基于ELM的机器人逆动力学建模研究.pdfVIP

学兔兔 1 匐 似 基于ELM的机器人逆动力学建模研究 Study on robot inverse dynamics modeling based on ELM 罗伸梦，李 军 LU0 Zhong．meng．LI Jun (兰州交通大学 自动化与电气工程学院，兰州730070) 摘 要：极限学习机 (extreme learnlng machine，ELM)是一种新型的前馈神经网络，可有效的处 理复杂的非线性的回归拟合问题。本文提出了基于极限学习机的机器人逆动力学模型的建模 方法，阐述了基本的设计思想和具体的算法过程，通过对二自由度刚性机器人的仿真，结果 验证了该方法的有效性和可行性，与RBF神经网络相比极限学习机的优点在于训练时间短，能 极快的达到全局收敛，且非线性系统建模精度和模型泛化能力都得到提高。 关键词：极限学习机；逆动力学模型；机器人；RBF神经网络；系统建模 中图分类号：TP1 83 文献标识码：A 文章编号：1 009-01 84(201 3)09(下)-0022-04 Doi：1 0．3969／J．issn．1 009-01 34．201 3．09(下)．08 0 引言 缺点，Huang等人提出了一种单隐层前馈神经网络 机器人技术不断向着高速度、高精度、大承 的新算法——ELM。在ELM中，网络隐含层节点 载和轻量化方向发展，工作环境也及其复杂多样 的权值和阈值都是随机生成，那么SLFNs就当做 化，对机器人性能要求也越来越高。控制器决定 一 个线性系统，于是系统输出权值就可以通过网 着机器人系统功能的强弱及性能的好坏，并决定 络隐含层输出矩阵的Moore—Penrose广义逆求得。 着机器人技术的发展，其需要对机器人建立精确 ELM在保证网络具有良好的泛化性能的同时， 地数学模型，作为一种简化，通常用如拉格朗H 极大的提高了学习速度，同时避免了由于梯度下 方程、凯恩方法等建立其刚体动力学模型，由于 降算法产生的许多问题，如局部极小、迭代次数 其复杂的数学计算，一般只能应用于离线计算， 多、学习时间长、性能指标以及学习率 制，重要 如若再考虑环境中非确定性因素 (如弹性等)， 的是ELM的使用不需要繁琐确定参数的过程，可 就更难以应用于实时控制中。 以得到合适的参数的同时节省前期准备时间，且 基于神经网络对非线性系统具有任意逼近 提高系统建模精度和泛化性能。 特性，现在许多学者致力于用神经网络解决机 任意选取N个样本 (xi，ti)∈R“XR ，这里 器人的复杂控制问题。由于泛化性能未得到好的 = ，xi：，…，Xin 为输入，tt= 。， ，…，tim 为目 解决，限制了其应用Ⅲ。另有研究中神经网络的作 标输出。若存在一个有Ⅳ个隐含层节点的SLFN能 用或者非直接逆动力学建模，或者精确度不 。