人工神经网络求解逆运动学所需的训练样本数量
机器人学
2026-05-25 v1 机器学习
摘要
逆运动学 (IK) 在机器人运动规划和控制中发挥关键作用。机器人操作器的IK解可通过几何、代数或Jacobian方法实现，但这些方法都有局限性。人工神经网络 (ANN) 因其泛化能力和计算效率，成为近年来逐渐备受青睐的IK求解替代方案。该方法基本上只训练少量末端执行器样本，以解决IK问题。然而，仍有一个根本问题：多少训练样本才足以获得可靠且准确的IK预测？本研究探讨了训练数据集大小与ANN-based IK求解器精度之间的数学框架。使用关节位置对的不同数量样本训练前馈神经网络，评估其精度、收敛性和泛化能力。结果表明，超过125个训练样本并未显著提高模型效率，而与采样大小相关的近似精度度量揭示了这一点，为数据效率提供了有价值的见解。本工作为优化ANN解的ANN解的数据规模提供了实际指导，平衡计算成本和模型精度，以适应实际机器人应用。
引用
@article{arxiv.2605.23583,
title = {How Many Training Samples Are Needed for the Inverse Kinematics Solutions by Artificial Neural Networks},
author = {Dong-Won Lim},
journal= {arXiv preprint arXiv:2605.23583},
year = {2026}
}
备注
14 pages, 5 figures