BP神经网络在MOTOMAN机器人离线编程中的应用.doc

BP神经网络在MOTOMAN机器人 离线编程关键技术中的应用 摘要 利用BP网络强大的非线性映射能力，实现了从AutoCAD图形文件向MOTOMAN UP6工业机器人工作执行文件的转换。实验证明，与传统的通过坐标转换，然后再进行机器人运动学逆解的解决方式相比，该方法有更好的适应性，效率更高，可操作性更强，而且能够满足实用的计算精度。 关键字 BP网络，MOTOMAN UP6，运动学逆解，离线编程 0 引言 机器人技术是20世纪人类最伟大的科技发明之一，是自动化技术的集中体现。从20世纪60年代诞生和发展到现在, 机器人技术的研究经历了示教在线编程、离线编程和自主编程三个阶段。 机器人离线编程系统(OLP－off-line programming)是利用计算机图形学的成果，建立起机器人及其工作环境的几何模型，再利用一些规划算法，通过对图形的控制和操作，在离线的情况下进行轨迹规划。通过对编程结果进行三维图形动画仿真，以检验编程的正确性，最后将生成的代码传到机器人控制柜，以控制机器人运动,完成给定任务。而且，离线编程技术可以借助第三方的软件（例如AutoCAD）生成的图形文件，直接生成代码，然后在虚拟平台上进行仿真和校验，从而大大简化机器人编程操作，提高编程效率，有效增加安全性，减少机器人空闲工作时间，降低成本。 在通过第三方软件生成机器人代码的过程中，有一个关键技术就是坐标转换和机器人运动学逆解的求取。本文讨论的问题，是借助AutoCAD生成DXF图形文件后，直接将图形中的节点和直线圆弧信息，通过适当的映射之后，转化成机器人的各个关节角度信息和动作指令，并输出生成JBI格式的MOTOMAN系列机器人的动作控制文件。 1 传统解决方法 对任何一个机器人进行高级编程及仿真，必须首先建立该机器人的运动学方程。这是对机器人进行运动学分析的基础。在此基础之上，还必须解决机器人运动学两类基本问题：运动学正问题与运动学逆问题。 运动学正问题:该问题是机器人运动学方程的建立过程，即给定各杆件的结构参数和关节变量，利用齐次坐标变换矩阵，求出机器人末端执行器的位姿。 运动学逆问题:该问题是机器人运动学方程的求解过程，即已知各杆件的结构参数和满足某工作要求时机器人末端执行器的空间位姿，求出在该位姿时各关节的变量值。 在理论上说，利用代数的方法可以对几乎所有的工业或者商业机器人进行封闭解的计算。机器人运动学分析有许多种方法，但是最常用的是Denavit-Hartenberg方法简称D-H法。D-H模型表示了对机器人连杆和关节进行建模的一种非常简单的方法，可用于任何机器人构型，而不管机器人的结构顺序和复杂程度如何。它也可以用于表示在任何坐标中的变换，例如直角坐标、圆柱坐标、球坐标等。 其解决问题的基本思路是，首先在机器人的各个轴上建立起各个机械臂的连杆坐标系；然后利用通过一系列的坐标转换，将各个连杆坐标系的姿态和位置在基坐标系中加以表征；最后得到一个从基坐标系到机器人末端执行器的总的坐标转换公式。利用这个公式，借助于适当的约束条件，就可以对几乎所有的工业或商业机器人进行运动学正解和逆解的分析和计算。对连杆坐标系以及公式的推导过程有大量的资料和文献进行了详细叙述，具体的分析过程可参阅相关资料。 现将MOTOMAN UP6工业机器人的有关参数列举如下： 表1 MOTOMAN UP6机器人的基本参数[6] Tab. 1 The basic parameters of MOTOMAN UP6 操作模式 垂直关节 自由度 6 有效载荷 6Kg 重复精度 ±0.08mm 工作空间 S轴(旋转) ±170° L轴(下臂) +155°，-90° U轴(上臂) +190°，-170° R轴(腕部转动) ±180° B轴(腕部俯仰) -225°，-45° T轴(腕部扭转) ±360° 最大速度 S轴 2.44rad/s, 140°/s L轴 2.79rad/s, 160°/s U轴 2.97rad/s, 170°/s R轴 5.85rad/s, 335 °/s B轴 5.85rad/s, 335°/s T轴 8.73rad/s, 500°/s 允许力矩 R轴 11SN·m(1.2kgf ·m) B轴 9.8N·m(l.Okgf ·m) T轴 5.9N·m(0.6kgf ·m) 允许惯量(GD2/4) R轴 0.24Kg·m2 B轴 0.17kg·m2 T轴 0.06kg·m2 重量 130Kg 工作环境 温度 0~45℃ 湿度 20~80%RH 振动 低于0.5G 其它 远离腐蚀性气体 干燥洁净 远离强电子干扰 * 机器人各轴的定义详见封面上的机器人图示 MOTOMAN-U