摘要：机器人轨迹跟踪是限制机器人高精度应用的关键问题,对机器人关节摩擦进行建模和补偿是提高机器人轨迹跟踪精度的有效途径。针对目前的摩擦建模方法受换向时不连续以及建模误差等非线性因素的影响,无法在实际场景中应用的问题,提出一种基于径向基神经网络(RBFNN)的摩擦建模与补偿方法。首先,为克服换向时摩擦不连续带来的影响,建立一种连续的关节摩擦建模方法;然后,通过引入径向基神经网络,拟合建模误差,解决系统中的非线性因素影响。其次,为实现机器人实际控制,采用高精度编码器获取机器人在实际轨迹跟踪过程中的位置、速度和关节转矩数据,并对所得数据进行滤波去噪。最后,为验证所提方法的有效性,设计并完成了机器人关节的轨迹跟踪实验。结果表明,相比较于未补偿情况,基于RBFNN控制在补偿前后的平均跟踪误差,最大跟踪误差均有大幅度降低。其中,数据滤波后的机器人轨迹跟踪精度有73.46%的提升,表明所提算法可以对系统中的关节摩擦以及其他非线性因素进行有效补偿。

摘要：为了解决多因子进化算法(MFEA)局部搜索能力不足的缺陷,提出将基于拟牛顿方法的自学习策略嵌入到MFEA中.结合MFEA的特性,设计了三种类型的嵌入策略,并应用于多任务优化问题的求解.结果表明:嵌入式MFEA的性能远优于同样基于拟牛顿方法改进的自适应模因多因子进化算法(AMA-MFEA);在相同迭代次数的条件下,完全子代嵌入可以发挥最好的效果;在相同优化时间的约束下,随机抽样嵌入最为有效.

摘要：摆线轮齿廓是影响工业机器人核心部件—RV减速器性能的重要因素。为了使RV减速器能够精确传动,需要对摆线轮齿廓进行修形设计,从而补偿各种加工误差因素造成的齿廓误差。为此,提出了基于加工误差参数优化的摆线轮修形模型,以精确补偿实际与设计齿廓之间的误差。模型中的加工误差参数值是通过对实际加工齿廓的精确测量,设计一种回归算法,对误差数据进行回归优化而获得。利用提出的摆线轮修形模型得出的修形参数对齿廓进行加工测量,结果表明,与经验修形方法相比,实际加工齿廓与设计齿廓之间的误差值降低了50%,批量加工的齿廓误差也能保证在4μm以内。此方法实现了对摆线轮齿廓的精确修正,有效地提高了RV减速器的整体性能。

摘要：为了降低温度变化导致机器人关节摩擦补偿失效、跟踪精度降低的问题,提出一种考虑温度变化的Stribeck摩擦改进模型。通过非线性最小二乘法建立系统参数辨识模型,利用L-M （Levenberg-Marquardt）法对该模型进行迭代求解,建立温度影响下的非线性Stribeck摩擦模型。为验证模型的有效性,引入基于摩擦模型的前馈补偿方法,设计了机器人关节的轨迹跟踪实验。实验结果表明,改进的Stribeck摩擦模型能够准确地描述不同温度下摩擦的变化规律;与基于常规Stribeck摩擦模型补偿相比较,该模型的应用能进一步提高六轴机器人关节跟踪精度。

摘要：针对组合导航系统中,融合算法结构难以在线进行配置的问题,基于误差状态扩展卡尔曼滤波器(ES-EKF)和标准观测模型库,提出一种不依赖特定平台、可在线配置结构的多源融合估计框架,赋予组合导航系统动态变更信息源融合方式的能力。对多种导航子系统的输出信息进行分类和建模,建立一个不依赖于特定传感器和平台的标准观测模型库。设计一种算法结构的表示规则,将算法结构映射为融合模式,实现信息源和变量的灵活选择。基于该融合估计框架,设计并实现了一个惯性测量单元/磁力计/编码器/相机/激光雷达组合导航系统。最后,在野外数据集上进行了多种测试,该系统能够通过人工静态地或自主动态地变更融合模式灵活配置融合算法的结构,且定位精度优于robot-localization算法。试验结果表明,该框架可有效地实现多源融合估计、可在线地配置融合结构。

摘要：深度学习为组合优化问题提供了新的解决思路,目前该研究方向多关注于对模型和训练方法的改良,更多的论文引入自然语言处理方向的新模型来加以改进求解效果,而缺乏从实例的数据生成方向来关注模型的泛化能力和鲁棒性。为解决该问题,借鉴对抗学习的思想,针对经典组合优化问题——旅行商问题,从数据生成方向切入研究,设计生成器网络,使用监督学习的方式来产生对抗样本,并将对抗样本加入到随机样本中混合训练,以改善模型对该类问题的泛化性能。同时,依据强化学习训练过程中判别器模型的更新方式提出一种自适应机制,来训练对抗模型,最终得到能够在随机分布样本上和对抗样本上都取得较好结果的模型。仿真验证了所提出方法的有效性。

摘要：RV减速器是机器人的核心部件,其传动精度对机器人性能起着重要作用.为提高其传动精度,建立了RV减速器的传动误差的等效模型,并利用刚度经验公式对模型的参数进行求解,得到减速器的理论传动误差.在动力学模型的基础上,采用改进遗传算法对模型中的经验公式参数进行了优化.将优化得到的误差模型与通过经验公式计算出的误差模型进行对比,结果显示优化后的误差比计算误差降低了10.09%,有效地提高了RV减速器的设计精度.

摘要：目前基于图神经网络的机器阅读理解模型难以有效建模法律文书中的复杂关系。为此,该文提出了基于语义图的法律文书机器阅读理解方法(Semantic Graph Based Reader,SGB Reader)。其核心思想是通过语义依存分析构建以法律关键实体为中心的语义图和句子关系图,然后通过图嵌入来学习法律文书中的复杂关系。除此之外,SGB Reader还设计了两阶段的答案片段预测模块和答案类型联合预测模块来进一步提升模型的性能。实验结果表明,SGB Reader显著优于已有的图网络模型,在CJRC和CJRC 2.0数据集上分别取得了76.97%和65.39%的Joint F1分数。