为提高机器人动力学参数辨识的准确性,提出了一种基于迭代加权最小二乘(Iterative Reweighted Least Squares,IRLS)算法的辨识方法。首先推导了机器人的线性动力学模型,随后提出了一种改进摩擦模型,并设计了改进傅里叶级数作为激励轨迹...为提高机器人动力学参数辨识的准确性,提出了一种基于迭代加权最小二乘(Iterative Reweighted Least Squares,IRLS)算法的辨识方法。首先推导了机器人的线性动力学模型,随后提出了一种改进摩擦模型,并设计了改进傅里叶级数作为激励轨迹采集数据。为提升动力学参数辨识的准确性,在加权最小二乘法基础上进行改进,提出了IRLS算法对动力学参数进行辨识。最后以六自由度机器人为试验对象,进行了参数辨识试验。结果表明,基于IRLS算法的辨识方法与加权最小二乘法相比,前3个关节力矩误差的均方根(Root Mean Square,RMS)值降低了13.28%,后3个关节力矩误差的RMS值降低了28.57%,6个关节力矩误差的RMS值平均降低了17.15%,证明了基于IRLS算法的辨识方法的有效性。展开更多
该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空...该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空间进行运算,可以视作一种更为广义和灵活的方法,并且为不适定反问题的稀疏求解提供了改进的途径。较之于目前基于第1类最大似然(Type I ML)的稀疏方法,仿真实验证实了稀疏贝叶斯学习的优越性能。展开更多
文摘为提高机器人动力学参数辨识的准确性,提出了一种基于迭代加权最小二乘(Iterative Reweighted Least Squares,IRLS)算法的辨识方法。首先推导了机器人的线性动力学模型,随后提出了一种改进摩擦模型,并设计了改进傅里叶级数作为激励轨迹采集数据。为提升动力学参数辨识的准确性,在加权最小二乘法基础上进行改进,提出了IRLS算法对动力学参数进行辨识。最后以六自由度机器人为试验对象,进行了参数辨识试验。结果表明,基于IRLS算法的辨识方法与加权最小二乘法相比,前3个关节力矩误差的均方根(Root Mean Square,RMS)值降低了13.28%,后3个关节力矩误差的RMS值降低了28.57%,6个关节力矩误差的RMS值平均降低了17.15%,证明了基于IRLS算法的辨识方法的有效性。
文摘该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空间进行运算,可以视作一种更为广义和灵活的方法,并且为不适定反问题的稀疏求解提供了改进的途径。较之于目前基于第1类最大似然(Type I ML)的稀疏方法,仿真实验证实了稀疏贝叶斯学习的优越性能。
