30、电缆机器人与电动汽车自动充电机器人的建模与应用

电缆机器人与电动汽车自动充电机器人的建模与应用

1. 电缆机器人的人工神经网络建模

1.1 人工神经网络与迁移学习基础

人工神经网络（ANN）是一种机器学习方法，其中每个输入和输出都由一个神经元（节点或感知器）表示。ANN模型参数（权重和偏差）在训练期间从数据中确定，这些参数指定了如何将输入数据转换为所需的输出。初始化权重和偏差后，输入数据被输入到输入层的神经元中。使用前馈ANN模型，每一层的输入x乘以其权重W并加上偏差b，以生成该层的输出Wx + b。然后，该层的输出在被输入到下一层之前会通过一个传递/激活函数（如Sigmoid或双曲正切函数）。由于深度神经网络具有多个隐藏层，因此可以表示数据中的复杂非线性关系。

迁移学习（TL）是将从一个系统/应用中学到的知识在相似的系统/应用之间进行转移，以开发它们的预测模型。在基于ANN的TL中，TL的目的是通过在相关神经网络模型上重用现有模型和/或数据来提高建模性能。

ANN在电缆驱动机器人建模中的应用非常有限，例如解决正向位移问题、机器人挠度和电缆张力等。本文研究了电缆机器人及其挠度的建模，使用工作空间某一区域的预训练ANN模型来预测该区域内以及相邻区域中先前未见过的位姿的挠度图，并研究了迁移学习在提高开发电缆机器人模型的效率和性能方面的有效性。

1.2 平台挠度分析

电缆驱动机器人的电缆悬链线模型考虑了电缆的质量。考虑作用在平台上电缆连接点Bj（j = 1, …, n）的电缆力fBj，电缆力向量τ = [τ1 … τn]T和平台扳手F = [fT; mT]T通过转置雅可比矩阵JT线性相关，即F = JTτ = ∑nj=1 JTj τj，其中JTj包含电缆j作用在平台上的力fBj的轴