递归神经网络基于一个梯度与加速度命令机器人的视觉伺服控制

文摘

最近几十年见证了机器人应用程序及其扩张的快速演变成各种领域成绩斐然。本文研究一个至关重要的技术称为机器人的视觉伺服,依靠视觉来应对外部信息的反馈。在这方面,视觉伺服问题巧妙地转化为等式和不等式约束的二次规划问题。基于不同的传统方法,梯度递归神经网络(GRNN)为解决视觉伺服的问题是本文新提出的梯度下降的方法。然后,稳定性提出了证据理论与像素误差收敛指数为零。具体来说,该方法能够推动操纵方法所需的静态点同时保持物理约束。之后,提出的可行性和优越性GRNN由模拟实验验证。值得注意的是,提出的视觉伺服方法可用于医疗机器人和康复机器人进一步远程协助医生治疗病人。

1。介绍

作为20世纪人类最伟大的发明之一,机器人技术无疑取得了很大的进步在过去几十年的研究成果(1- - - - - -4]。出生后,增长和成熟的机器人,他们已经成为不可或缺的核心设备制造行业由于其自动化和效率高。特别是机器人家族的后起之秀,冗余机器人,具有更多的自由度(自由度)比任务需要,能够高效地执行复杂的任务与伟大的财产和多功能性。详细、冗余特征帮助冗余机器人完成更多任务的要求,例如,重复运动规划(5),避免物理约束(6),和可操纵性优化(7,8]。与医疗技术相结合,开发了许多医疗机器人和探索病人康复和手术执行作为一种重要的应用前景。依靠高可靠性和灵活性,医疗机器人可以执行复杂的医疗任务,从而减少医生的负担,提高治疗。学习和各种机器人的控制能力也被很多学者所重视和探索(9- - - - - -11]。小说学习学习和泛化类人机器人框架变量阻抗技术开发(9)的研究和实用价值。此外,一些自适应控制方法提出了估算未知的机械手的动态模型,实现了伟大的参数估计和跟踪效果(10,11]。

在当前年,冗余机器人的运动控制已经成为一个研究热点,因此绘画丰富的学者的关注,扩大他们的应用程序(12- - - - - -16]。张先生和张minimum-velocity-norm (MVN)冗余方案解决冗余机械手,它保留了机器人关节在安全的范围内(17]。一个改进的神经网络方法在18)是专为精确控制机器人的机械手,可消除误差积累和准确的结果。此外,作者在19)研究一个巧妙的转换方法来处理加速度限制问题的速度水平,和实验结果说明了该方法的优越性。应该注意到,上述调查(15- - - - - -19所有冗余机器人的运动控制问题转化为二次规划,然后利用Karush-Kuhn-Tucker(马)条件20.]或拉格朗日乘子法来解决优化方案。此外,提到计划(15- - - - - -19)都是速度级解决方案,这样他们不能直接与加速度干扰水平。

与传感器和物联网技术的不断发展,机器人应用程序变得非常富有由于信息采集和处理。传感器可以直接将外部信息对机器人的控制中心和给予适当的反馈信息通过特定的智能算法。极大地重要的机器人应用程序,驱动机器人视觉伺服技术实时准确地反馈外部视觉通过视觉传感器收集的视觉信息21- - - - - -23]。这项技术已经被用于工业生产和机器人手术(24,25]。不过,值得指出的是,现有的技术(26- - - - - -28为解决视觉伺服问题往往依赖于伪逆法收敛的实现错误,取得了伟大的成果在加速度水平方案和速度级方案。通过proportional-differential控制,加速命令生成的视觉伺服控制的稳定性(26]。此外,一个有效的方法来检测和补偿的缺点在视觉伺服系统提出了文献[27),并通过仿真和实验结果证实。基于雅可比矩阵的伪逆操作,机器人球捕捉任务实现(28]。该方法利用eye-in-hand建设建立动作捕捉系统定位快速移动的物体。然而,大量的调查并不认为存在联合约束和有潜在损坏的机器人机械手(21- - - - - -24,26- - - - - -28]。由于物理限制机器人的运动和机器人结构,控制信号需要保持在一个合理的范围内维持正常操作机器人的机械手。为此,本文制定了视觉伺服问题等式和不等式约束的二次规划方案在考虑物理约束。

近年来兴起的智能算法解决许多困难的问题在电子和工程领域(29日- - - - - -31日]。众多的智能算法设计了强大的性能,如噪声抑制(32[],简化计算33,34),和预测学习(35,36]。在智能解决机械手的视觉伺服算法,神经网络方法由于其快速并行处理性能和突出的学习能力(37- - - - - -41]。在[42),视觉伺服的复发性神经网络构造问题迫使机械手的特征点的方法设计的目标点。然后,扩展研究[43消除了pseudoinversion操作和装备强大的神经网络的鲁棒性。此外,常见的优化方法,梯度下降方法已经取得了一些进展近年来机器人控制算法的设计(44,45]。它可以用来准确地定位和控制机器人通过最小化的位置误差46]。基于上述研究,我们建立了基于视觉伺服问题加速命令并将其转换为一个二次规划方案通过神经网络的方法来解决。此外,本文的贡献总结如下:(1)该方法作为视觉伺服问题约束二次规划方案与加速度命令同时考虑机械手的关节约束以确保安全(2)提出了递归神经网络基于一个梯度(GRNN)处理研究机器人视觉伺服通过梯度下降法和利用补偿项目(3)仿真例子和说明实验说明了该方法的可行性和优越性

本文的其余部分是总结如下。部分2涵盖了预赛和视觉伺服运动学。在第三节,视觉伺服的问题转化为一个约束二次规划方案与相应的GRNN推导出加速度水平。并给出了该方法的理论分析利用李雅普诺夫方法第四节。第五节执行一个仿真例子验证了该方法的可行性。最后,我们概要地总结整篇论文第七节。

2。预赛

在本节中,介绍了视觉伺服运动学,记录转换关节空间和图像空间之间的关系。

主要是考虑到一个eye-in-hand视觉系统28),即。,一个 - - - - - -自由度机械手末端执行器与相机连接到,机械手的正运动学给出如下: 在哪里描述了关节空间和笛卡尔空间之间的转换关系; 代表了机械手的关节角;和 表示终端执行器的笛卡尔坐标系。视觉伺服的调查问题总是末端执行器的位置和姿态,因此设置为以下六维向量( )。时间的导数对公式(1)导致 在哪里 代表机器人雅可比矩阵,由机械手结构;说明了机械手的关节速度;和是终端执行器速度包含角速度和转化速度。此外,物理约束,包括关节速度和关节加速度 ,保持机械手系统的安全运行提供如下: 与和的上下界的关节速度和和表示的上下界关节加速度。至于相机坐标系和图像坐标系,推导出通过相似三角形的对应关系,给出如下(27,42]: 其中是一个点坐标与图像帧上标表示的转置一个矩阵或向量;代表相机坐标系中的坐标;和表示相机的焦距。此外,在图像帧,可以转换成像素坐标点坐标 由以下公式(43]: 在哪里代表原始点和设计和像素是标准尺寸。此外,相机速度之间的关系,即。,末端执行器的速度 ,和像素坐标速度可以介绍 在哪里 表示图像雅可比矩阵(47,48)的表达式 与

基于上述指令,特别是公式(2)和公式(6),它可以很容易获得 ,这涉及到关节空间和图像空间之间的关系。为了简化表示,一个设计

此外,在加速度级别的运动学关系派生通过时间导数 在哪里代表了图像中特征点的加速度和框架表示的时间导数 。

3所示。加速度水平IBVS方案及其解决方案

机器人视觉伺服控制机器人机械手与环境根据视觉信息进行交互。这个问题可以简化寻找静态图像逐点反馈的图像信息。为此,我们把这个视觉伺服问题变成一个受约束的二次规划问题,并设计一个神经网络解算器。

3.1。与约束二次规划方案

最重要的是,视觉伺服的问题是制定在加速度级别为以下二次规划方案: 在哪里表示所需的特征点,它是一个常数向量和设计, 是一个不等式约束对应物理限制(3),和设计了, 在哪里 代表的设计参数。通过(15),关节加速度和关节速度的物理约束可以同时考虑和控制在允许范围内(15]。在这方面,物理约束的上限 作为一个例子。联合速度,当关节速度方法速度级联合约束的上界 , 越来越小,甚至接近于零。后来,变得很小甚至为零,所以关节速度停止增长,保持关节约束。同时,加速度水平联合约束的上界被激活,实现加速度水平共同约束。同样的,能够实现速度级联合约束和加速度水平联合同时约束。

3.2。神经网络解决方案

不同与传统方法处理等式约束和不等式约束,梯度下降法(49)是利用获得的解二次规划方案(11)- (14)。设计一个误差函数 开始推导。利用神经动态公式 (50), ,一个可以 可以安排了两个规范的形式如下:

考虑到梯度下降公式(51), 与 ,这将是很容易推断

然后,补偿项目提出了以弥补滞后误差方程(19)如下:

通过考虑最终所需的稳定状态,也就是说, ,一个可以得到的表达指的是下面的推导。增加双方的方程(20.)一个收获

集 ,它可以获得

然后,花时间的导数 作为

比较上面两个公式,

因此,它可以很容易地得到 与上标是一个矩阵的伪逆算子 。因此,GRNN解算器结构求解二次规划方案(11)- (14)如下: 在哪里 可以被视为一个有界的激活函数和参数最小的使用可以称为(52,53),相当于不等式约束(14)。如图1描述了视觉伺服方案(11)- (14)辅助GRNN解算器(26)集成机器人坐标系和图像坐标系,可以视为限制在线加速度控制器。GRNN (26)和计划(11)- (14),下面的对应关系。由于导数GRNN的过程(26)源于误差函数(17),梯度下降公式是旨在减少图像误差,从而最终实现平等的约束(13)。其次,输出控制命令在加速度级别,建立相对应的加速度水平运动学公式(12)。注意,补偿项目是系统的伪逆解函数在一个稳定的状态,即,the minimization of joint acceleration, which is equivalent to minimizing objective function (11)。至于联合约束(14),引入能够限制关节速度和关节加速度。简而言之,该GRNN解算器(26)对应于二次规划方案(11)- (14)。

言论。与现有的视觉伺服技术相比,本文的创新价值强调如下:关于计划(11)- (14)建设水平,大多数先前在视觉伺服控制策略在关节速度级别,其中一些控制和驱动关节加速度。此外,没有一个现有的加速度水平视觉伺服方案考虑了联合限制,被认为是在二次规划方案(11)- (14)。从智能算法的角度来看,大多数现有的技术应用伪逆法直接处理错误,这会产生额外的计算开销。然而,GRNN (26)推导出根据梯度下降法和补偿项,它提供了一种新颖的方法来处理视觉伺服问题。

4所示。稳定性证明

在本节中,提供了稳定的证据来证明该方法的可行性和有效性(26视觉伺服问题的处理。有关定理给出如下。

定理1。这个错误 合成了GRNN (26全球)可以达到零,提供 。

证明。宣布先决条件的设置 有两个核心功能。首先是确定最小关节约束,从而确保机械手的安全运行。很容易形象,迫使联合在可能导致限制错误报道的增加(54]。第二点是值得一提的先决条件 是生活必需品的适当的定理的推导过程。根据(10),你可以得到 光的 , ,和 ,方程(27可以重新安排 让 代表一个李雅普诺夫的候选人。因此,计算其时间导数 结果 考虑的不平等关系 , 。我们只是设计 和 并获得 扩大的左边上面的方程生成 观察上面的两个公式,可以很容易地获得 用方程(29日)方程(32)推导出 显然,一个 回忆的神经动态公式 ,很明显, 与设计参数 , ,和 表示正定矩阵的最小特征值 。因此,它可以自然地得出结论是伟大的融合 。指的是拉萨尔不变原则(55),我们让 推导出稳定的状态,以下两个条件: 考虑到 ,解决上述两个条件可以得到: 在这方面,结论很容易画全球收敛于零。因此竞争(图是最好的证据2)。

5。仿真例子

本节提供一个仿真例子来演示GRNN的性能(26当面对机器人视觉伺服的问题。具体来说,彪马560机械手(绑)建模与相机连接到它的终端执行器跟踪所需的静态图像帧。此外,彪马560机械手的结构信息指的是现有文献[43)和彪马的照片560如图2。值得指出的是,当考虑只有一个期望的特征点,彪马560机械手的运动学控制可以被看作是利用6-dimensional关节空间控制二维图像空间,大概可以把彪马560机械手冗余机械手。

首先,介绍了仿真设置和神经网络参数。简单地说,神经网络和摄像机系统的参数设置 , , , , , , ,和 。的状态和物理约束的彪马560机械手,选择美国 ,初始特征点的坐标 像素, ,和 。

在图提供了仿真结果3。如图3彪马560机械手成功达到所需的特征点由GRNN (26)。这个错误在图3 (b)和在图3 (c)在1 s收敛于零。关于联合信息,图3 (d)通过图3 (f)记录关节加速度,关节速度,分别和关节角仿真。值得强调的是,关节加速度和关节速度保持在设计物理约束,确保安全执行的任务。总的来说,上述结果表明该GRNN的可行性和效率(26)在处理视觉伺服问题。

证明该方法的优越性,传统伪逆法是用来处理视觉伺服问题结果图中提供4。控制律采用传统伪逆法是广义的 与 和 。值得指出的是,视觉伺服的调查基于雅可比矩阵的pseudoinversion操作是常见的和有效的在现有的方法(21,26,28]。然而,pseudoinversion矩阵的操作带来更多的计算复杂度,和传统伪逆方法不考虑联合限制,这被认为是现有方法的不足21,26,28]。如图4(一),错误在1.5年代快速收敛于零,即,the manipulator successfully tracks the desired feature point. However, Figure4 (b)表明,由于较大的值初始误差 ,生成的初始加速度甚至超过10 rad / ,这将损害彪马560机械手。相反,该方法(26)限制了加速度的物理约束,强调该方法的优越性(26)。

除此之外,一个演示实验进行UR5操纵者(绑)25)与视觉传感器安装在它的终端执行器,由虚拟机器人实验平台辅助(V-rep)。实验结果绘制在图5合成的提议GRNN (26)。注意,在图5(一个),测量对象被认为是理想的点 ,可以被视觉传感器,传感器的中心观点是特征点吗机器人的视觉系统。通过不断传播错误信息 GRNN (26),视觉伺服的问题可以得到解决接近中描述的数据5 (b)和5 (c),这意味着提出GRNN的有效性(26)。

6。比较

在本节中,一些现有的视觉伺服方法(21,25- - - - - -27,42,43,48装配在表1突出的优越性提出二次规划方案(11)- (14)。以下几点可以确定。大多数现有的技术(21,26,27,48)利用伪逆法进行研究。这些方法通常不考虑联合物理约束,这可能会导致大量生成控制信号,甚至造成损害的操纵者。另一方面,众所周知,伪逆操作涉及计算繁琐。第三,本研究在视觉伺服加速度水平相对缺乏21,26]。因此,关节加速度,二次规划方案(11)- (14)避免了伪逆操作利用矩阵转置操作,同时考虑了联合约束。这说明提出的二次规划方案的优越性(11)- (14)(表1)。

7所示。结论

摘要视觉伺服问题已经作为一个约束二次规划方案制定与物理约束考虑加速度水平。然后,通过梯度下降法和GRNN提出了补偿项提供的稳定性分析。之后,仿真例子已经证明理论分析的正确性和方法的有效性。注意,该方法解决了视觉伺服问题加速度水平,也有考虑机械手的关节约束保证机械手的安全运行。为进一步研究方向,作者要研究不确定条件和优化视觉系统,如噪声抑制(56)或雅可比矩阵估计(57)和可操纵性优化(58]。

数据可用性

论文中的数据不公开在网络上了。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是支持广州体育大学创新和加强项目拨款5200080589,部分由教育部中国产学合作合作教育项目拨款201901007048,下部分的研究和开发基础南充(中国)在格兰特20 yfzj0018,和部分基础研究基金下的中央大学授予lzujbky - 2019 - 89。

引用

1. 沈z、a . Elibol和n . y .庄”理解非言语交际线索的人类性格特征在人机交互中,“IEEE / CAA自动化杂志》上,7卷,不。6,1465 - 1477年,2020页。视图:出版商的网站|谷歌学术搜索
2. t·李,赵h . y . Chang“时滞相关稳定的无标定视觉伺服机器人系统,基于图像的动态”复杂性ID 1360874条,卷。2018年,14页,2018。视图:出版商的网站|谷歌学术搜索
3. w . c, c . Chen, r·崔和z,”机器人学习系统基于自适应神经控制和动态运动原语,“IEEE神经网络和学习系统,30卷,不。3、777 - 787年,2019页。视图:谷歌学术搜索
4. l·金,李,l·肖r . Lu和廖,“合作运动生成在一个分布式的网络冗余机器人机械手与噪音,”IEEE系统,人,和控制论:系统,48卷,不。10日,1715 - 1724年,2018页。视图:出版商的网站|谷歌学术搜索
5. 杜z谢,l·金,x, x, h·李,李和美国“广义RMP方案冗余机器人机械手辅助与动态神经网络和非凸约束限制,”IEEE工业信息,15卷,不。9日,第5181 - 5172页,2019年。视图:出版商的网站|谷歌学术搜索
6. y, s, s . Kadry,廖,“递归神经网络的冗余机械手运动控制周期输入扰动和物理约束,“IEEE控制论卷,49号12日,第4205 - 4194页,2019年。视图:出版商的网站|谷歌学术搜索
7. l . j . Zhang Jin, l . Cheng”RNN操纵者的摄动可操纵性优化分布式方案:基于对策论的角度来看,“IEEE神经网络和学习系统没有,卷。31日。12,5116页,2020年。视图:出版商的网站|谷歌学术搜索
8. l .金s . Li h . m . La和x罗,“可操纵性优化冗余机械手使用动态神经网络,”IEEE工业电子产品,卷64,不。6,4710 - 4720年,2017页。视图:出版商的网站|谷歌学术搜索
9. c, c .曾y琮、n . Wang和m . Wang”从人类学习框架的自适应控制技能机器人,”IEEE工业信息,15卷,不。2、1153 - 1161年,2019页。视图:出版商的网站|谷歌学术搜索
10. h .黄张t、c·杨和c·l·p·陈”运动学习和泛化使用广泛的学习自适应神经控制,”IEEE工业电子产品,卷67,不。10日,8608 - 8617年,2020页。视图:出版商的网站|谷歌学术搜索
11. 杨黄d . c . y .锅,l . Cheng“综合学习增强神经控制机器人机械手与输出误差约束,“IEEE工业信息,17卷,不。1,第218 - 209页,2021。视图:出版商的网站|谷歌学术搜索
12. 江y y, r . Zhang, x夏,“可重复的运动能量系统优化移动机械手应用,”复杂性卷,2019篇文章ID 8642027, 16页,2019年。视图:出版商的网站|谷歌学术搜索
13. h, h .方,d .张x罗问:邹,“自适应模糊滑模控制的三自由度并联机械手参数不确定性,”复杂性卷,2020篇文章ID 2565316, 16页,2020年。视图:出版商的网站|谷歌学术搜索
14. s . k .普拉丹和b . Subudhi柔性机械臂的位置控制使用一种新的非线性自调整PID控制器,”IEEE / CAA自动化杂志》上,7卷,不。1,第95 - 82页,2020。视图:谷歌学术搜索
15. l·金和y张G2-type SRMPC方案同步操作两个冗余机器人的手臂,“IEEE控制论,45卷,不。2、153 - 164年,2015页。视图:出版商的网站|谷歌学术搜索
16. c .杨g .彭y, r·崔l . Cheng和z,“增强的自适应神经网络准入控制优化robot-environment互动,”IEEE控制论卷,49号7,2568 - 2579年,2019页。视图:出版商的网站|谷歌学术搜索
17. z张和y,“可变速度限制的冗余机器人机械手由二次规划,“IEEE / ASME举办,18卷,不。2、674 - 686年,2013页。视图:出版商的网站|谷歌学术搜索
18. 李,张y l·金,“使用神经网络冗余度机器人的运动控制,”IEEE神经网络和学习系统,28卷,不。10日,2243 - 2254年,2017页。视图:出版商的网站|谷歌学术搜索
19. y张,李,和周x”Recurrent-neural-network-based速度级冗余解决机械手关节加速度限制,”IEEE工业电子产品,卷66,不。5,3573 - 3582年,2019页。视图:出版商的网站|谷歌学术搜索
20. 博伊德和l . Vandenberghe凸优化英国剑桥,剑桥大学出版社,2004年。
21. a·瓦尔•林(george w . bush), x邓,j .秋和h高,“远程广播的质量检验单位使用depth-free基于图像的视觉伺服加速度命令,“IEEE工业电子产品,卷66,不。10日,8214 - 8223年,2019页。视图:出版商的网站|谷歌学术搜索
22. f·柯z,李、杨和c“健壮的传统显像管预测控制约束差分驱动移动机器人的视觉伺服,”IEEE工业电子产品,卷65,不。4、3437 - 3446年,2018页。视图:出版商的网站|谷歌学术搜索
23. d .蔡d . g . Dansereau t . Peynot和p .刘纪麟“基于图像的视觉伺服与光场相机,”IEEE机器人与自动化信件,卷2,不。2、912 - 919年,2017页。视图:出版商的网站|谷歌学术搜索
24. t .阻塞性睡眠呼吸暂停综合症、c·斯桃波和a·诺尔”自动使用视觉伺服机器人手术系统,框架”《IEEE / RSJ智能机器人和系统国际会议,台北,台湾,2010年10月。视图:谷歌学术搜索
25. w·李,p . w . y .赵,z,“视觉伺服的限定时间加速收敛的神经网络与物理和灵活的手术内窥镜RCM约束,“IEEE神经网络和学习系统没有,卷。31日。12,5272页,2020年。视图:出版商的网站|谷歌学术搜索
26. m . Keshmiri w . Wen-Fang谢,a . Mohebbi”增强的基于图像的视觉伺服机械手使用加速度命令,“IEEE工业电子产品,卷61,不。10日,5444 - 5452年,2014页。视图:出版商的网站|谷歌学术搜索
27. m·范·s .美国通用电气,d . Ceglarek”的虚拟传感器偏差故障故障估计和住宿使用粒子滤波基于图像的视觉伺服,”IEEE工业信息,14卷,不。4、1312 - 1322年,2018页。视图:出版商的网站|谷歌学术搜索
28. p . Cigliano诉Lippiello、f·鲁杰罗和b .西西里岛舞蹈“机器人球捕捉eye-in-hand单摄像系统,”IEEE控制系统技术,23卷,不。5,1657 - 1671年,2015页。视图:出版商的网站|谷歌学术搜索
29. p . m . Kebria a . Khosravi s . m . Salaken和s . Nahavandi“深模仿学习基于卷积神经网络的自动车辆,”IEEE / CAA自动化杂志》上,7卷,不。1,第149 - 136页,2020。视图:出版商的网站|谷歌学术搜索
30. 黄y . j . Na,吴x和g高,“Approximation-free控制车辆主动悬挂液压执行器,”IEEE工业电子产品,卷65,不。9日,第7267 - 7258页,2018年。视图:出版商的网站|谷歌学术搜索
31. y李,李s和b Hannaford,“递归神经网络模型和随机性对于有效控制应用程序,”IEEE工业信息,15卷,不。4、2054 - 2063年,2019页。视图:出版商的网站|谷歌学术搜索
32. y y气、l .金王,l·肖和j .张“复数离散神经动力学对于摄动时间复杂的二次规划应用程序,”IEEE神经网络和学习系统没有,卷。31日。9日,第3569 - 3555页,2020年。视图:出版商的网站|谷歌学术搜索
33. p s StanimiroviĆivkoviĆ和y魏”、“递归神经网络计算drazin逆,“IEEE神经网络和学习系统,26卷,不。11日,第2843 - 2830页,2015年。视图:谷歌学术搜索
34. p . s . Stanimirovi m . Ciri Stojanovic,和d . Gerontitis”存在条件、表征和计算矩阵的广义逆,“复杂性卷,2017篇文章ID 6429725, 27页,2017。视图:出版商的网站|谷歌学术搜索
35. 夏罗x, m .周y,问:朱,a·c·Ammari和a . Alabdulwahab”通过聚合为失踪的QoS生成高度准确的预测数据负的潜在因素模型,”IEEE神经网络和学习系统,27卷,不。3、524 - 537年,2016页。视图:出版商的网站|谷歌学术搜索
36. 吴x罗,h . h .元,m .周”时间pattern-aware QoS通过偏向非负潜在的张量分解预测,“IEEE控制论,50卷,不。5,1798 - 1809年,2020页。视图:出版商的网站|谷歌学术搜索
37. 黄t·w·l . Cheng Liu Z.-G。侯,m . Tan“神经元网络控制器piezoelectric-actuated粘滑运动设备,“IEEE工业电子产品,卷65,不。3、2598 - 2607年,2018页。视图:谷歌学术搜索
38. s . a . a .沙Uddin, f·阿齐兹,艾哈迈德,m . a . Al-Khasawneh和m·拉夫”一个增强深层神经网络预测工作场所旷工,”复杂性卷,2020篇文章ID 5843932, 12页,2020。视图:出版商的网站|谷歌学术搜索
39. b . l .金s Li, m . Liu和j . Yu”噪声抑制神经算法求解时变线性方程组:控制的方法,”IEEE工业信息,15卷,不。1,第246 - 236页,2019。视图:出版商的网站|谷歌学术搜索
40. 李郭d, f . Xu z z聂,和h .邵”的设计、验证和应用新的动态递归神经网络离散时间非线性方程组求解,”IEEE工业信息,14卷,不。9日,第3945 - 3936页,2018年。视图:出版商的网站|谷歌学术搜索
41. d .郭、李s和p s Stanimirovic”分析和应用修改ZNN设计鲁棒性对谐波噪音,”IEEE工业信息,16卷,不。7,4627 - 4638年,2020页。视图:出版商的网站|谷歌学术搜索
42. y张,李,廖,l·金和l .郑”递归神经网络的方法对视觉伺服机械手,”《智能制造和自动化国际会议上澳大利亚墨尔本,页614 - 619,,2017年8月。视图:谷歌学术搜索
43. y张和李,“神经控制器基于图像的视觉伺服机械手的物理约束,“IEEE神经网络和学习系统卷,29号11日,第5429 - 5419页,2018年。视图:出版商的网站|谷歌学术搜索
44. 吴歌,y, y . c . Soh“鲁棒自适应梯度下降训练复发性神经网络算法在离散时间域,“IEEE神经网络,19卷,不。11日,第1853 - 1841页,2008年。视图:出版商的网站|谷歌学术搜索
45. n张、吴w和g .郑”梯度法的收敛性与动量两层前馈神经网络,”IEEE神经网络,17卷,不。2、522 - 525年,2006页。视图:出版商的网站|谷歌学术搜索
46. c·l·金z谢,m . Liu Ke, c, c·杨,“小说joint-drift-free机器人冗余解决方案在加速度水平与跟踪误差理论上消除,”IEEE / ASME举办,2020年,p . 1。视图:出版商的网站|谷歌学术搜索
47. 美国哈钦森、g·d·海格和p i刘纪麟”教程视觉伺服控制。”IEEE机器人和自动化,12卷,不。5,651 - 670年,1996页。视图:出版商的网站|谷歌学术搜索
48. k .桥本t Kimoto、t . Ebine和h .木村”与基于图像的视觉伺服机械手控制,”IEEE机器人与自动化国际会议上1991年4月美国萨克拉门托,CA。视图:谷歌学术搜索
49. p . s . StanimiroviM。d . Petkovi”、“梯度神经动力学求解矩阵方程及其应用”Neurocomputing卷,306年,第212 - 200页,2018年。视图:谷歌学术搜索
50. 张y和通用电气,”设计和分析一般递归神经网络模型的时变矩阵求逆,“IEEE神经网络,16卷,不。6,1477 - 1490年,2005页。视图:出版商的网站|谷歌学术搜索
51. x罗,m, d . Wang和h .元,“潜在因素推荐系统依赖扩展随机梯度下降算法,”IEEE系统,人,和控制论:系统,2019年,p . 1。视图:出版商的网站|谷歌学术搜索
52. 李罗x m .周s . et al .,“整合有效的二阶动力学为潜在因素模型准确预测失踪QoS的数据,”IEEE控制论,48卷,不。4、1216 - 1228年,2018页。视图:出版商的网站|谷歌学术搜索
53. 李罗x m .周,美国,m .商”一个固有的负的潜在因素模型从工业应用高维、稀疏矩阵,”IEEE工业信息,14卷,不。5,2011 - 2022年,2018页。视图:出版商的网站|谷歌学术搜索
54. 罗谢z l·金,x, z的太阳,和m .刘”RNN反复性动作代冗余机器人机械手:正交projection-based计划,”IEEE神经网络和学习系统,2020年,p . 1。视图:出版商的网站|谷歌学术搜索
55. h·k·哈利勒非线性系统美国新泽西,新世纪,恩格尔伍德悬崖,第3版,2001年版。
56. k . l .小s . Li Li l·金和廖,“合作设计的限定时间收敛性和噪声抑制:一个统一的神经模型时变线性方程与机器人应用程序,”IEEE系统,人,和控制论:系统,50卷,不。12,5233页,2020年。视图:出版商的网站|谷歌学术搜索
57. x z谢,l·金罗,美国,和肖x,“数据驱动的循环运动一代方案运动学冗余机械手的控制,”IEEE控制系统技术卷,29号1,53页,2021年。视图:出版商的网站|谷歌学术搜索
58. s . l .金z, m . Liu, l·肖和z,“摄动可操纵性优化的分布式网络冗余机器人,”IEEE工业电子产品,2020年,p . 1。视图:出版商的网站|谷歌学术搜索

版权

版权©2020年之冠黄等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。