基于深度神经网络的机械臂工作空间映射子空间学习

机械臂工作空间映射是机器人学中的重要问题，已引起学界的广泛关注。然而，由于依赖复杂的运动学方程，大多数已有算法具有高昂的时间复杂度。为解决此问题，本文引入子空间学习（SL，子空间嵌入的一种变体），通过深度神经网络（DNN）将一组机器人与范围参数映射到对应的工作空间。在约$\mathbf{6\times 10^4}$个样本的大规模数据集上训练，该数据集由经典方法的MATLAB$^\circledR$实现及所设计的均匀分布采样获得；实验表明，该嵌入将运行时间从传统离散化方法的$\mathbf{5.23 \times 10^3}$ s显著降至$\mathbf{0.224}$ s，且具有较高的精度（采用批量梯度下降与弹性反向传播时平均F度量为$\mathbf{0.9665}$）。