《Machines》:A Novel Hybrid IK Architecture for Robotic Arms: Iterative Refinement of Soft-Computing Approximations with Validation on ABB IRB-1200 Robotic Arm
Meenalochani Jayabalan,
Karunamoorthy Loganathan and
Palanikumar Kayaroganam
编辑推荐:
基于自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)的逆运动学(Inverse Kinematics,IK)对于训练过的位姿具有高精度,但由于非标准化的训练数据,对于未见输入通常产生近似值。本研究
基于自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)的逆运动学(Inverse Kinematics,IK)对于训练过的位姿具有高精度,但由于非标准化的训练数据,对于未见输入通常产生近似值。本研究通过两项针对任意通用自由度(Degrees of Freedom,DoF)串联旋转关节机械臂设计的新贡献来解决这些局限性。首先,引入了一种使用工作空间分解和立方体路径规划的结构化训练方法。工作空间被划分为立方体区域,取代随机采样,通过立方多项式插值生成28条独特轨迹(12条边、12条面对角线、4条空间对角线)连接八个顶点。这确保了物理一致的数据,反映了现实世界中的点到点(Point-to-Point,PTP)运动。尽管在ABB IRB-1200机械臂上进行了验证,但这种模块化设计本质上具有可扩展性,允许将局部立方体专业知识扩展到覆盖整个可达工作空间。其次,提出了一个两阶段混合IK框架,其中初始ANFIS近似通过基于雅可比(Jacobian)的迭代方法进行精化。评估了三种混合框架:框架-1(ANFIS+雅可比梯度(Jacobian Gradient))、框架-2(ANFIS+雅可比伪逆(Jacobian Pseudoinverse)/牛顿-拉夫森(Newton–Raphson))和框架-3(ANFIS+阻尼最小二乘法(Damped Least Squares,DLS))。结果表明,所有三种混合IK框架均实现了可靠收敛,而基于DLS的混合框架在精度、收敛速度和数值稳定性之间提供了最佳权衡。这种通用的、无解析式的架构即使在混合场景下也提供了计算高效的解决方案,弥合了离线结构化训练与在线实时精化之间的差距,适用于数字孪生同步和工业自动化。
机器人逆运动学(Inverse Kinematics,IK:根据末端执行器期望位姿求解关节角)是运动规划与控制的核心基础问题。现有IK方法包括解析法、数值法、启发式法和学习法等,但各有局限。解析法依赖精确几何模型,对冗余或非标准构型困难;数值法如牛顿-拉夫森(Newton–Raphson)和阻尼最小二乘法(Damped Least Squares,DLS)对初始猜测敏感,易陷入局部或不稳定;学习法如自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System,ANFIS:一种结合模糊逻辑与神经网络的自适应推理系统)虽推理快速,但精度强烈依赖训练数据的覆盖质量,在未采样区域仅产生近似解。当前存在三方面问题:缺乏生成结构化、全覆盖训练数据的标准方法;数值方法受初始猜测支配且近奇异不稳定;软计算与数值精化的系统混合及比较研究有限。为克服上述问题,研究人员提出了一种新型混合IK架构,包含基于工作空间分解的结构化训练方法和两阶段混合IK框架,并在ABB IRB-1200六自由度工业机械臂上完成了实验验证。该研究发表于《Machines》。
开展研究采用的主要关键技术方法包括:(1)结构化训练数据集生成:将工作空间划分为立方体区域,利用立方多项式插值在立方体八个顶点之间生成28条唯一轨迹(12条边、12条面对角线、4条空间对角线),每条轨迹均匀采样10个点,共得280个物理一致的点到点(Point-to-Point,PTP)运动样本,替代传统随机采样。(2)独立ANFIS建模:为六个关节分别建立独立ANFIS模型,输入为末端位姿(位置与姿态),输出为对应关节角,采用上述结构化数据集训练各关节的局部逆映射。(3)三组两阶段混合框架:第一阶段由ANFIS提供初始关节估计;第二阶段分别采用雅可比梯度法(Jacobian Gradient)、雅可比伪逆法(Jacobian Pseudoinverse,配合牛顿-拉夫森迭代)和阻尼最小二乘法(DLS)进行迭代精化。所有训练与验证数据均来自ABB IRB-1200工作空间内300 mm至400 mm立方区域的仿真与实测。
研究结果按实验设计分节阐述如下。
4.1 ANFIS独立IK求解性能:通过将ANFIS单独应用于立方体测试样本,测得位置误差在0至40–50 mm之间,姿态误差约30–35°,表明单独ANFIS仅能提供粗估计,无法满足精密操作要求,但成功将关节解限制在真解附近。
4.2 雅可比梯度法:从机械臂初始零位启动求解,位置误差降至亚毫米级,但姿态误差仍高达40–60°,且所有样本均用满50次迭代上限,说明梯度法从远距离初始位姿启动时收敛停滞,尤其在姿态维度。
4.3 混合框架1(ANFIS+雅可比梯度):基于ANFIS输出启动梯度法,距离误差降至0.05 mm以下,姿态误差降至15°以下,迭代次数骤减至1–3次,计算时间大幅下降,证明ANFIS使梯度法从全局搜索转变为高效的局部精化器。
4.4 雅可比伪逆法(牛顿-拉夫森):从初始零位启动时出现严重数值不稳定,位置误差数百毫米,姿态误差高度离散,迭代次数达1000次上限,计算时间几十毫秒,显示伪逆法从远距离启动易发散。
4.5 混合框架2(ANFIS+雅可比伪逆):基于ANFIS初始值后,位置和姿态误差均近乎为零,迭代次数低于5次,计算时间小于1 ms,表明ANFIS将求解器置于良态区域,使牛顿-拉夫森法发挥二次收敛优势。
4.6 阻尼最小二乘法(DLS):从初始零位启动,DLS虽比伪逆稳定但收敛缓慢,位置误差300–600 mm,姿态误差高,迭代次数接近500次,显示单独DLS从远处启动效率低下。
4.7 混合框架3(ANFIS+DLS):基于ANFIS初始值后,位置误差趋近于零,姿态误差低于3°,迭代次数少于10次,计算时间小于1 ms,阻尼项确保了近奇异构型下的数值鲁棒性。
4.8 比较分析:一致趋势表明初始化策略主导求解器性能。初始位姿启动的求解器停滞、发散或慢收敛;ANFIS初始化的求解器均实现快速收敛与低误差。其中ANFIS+DLS提供了精度、收敛速度与数值稳定性的最佳平衡,ANFIS+伪逆在良态区域最快,ANFIS+梯度为轻量替代。
总结讨论强调,混合框架利用了ANFIS的全局逼近能力和雅可比迭代的局部精化优势,彻底缓解了单一方法的不足。ANFIS可靠地将数值求解器初始化在真解邻域,使迭代过程快速稳定。阻尼最小二乘混合方案因阻尼因子而具备优越的奇异性鲁棒性,尤其适用于工业现场。研究结论翻译如下:本文提出了一种混合逆运动学(IK)框架,将数据驱动的自适应神经模糊推理系统(ANFIS)与基于物理的雅可比迭代求解器相结合,以实现工业机械臂快速、准确、稳健的IK解。与仅依赖解析或数值方法的传统方法不同,所提方法利用了基于学习的全局近似和基于模型的局部精化的互补优势。实验结果表明,单独ANFIS仅提供粗IK解,其残留位置和姿态误差不适合精密操作。然而,ANFIS可靠地将关节配置定位于真解的窄邻域内。当该估计用于初始化雅可比求解器时,所有测试方法的收敛性能得到显著改善。在初始位姿初始化与ANFIS初始化条件下对雅可比梯度、雅可比伪逆和阻尼最小二乘法的比较评估清楚表明,初始化主导求解器性能。初始位姿初始化的求解器要么停滞,要么发散,要么缓慢收敛且残留误差大;而ANFIS初始化的求解器始终实现快速收敛,低位置和姿态误差,以及稳定的计算成本。在测试的混合策略中,ANFIS+DLS成为最可靠、最稳健的求解器,结合了快速收敛与近奇异数值稳定性。ANFIS+伪逆在良态区域提供了最快收敛,而ANFIS+梯度为中等约束任务提供了计算轻量替代方案。这些结果验证了所提混合IK范式在高精度工业机器人控制中的有效性。在六自由度ABB IRB 1200上的算法评估可作为概念验证,可扩展到任意N自由度串联旋转构型。未来工作拟将之应用于各种机械臂并讨论结果。本初步研究为在机器人学中使用结构化数据集开辟了新路径。在后续研究中,研究人员拟开发数字孪生系统,利用实时数据模拟机器人,确保虚拟与物理系统完美同步。未来工作拟研究基于四元数的姿态表示,以超越当前Z-Y-X欧拉角实现,探索学习和数值精化的稳定性与平滑性。