Volltext-Downloads (blau) und Frontdoor-Views (grau)
The search result changed since you submitted your search request. Documents might be displayed in a different sort order.
  • search hit 70 of 1676
Back to Result List

Untersuchung zur Lösbarkeit der Rückwärtskinematik eines 6-DOF Roboter mit einem neuronalen Netz

  • Das Berechnen der inversen Kinematik ist komplex und muss für jeden Robotertyp individuell gelöst werden. Da ein Manipulator ohne die Rückwärtskinematik, die die erforderlichen Achsvariablen für eine Ziellage ermittelt, in der Praxis nicht verwendet werden kann, ist dieses Problem elementar in der Robotik. In dieser Arbeit wird der Ansatz zur Lösung der inversen Kinematik mit einem neuronalen Netz für einen Roboter mit sechs Freiheitsgarden untersucht. Dabei ist besonders darauf zu achten alle Mehrdeutigkeiten der inversen Kinematik beim Training zu berücksichtigen, da sonst das Kriterium des Determinismus zwischen Inputs und Outputs verletzt wird, was verhindert, dass ein Netz für 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. Zusätzlich verringert das Einschränken der Achsvariablen auf die tatsächlichen Achsbeschränkungen beim Trainieren des Netzes, sowohl den Netzwerkfehler als auch die Datenmenge, die benötigt wird, damit das Netz gut generalisiert. Abschließend stellt sich heraus, dass die trainierten Netze keine Praxistauglichkeit aufweisen, da der erzielte Netzwerkfehler zu groß ist. Da alle Mehrdeutigkeiten durch geometrische Analyse ausgeschlossen sind und ein ausreichend großer Datensatz verwendet wurde, kann mit den hier vorgestellten Ansätzen das Ergebnis nur durch komplexere Netze und damit mehr Daten verbessert werden. Andere Ansätze die zusätzliche Informationen zur Berechnung der Achswinkel zur Verfügung stellen könnten zudem auch bessere Ergebnisse erzielen. Darüber hinaus könnte es sinnvoll sein, Ansätze zu untersuchen, die sich die Achsbeschränkungen zunutze machen.
  • The calculation of the inverse kinematics is complex and must be solved individually for each robot type. Since a manipulator cannot be used in practice without the inverse kinematics, which determines the required axis variables for a target position, this problem is elementary in robotics. In this thesis, the approach to solve the inverse kinematics with a neural network for a robot with six degrees of freedom is investigated. Special care must be taken to account for all ambiguities in the inverse kinematics during training, otherwise the criterion of determinism between inputs and outputs is violated, preventing a network from being trained for the problem. It has been shown that the Adams optimization algorithm performs as well as the Scaled Conjugate Gradient. The typical activation function tangent hyperbolicus used in Tensorflow, shows the best performance compared to other studied activation functions implemented in Tensorflow. In MATLAB, on the other hand, the log sigmoid activation function exhibits the best performance among the implemented activation functions. In addition, restricting the axis variables to the actual axis constraints when training the network, reduces both the network error and the amount of data needed for the network to generalize well. In conclusion, it turns out that the trained networks do not have real world applicability because the network error obtained is too large. Since all ambiguities are excluded by geometric analysis and a sufficiently large data set was used, the approaches presented here can only improve the result by using more complex networks and thus more data. Other approaches that provide additional information for the calculation of the joint angles could also achieve better results. In addition, it may be useful to explore approaches that take advantage of axis constraints.

Download full text files

Export metadata

Additional Services

Search Google Scholar
Metadaten
Author:Steven Baldauf
DOI:https://doi.org/10.25924/opus-4569
Title Additional (English):Investigation on the solvability of inverse kinematics of a 6-DOF robot with a neural network
Advisor:Robert Merz
Document Type:Master's Thesis
Language:German
Year of publication:2022
Publishing Institution:FH Vorarlberg (Fachhochschule Vorarlberg)
Granting Institution:FH Vorarlberg (Fachhochschule Vorarlberg)
Release Date:2022/10/03
Tag:6-DOF; inverse Kinematik; neuronales Netz
inverse kinematics; neural network
Number of pages:63
DDC classes:600 Technik, Medizin, angewandte Wissenschaften / 600 Technik
600 Technik, Medizin, angewandte Wissenschaften / 620 Ingenieurwissenschaften und Maschinenbau
600 Technik, Medizin, angewandte Wissenschaften / 670 Industrielle und handwerkliche Fertigung
000 Allgemeines, Informatik, Informationswissenschaft / 000 Allgemeines, Wissenschaft / 004 Informatik
Open Access?:ja
Course of Studies:Informatik
Licence (German):License LogoUrhG - The Austrian Copyright Act applies - Es gilt das österr. Urheberrechtsgesetz