换一批摘要医疗机器人机械臂在标定过程中存在多源、非线性误差,使得传统数学建模方法难以全面刻画其系统误差特性,从而限制了标定精度的进一步提升.该文建立了机器人机械臂参数误差辨识模型,并提出一种基于自适应长短时记忆(ALSTM)神经网络的标定方法.该方法引入粒子群优化算法(PSO)对LSTM神经网络的各层权重进行优化,以更有效地拟合机器人机械臂运动学误差,进而获得更为准确的D-H参数.在HSR-JR680机器人机械臂标定系统中采集110组实验数据进行验证.实验结果表明,ALSTM模型在均方根误差(RMSE)方面较传统标定方法降低了23.07%～80.39%,收敛时间较普通LSTM模型缩短了32.44%,所获得的最优D-H参数符合医疗机器人机械臂对高精度标定的需求,验证了该方法的有效性.
更多相关知识
关键词
医疗机器人自适应长短时记忆神经网络粒子群优化算法运动学参数标定medical robotadaptive long short-term memory(ALSTM)neural networkparticle swarm optimization(PSO)kinematic parameter calibration
栏目名称
DOI
10.12455/j.issn.1671-7104.250121
发布时间
2025-10-28（万方平台首次上网日期，不代表论文的发表时间）
- 浏览7
- 被引0
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
