多门控序列模型对工业机器人运动学和动力学学习的有效性( Effectiveness of multi-gated sequence model for the learning of kinematics and dynamics of an industrial robot )

A Singh P Pandey GC Nandi

目的为实现工业机器人的有效轨迹控制，通常采用Denavit-Hartenberg原理和Lagrangian或Newton-Euler方法，利用空间变换进行运动学逆解和动力学逆解的计算。该模型具有高度的非线性，由于机械参数的测量不准确、噪声和未考虑关节摩擦等原因，需要处理不确定性，从而导致在预测精确的扭矩轨迹时存在一些不准确的地方。为了得到一个保证的封闭形式的解决方案，机器人设计者通常遵循Pieper的建议，并与机械设计妥协。虽然这对于美观并不重要的工业机器人来说可能是可以接受的，但对于人形机器人和社交机器人来说就不是了。为了解决这一问题，本研究旨在提出一种基于机器学习的计算方法，该方法基于多选通序列模型，用于寻找笛卡尔空间到关节空间以及运动空间到关节力矩空间之间的映射。设计/方法/方法首先，作者利用正向运动学和正向动力学，通过运行N个嵌套循环来生成序列模型所需的足够数据，其中N是机器人的关节数。随后，为了建立一个基于序列分析的学习模型，作者提出利用长短时记忆(LSTM)训练一个LSTM模型，并讨论了该模型的结构细节。为了使LSTM学习算法有效地执行，作者需要从数据集中检测和消除冗余特征，作者提出使用一种优雅的统计工具Pearson系数来实现这一目标。为了验证所提出的模型，作者使用实验室中的硬件和仿真机器人（Baxter/Anukul robot）以及从机器人神经学习实验室获得的KUKA仿真机器人数据集进行了严格的实验。通过多个特征图的研究表明，与具有冗余特征的数据集相比，基于序列的LSTM深度学习模型能够帮助机器人更快地学习平滑准确的轨迹。这种数据驱动建模技术可以改变未来机器人学研究的方向，解决工业和社会类人机器人的轨迹规划和运动规划等经典问题。原创性/价值目前的研究涉及基于深度学习的计算模型的开发、消除冗余特征的统计分析、从一个硬件机器人（Anukul）和一个仿真机器人模型(KUKA)中创建数据、严格训练和分别测试两个计算模型（特别配置的两个LSTM模型）--一个用于学习逆运动学，一个用于学习逆动力学问题--以及将逆动力学模型与最先进的模型进行比较。因此，作者强烈认为，本论文是紧凑和完整的，可以发表在一个著名的期刊上，以便传播新的思想，使机器人领域的研究人员受益。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate