Analytische Robotiksteuerung auf Basis von tiefen neuronalen Netzwerken

Neuronale Netze wurden aufgrund ihrer starken Fähigkeit zur Approximation nichtlinearer Funktionen umfassend in der Robotiksteuerung für verschiedene Anwendungen eingesetzt. Die bestehende Literatur zur Regelung von Robotern konzentriert sich jedoch hauptsächlich auf flache Netzwerke, bei denen die Analyse nur für die Ausgabewerte entwickelt wird und die Linearität der Parameter oft eine Anforderung ist. Dies liegt daran, dass die Konvergenzanalyse für tiefe Netzwerke schwierig ist. Da Stabilität und Konvergenz in der Robotiksteuerung entscheidend sind, ist unser Hauptziel, einen theoretischen Rahmen für die sichere und vorhersehbare Nutzung tiefer Netzwerke in der Robotik zu entwickeln. In diesem Artikel verwenden wir ein tiefes Netzwerk, um die Jacobi-Matrix eines Roboters mit unbekannter Kinematik zu approximieren. Ein analytisches schichtweises Deep-Learning-Framework wird vorgeschlagen, bei dem das tiefe Netzwerk schrittweise aufgebaut und trainiert wird, und die Konvergenz des Verfolungsfehlers während des Online-Lernprozesses garantiert ist. Die experimentellen Ergebnisse für Verfolgungssteuerungsaufgaben, die an einem Industrieroboter durchgeführt wurden, werden präsentiert, um die Wirksamkeit der vorgeschlagenen Methode zu veranschaulichen.