使用修改后的NARX贝叶斯神经网络进行6RSU并行操纵器的前向几何模型预测
Alaa Aldeen Joumah1, Assef Jafar1, Chadi Albitar1
1Higher Institute for Applied Sciences and Technology (HIAST), Damascus, P.O.Box 31983, Syria.
Heliyon
|January 6, 2025
概括
这项研究引入了一种新的NARX-贝叶斯神经网络 (BNN),用于在机器人操纵器中增强前进几何模型 (FGM) 预测. 改进的模型提供了更高的准确性和减少的不确定性,提高了机器人的可靠性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
- 控制系统 控制系统
背景情况:
- 准确的机器人模型对于机器人应用中的精度和安全至关重要.
- 贝叶斯神经网络 (BNNs) 可以建模复杂的系统并量化不确定性.
- 现有的机器学习方法用于前进几何模型 (FGM) 预测,往往缺乏不确定性估计.
研究的目的:
- 提出和评估一个修改的非线性自回归与外源输入 - 贝叶斯神经网络 (NARX-BNN) 改进FGM预测.
- 为了提高FGM估计的准确性和减少预测不确定性,用于6-RSU并行操纵器.
- 为了证明拟议的NARX-BNN对传统BNN的优势.
主要方法:
- 开发一个修改后的NARX-BNN模型,将BNN的近似和不确定性能力与非线性ARX预测能力相结合.
- 应用NARX-BNN来预测一个6-RSU并行操纵器的FGM.
- 使用变量推理,比较NARX-BNN与传统贝叶斯浅层神经网络的性能.
主要成果:
- 与传统的BNN相比,NARX-BNN模型表现出更高的性能.
- 在95%的置信度水平下,NARX-BNN将根平均平方误差 (RMSE) 降低了多达11%.
- NARX-BNN将预测区间的平均宽度减少了大约12.7%.
结论:
- NARX贝叶斯神经网络显著提高了FGM预测的准确性,并减少了机器人应用中的不确定性.
- 提出的方法可以提高机器学习模型对并行操纵器的可靠性.
- 进步有望实现更好的机器人控制,规划和整体系统可靠性.
