【matlab有偿编程】机器人避障路径规划，最优轨迹寻优源代码程序.pdf

%SVM 神经网络求解机械手逆运动学 %SVM 神经网络求解机械手逆运动学 clc clear close all load Test1 p q t r %q 是角度6 行，p 是位姿 % % 产生训练样本与测试样本 %p=p([2,4,6],:);%只看前4 个角度 p=p(1:end-1,:,:); %将最后一行去掉 q=q; %j=length(q); for i=1:200 pp(:,i)=reshape(p(:,:,i),12,1);%将原来的单个三维轨迹矩阵变换成一列，使得输入成为一个 12 行 %qqq(:,i)=RPY(qq(:,i));%转换成RPY 表示方式，将输入变成6 个 end X=pp(:,1:200); Xt=pp(:,151:200); Y=q(:,1:200); Yt=q(:,151:200); % % 参数设置 type = f; kernel = RBF_kernel; gam =100 ;%602572453.6492; % Regularization parameter 正则化参数。原先是 100 sig2=0.01;%329.5513877866; % Kernel parameter 核参数 (bandwidth in the case of the RBF_kernel(0.01) % igam=10; % isig2=0.01; % costfun = rcrossvalidate; % costfun_args = {X,Y,10}; % optfun = gridsearch; %[gam,sig2,cost] = tunelssvm({X,Y,type,igam,isig2,kernel}); % 模型参数优化 ,每一个输 出都对应一组gam、sig2. model = initlssvm(X,Y,type,gam,sig2,kernel); % 模型初始化 % % 交叉验证优化参数 % costfun = rcrossvalidate; % costfun_args = {X,Y,10}; % optfun = gridsearch; % model = tunelssvm(model,[],optfun,{},costfun,costfun_args); % 模型参数优化 % % 训练与测试 model = trainlssvm(model); % 训练 Yd= simlssvm(model,Xt); % 回归 % % 结果作图 %plot(1:length(Yt),Yt(:,1),r+:,1:length(Yd),Yd(:,1),bo:) figure(1) plot(Yt(:,4),g,LineWidth,2); hold on; plot(Yd(:,4),b,LineWidth,2); grid on; xlabel(测试样本数);ylabel(角度); legend(期望值,求解值) figure(2) error=Yt-Yd; plot(error) title(误差曲线);grid on; xlabel(测试样本数);ylabel(误差/rad); %末端轨迹比较图 a1=fkine(r,Yd*pi/180); figure(2) plot3(squeeze(a1(1,4,:)),squeeze(a1(2,4,:)),squeeze(a1(3,4,:)),r); hold on; a1=fkine(r,Yt*pi/180); figure(2) plot3(squeeze(a1(1,4,:)),squeeze(a1(2,4,:)),squeeze(a1(3,4,:)),r); hold on; plot3(squeeze(p(1,4,:)),squeeze(p(2,4,:)),squeeze(p(3,4,:)),b);%轨迹的三维图 title(机械手末端轨迹跟踪效果); legend(输出的轨迹,期望的轨迹); grid on; % plot3(squeeze(p(1,4,151:201)),squeeze(p(2,4,151:201)),squeeze(p(3,4,151:201)),g);% 轨迹的 三维图 % title(机械手末端轨迹跟踪效果); % l