@phdthesis{Baldauf2022,
  type      = {Master Thesis},
  author    = {Steven Baldauf},
  title     = {Untersuchung zur L{\"o}sbarkeit der R{\"u}ckw{\"a}rtskinematik eines 6-DOF Roboter mit einem neuronalen Netz},
  journal    = {Investigation on the solvability of inverse kinematics of a 6-DOF robot with a neural network},
  doi       = {10.25924/opus-4569},
  pages     = {63},
  year      = {2022},
  abstract  = {Das Berechnen der inversen Kinematik ist komplex und muss f{\"u}r jeden Robotertyp individuell gel{\"o}st werden. Da ein Manipulator ohne die R{\"u}ckw{\"a}rtskinematik, die die erforderlichen Achsvariablen f{\"u}r eine Ziellage ermittelt, in der Praxis nicht verwendet werden kann, ist dieses Problem elementar in der Robotik. In dieser Arbeit wird der Ansatz zur L{\"o}sung der inversen Kinematik mit einem neuronalen Netz f{\"u}r einen Roboter mit sechs Freiheitsgarden untersucht. Dabei ist besonders darauf zu achten alle Mehrdeutigkeiten der inversen Kinematik beim Training zu ber{\"u}cksichtigen, da sonst das Kriterium des Determinismus zwischen Inputs und Outputs verletzt wird, was verhindert, dass ein Netz f{\"u}r das Problem trainiert werden kann. Es hat sich gezeigt, dass der Optimierungsalgorithmus Adams ebenso gute Ergebnisse wie der Scaled Conjugated Gradient erzielt. Die in Tensorflow verwendete typischen Aktivierungsfunktion Tangens hyperbolicus, weist im Vergleich zu anderen untersuchten Aktivierungsfunktionen, die in Tensorflow implementiert sind, die beste Performance auf. In MATLAB hingegen weist die Log sigmoid Aktivierungsfunktion die beste Performance von den implementierten Aktivierungsfunktionen auf. Zus{\"a}tzlich verringert das Einschr{\"a}nken der Achsvariablen auf die tats{\"a}chlichen Achsbeschr{\"a}nkungen beim Trainieren des Netzes, sowohl den Netzwerkfehler als auch die Datenmenge, die ben{\"o}tigt wird, damit das Netz gut generalisiert. Abschlie{\"s}end stellt sich heraus, dass die trainierten Netze keine Praxistauglichkeit aufweisen, da der erzielte Netzwerkfehler zu gro{\"s} ist. Da alle Mehrdeutigkeiten durch geometrische Analyse ausgeschlossen sind und ein ausreichend gro{\"s}er Datensatz verwendet wurde, kann mit den hier vorgestellten Ans{\"a}tzen das Ergebnis nur durch komplexere Netze und damit mehr Daten verbessert werden. Andere Ans{\"a}tze die zus{\"a}tzliche Informationen zur Berechnung der Achswinkel zur Verf{\"u}gung stellen k{\"o}nnten zudem auch bessere Ergebnisse erzielen. Dar{\"u}ber hinaus k{\"o}nnte es sinnvoll sein, Ans{\"a}tze zu untersuchen, die sich die Achsbeschr{\"a}nkungen zunutze machen.},
  language  = {de}
}