文献有3472 BP神经网络简介1人工神经网络能够被看做是一个大规模非线性的复杂动力学系统，能够在 足够的样本中自行提炼出包括其中的规律，完成从输入到输出的线性或非线性 的复杂映射。BP神经网络是经常使用的一种人工神经网络，本文利用这种网络，实现从 DXF文件坐标信息向机械人各关节转动角度的非线性映射。3新的解决思路借助于BP人J：神经网络优秀的非线性映射能力，咱们完全能够利用BP网 跨越机械人逆解分析中的数学建模、复杂繁

11、琐的坐标转换，而直接从目标的坐 标信息取得机械人传动轴的角度信息,利用BP神经网络替换掉离线编程系统中 的逆解运算器，这确实是本文讨论的核心问题。为了与传统的代数计算方式进行对照，本文采纳的训练集全数来自机械人 逆解的求取结果，利用逆解运算器的输入作为BP网络的输入，逆解运算器的输 出作为期望的输出；二者组成训练对，多个训练对组成训练集。其原理框图简 要说明如以下图所示。4实现进程及结果对照确信神经网络的拓扑结构通过实验证明，选择双隐层的BP网络能够取得比较好的映射成效。网络采纳(2-8-6-5)的拓扑结构。输入层应用两个神经元节点，用以输入在DXF文件 中点的平面X坐标和Y坐标。输入层采纳五

12、个神经元节点，用以输出机械臂五 个转动抽的角度值。因为在本文的论述条件下第四个关节轴的角度始终为零度 (详细可参见机械人运动学逆解的代数公式)，因此能够对其不予计算，从而能 够省去一个输出节点，只用五个神经元，减轻非线性映射的复杂程度。制作神经网络的训练集为了取得BP网络的训练集，咱们应当在MOTOMAN UP6的现场工作环境 中，或在其仿真软件的环境下，提取出相应的机械人结尾执行器的坐标信息和 各关节传动轴的角度信息，别离作为网络的输入向量和期望输出向量，进而组 成一系列训练对，形成BP神经网络的训练集。但是，从利用功能的角度看，本文是试图用BP神经网络取代逆解运算器的 求解功能，而且为了形

13、成成效的对照，咱们完全能够借用逆解运算器的输入和 输出作为BP网络训练集中的输入和输出向量。从那个角度动身，利用逆解运算 器取得DXF文件中一些点的坐标值和由这些坐标值转换的各关节传动轴的角 度信息列举如下：逆解运算器的输入座标信息样本编号1 -23456789101112131415X坐标Y坐标1002001002001617181920逆解运算器的输出个关节轴的角度信息TBULS样本编号1 -234567891011121314151617181920将上述的前15组数据作为训练集利用，在训练中采纳训练集等于测试集的 形式。剩余的5组数据用于网络泛化能力的查验。输入输出的标准化神经网络有很

14、强的适应性，但从提高网络的训练精度，加速网络收敛的时 刻方面考虑，对BP网络的输入输出数据进行适当的格式化是有必要的。从上述表格中能够明显看出，输入输出数据的波动都较大，必将会降低网络的非线性 映射性能。因此在网络进行训练之前应用公式将各个输入和输出数据进行标准化处置，取得结果如下：经标准化处置的逆解运算器的输入座标信息样本编号X坐标Y坐标123456710111213141516171820经标准化处置的逆解运算器的输出个关节轴的角度信息样本编号-15678-1 -1910111 11213141516171819-1 -1 -120网络训练结果将上述前15组数据概念为训练集（测试集与训练集

15、取为相同的集合），对 网络进行训练，选择误差目标为，最大训练次数为8000。最终取得训练误差和 测试误差的曲线如以下图所示。网络泛化能力的查验神经网络有着超级优秀的泛化能力，这也是其被普遍应用的重要缘故，为 了实现用神经网络替代逆解运算器的方式，必需对网络的泛化能力进行开发利 用，利用训练好的神经网络对后5组数据进行求解后的结果与利用逆解运算器 取得的结果对照如下BP网络泛化结果对照逆解运算器样本编号TBULS16期望输出 BP输出17期望输出 BP输出18期望输出 BP输出19期望输出-1-1-1BP输出20期望输出 BP输出5终止语理论上，尽管说利用代数的方式能够对几乎所有的工业或商业机械

16、人进行 封锁解得计算；可是代数法的缺点一样是显而易见的：计算量大、往往需要直 觉观看和体会、几何概念感不强，而且不能普遍适应机械人工作坐标系频繁转 变的场景。通过实验，证明在必然误差许诺的范围内，具有壮大映射能力的BP网络完 全能够取代离线编程算法中的逆解运算器。而由于BP网络的儿何概念清楚，操 作起来超级方便。更为重要的是，BP网络能够轻松的适应不同机械人工作坐标 系的转变。因为在工作中，机械人各个关节的角度值能够随时地读取到。因此 咱们就能够够任意地概念机械人结尾的坐标值，然后读取相应的关节角度值， 二者组成一个训练对，读取足够多的训练对后，就能够够通过神经网络，跨过逆解公式的推导进程，直接取得BP网络从坐标值到关节角度值的映射。当需要 改换机械人工作坐标系时.，需要做的工作也确实是成立训练集、训练网络罢了; 从而能够省去大量的坐标转换和公式推导的进程。参考文献：1王文成.人工神经网络2熊有伦，丁汉，刘恩沧.机械人学M.北京:机械工业出版社，583倪明田，吴良芝 运算机图形学M北京：北