حل سينماتيك وارون روبات‌هاي فرافزونه‌اي با استفاده از شبكه عصبي موجكي

Inverse Kinematics Solution of Hyper-Redundant Robot Manipulators Using Wavelet-Based Neural Network

چكيده: در اين مقاله، روشي كارآمد براي حل مساله سينماتيك وارون روبات‌هاي داراي فرافزونگي درجات آزادي ارايه مي‌شود. اين روش بر اساس منحني انعطاف‏پذيري پايه‌گذاري شده است كه جنبه‌هاي تمام‌نماي هندسي بازوي مكانيكي روبات را در بر مي‌گيرد و منحني قامت ناميده مي‌شود. در اين مقاله جهت حل سينماتيك وارون از سه شيوه استفاده مي‌شود. در شيوه اول با به‏كارگيري مودهاي فرضي براي شكل منحني قامت، به حل سينمانيك وارون پرداخته مي‌شود. در شيوه دوم ابتدا با استفاده از روش حساب تغييرات و مينيمم‌كردن تركيب وزن‌داري از خميدگي منحني قامت، يك مساله بهينه‌سازي تعريف شده و آن گاه براي حل معادلات استنتاج شده، روش عددي حركت با آهنگ ظريف به كار برده شده است. در شيوه سوم به منظور استفاده از دقت مناسب و همچنين كاهش دادن مدت زمان محاسبات كه در كنترل روبات‌ها اهميت خاصي دارد از يك شبكه‌ عصبي كه بر مبناي توابع موجكي‌ طراحي گرديده استفاده شده است. با استفاده از اين شبكه، ضمن به دست آوردن دقت بالا، زمان آموزش تا حد قابل ملاحظه‌اي نسبت به شبكه‌هاي عصبي انتشار برگشتي بهبود مي‌يابد.

Abstract: In this paper an efficient method for solving the inverse kinematics of Hyper-Redundant Robots is presented. The method is based on a flexible curve named backbone. Three approaches are presented to solve the inverse kinematics. In the first approach the "assumed mode method" is used. In the second approach, first an optimum problem using the "calculus of variations" and minimization of bending of backbone curve is defined. Then a numerical method named "resolved rate motion" is used for solving the obtained governing equations. In the third approach, a neural network based on wavelets is used to increase accuracy while reducing the computation time. Simulation results show that through the application of this network the learning time is significantly reduced in comparison to the conventional neural networks such as back propagation type networks.