[发明专利]基于麻雀搜索优化的神经网络的机器人逆运动学求解方法

说明书

本发明公开了一种基于麻雀搜索优化的神经网络的机器人逆运动学求解方法，其针对串联关节型机器人求解复杂的机器人逆向运动学问题，以机器人末端执行器的坐标和姿态作为神经网络的输入信号，输出机器人各关节变量值，利用改进的麻雀搜索算法优化神经网络的初始权值和初始阈值，提高神经网络的收敛速度和收敛精度。

技术领域

本发明涉及机器人逆运动学的技术领域，尤其涉及一种基于麻雀搜索优化的神经网络的机器人逆运动学求解方法。

背景技术

解决机器人逆运动学问题是机器人轨迹规划和运动控制的基础。逆运动学是从笛卡尔空间到关节空间的映射。其本质是从机器人末端的位置和姿态中获取每个关节变量的值。解决机器人逆运动学的传统方法包括几何、代数和迭代方法。几何方法对机器人的构型要求严格，通用性差，有一定的局限性，建模求解过程较为复杂。代数方法可以获得简单机制的封闭解。然而，很难获得复杂机制的封闭解。这种方法在求解过程中涉及到大量的坐标变换，求解精度较低。迭代法通过重复迭代来解决问题。这种方法计算量大，难以满足实时控制的要求。

针对传统方法的不足，越来越多的智能算法被广泛应用于机器人控制，如神经网络算法、遗传算法、粒子群算法。人工神经网络在解决非线性映射问题时具有强大的逼近能力。以机器人的大量正运动学信息为样本，通过BP神经网络的训练和学习，实现了笛卡尔空间到关节空间的映射。因此，避免了复杂的计算和推导过程。训练好的神经网络计算速度快，能满足实时控制的要求。

麻雀搜索算法（sparrowsearchalgorithm）是根据麻雀觅食并逃避捕食者的行为而提出的群智能优化算法。麻雀搜索算法主要模拟了麻雀群觅食的过程。麻雀群觅食过程也是发现者-跟随者模型的一种，同时还叠加了侦查预警机制。麻雀中找到食物较好的个体作为发现者，其他个体作为跟随者，同时种群中选取一定比例的个体进行侦查预警，如果发现危险则放弃食物，安全第一。

发明内容

本发明针对现有机器人逆运动求解存在求解精度较低等问题，提出一种基于麻雀搜索优化的神经网络的机器人逆运动学求解方法，其包括如下步骤：

S1.建立D-H运动学模型，并根据D-H连杆参数推导机器人正向运动学，具体方法为：根据机器人的D-H的连杆参数得到机器人相邻连杆坐标系的变换矩阵，将相邻关节坐标系的变换矩阵连乘，得到机械臂末端坐标系相对于基坐标系的变换矩阵：

；

S2.使用X-Y-Z固定角描述旋转矩阵：

；

从旋转矩阵等价推出X-Y-Z固定角：

；

因此机器人正运动学方程可以表示为：

；

则机器人逆运动学表示为：

；

S3.建立神经网络结构，输入层有6个输入信号，分别对应p_x，p_y，p_z，α，β，γ；输出层有n个输出信号，分别对应机器人的n个关节θ₁，θ₂，…，θ_n，在机器人工作空间生成若干样本，其中部分作为训练样本，部分作为测试样本，为得到最优关节角值，设置适应度函数，定义为神经网络训练时输出的关节角度与期望关节角度的方差函数，表示为：

；