МОДЕЛИРОВАНИЕ ДИНАМИКИ МАНИПУЛЯТОРА С ИСПОЛЬЗОВАНИЕМ АДАПТИВНОЙ НЕЙРО-НЕЧЕТКОЙ СИСТЕМЫ ВЫВОДА

Представлены результаты исследования динамического поведения манипулятора, которые имеют важное значение для разработки и моделирования его системы управления. В работе предложены различные методы динамического моделирования манипуляторов, которые используют уравнения движения манипулятора на основе методов Ньютона-Эйлера и ЛагранжаЭйлера. Учитывая, что данные методы являются численно-рекурсивными и соответственно вычислительно дорогими, то они не подходят для непосредственного использования в приложениях реального времени. Поэтому в работе предложен метод моделирования динамики манипулятора, основанный на адаптивной нейро-нечеткой системе вывода. С помощью этого метода строились отображения «ввода-вывода» для уравнений динамики движения манипулятора «Интелбот» с 5 степенями свободы. Динамическая модель манипулятора разработана на основе уравнений Ньютона-Эйлера и позволяет создавать наборы обучающих данных для адаптивной нейро-нечеткой системы вывода. Разработанный метод был апробирован при определении значений необходимых крутящих моментов приводов манипулятора, обеспечивающих движение по заданной траектории. Полученные результаты подтверждают высокую эффективность разработанного метода, а его производительность сопоставима с методом Ньютона-Эйлера. Данный метод может быть использован для создания манипуляторов с жесткими звеньями, обеспечивающих выполнение заданных динамических параметров.

1. Craig J.J. Introduction to Robotics, Mechanics and Control. 3rd ed. Upper Saddle River, NJ: Pearson; 2005:165–200.

2. Raibert M.H. Analytical Equations vs. Table Look-up for Manipulation: A Unifying Concept. IEEE Conference on Decision and Control; 1977 Dec; New Orleans. New Orleans; 1977:576–579.

3. Albus J.S. A New Approach to Manipulator Control: The Cerebellar Model Articulation Controller (CMAC). Dynamic Systems, Measurement, Control. 1975;97:270–277.

4. Cheng C.A., Huang H.P., Hsu H.K. et al. Learning the Inverse Dynamics of Robotic Manipulators in Structured Reproducing Kernel Hilbert Space. IEEE Transactions on Cybernetics. 2016;46(7):1691–1703.

5. Vijayakumar S., Schaal S. Locally Weighted Projection Regression: An O(n) Algorithm for Incremental Real Time Learning in High Dimensional Space. Proceedings of the Seventeenth International Conference on Machine Learning; 2000 July; Stanford. Stanford; 2000:1079–1086.

6. Nguyen-Tuong D., Seeger M., Peters J. Model learning with local gaussian process regression. Advanced Robotics. 2009;23(15):2015–2034.

7. Gijsberts A., Metta G. Real-time Model Learning Using Incremental Sparse Spectrum Gaussian Process Regression. Neural Networks. 2013;41:59–69.

8. Nguyen-Tuong D., Peters J., Seeger M. Learning Inverse Dynamics: A Comparison. Advances in Computational Intelligence and Learning: Proceedings of the European Symposium on Artificial Neural Networks; 2008 Apr; Bruges. Bruges; 2008:13–18.

9. Polydoros A.S., Boukas E., Nalpantidis L. Online Multi-Target Learning of Inverse Dynamics Models for Computed-Torque Control of Compliant Manipulators. 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems; 2017 Sep; Vancouver. Vancouver; 2017:4716–4722.

10. Nguyen-Tuong D., Peters J. Using Model Knowledge for Learning Inverse Dynamics. 2010 IEEE International Conference on Robotics and Automation; 2010 May; Alaska. Alaska; 2010: 2677–2682.

11. Cruz J.S., Kulic D., Owen W. Online Incremental Learning of Inverse Dynamics Incorporating Prior Knowledge. Autonomous and Intelligent Systems. Lecture Notes in Computer Science. 2011;6752:167–176.

12. Jang J. R. ANFIS: Adaptive-network-based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics. 1993;23(3):665–685.