Синтез нейросетевых систем управления манипуляционными роботами на основе обратных динамических моделей тема диссертации и автореферата по ВАК РФ 05.13.07, кандидат технических наук Арутюнян, Эдвард Самвелович

• Арутюнян, Эдвард Самвелович
• кандидат технических наук
• 2000

Оглавление диссертации кандидат технических наук Арутюнян, Эдвард Самвелович

Введение

Глава 1 Анализ методов нейросетевого управления 12 манипуляционными роботами (МР)

1.1 Актуальность проблемы интеллектуального 12 управления при автоматизации технологических процессов

1.2 Анализ методов синтеза нейросетевых систем 17 автоматического управления (НСАУ)

1.3 Цель и задачи исследования

Выводы по 1 главе

Глава 2 Разработка структуры i^i метода синтеза 36 НСАУ МР

2.1 Обобщенная структурная схема НСАУ МР

2.2 Нейросетевая реализация обратной динамической 40 модели НСАУ МР

2.3 Метод синтеза нейросетевых функциональных 46 преобразователей для синтеза отдельных подсистем НСАУ МР

2.4 Метод преобразования нейросетевых структур

Выводы по 2 главе

Глава 3 Методика проектирования НСАУ МР

3.1 Основные этапы метода синтеза НСАУ МР

3.2 Модели сил трения

3.3 Уточнение параметров привода

3.4 Построение прямой и обратной динамических 75 моделей

3.5 Покомпонентная реализация электромеханической 83 обратной динамической модели (ОДМ) МР в нейросетевом базисе

3.6 Дополнительное обучение НСАУ МР

3.7 Исследование эффективности полученной 86 нейросетевой ОДМ методом имитационного моделирования

3.8 Исследование эффективности НСАУ на реальном МР

3.9 Программно-аппаратная реализация

Выводы по 3 главе

Глава 4 Разработка автоматизированной системы 90 имитационного моделирования (АСИМ) и проведение экспериментальных исследований

4.1 Основные принципы построения АСИМ

4.2 Разработка структуры АСИМ

4.3 Используемые программно-аппаратные средства

4.4 Описание основных элементов АСИМ НСАУ

4.5 Разработка интерфейсов АСИМ НСАУ

4.6 Описание экспериментальной установки

4.7 Экспериментальные исследования нейросетевых 125 алгоритмов управления

Выводы по 4 главе

Введение диссертации (часть автореферата) на тему «Синтез нейросетевых систем управления манипуляционными роботами на основе обратных динамических моделей»

Актуальность темы

Задача автоматизации сложных, трудоемких, монотонных, физически тяжелых, вредных и опасных для здоровья человека технологических процессов является актуальной, ее решение возможно за счет использования манипуляционных роботов (МР), хорошо зарекомендовавших себя в различных областях промышленности на производствах самых разных типов.

Повышаются требования к самим манипуляционным роботам, выражающиеся в необходимости улучшения скоростных, точностных, нагрузочных и адаптивных характеристик. Повышаются также требования к степени их гибкости, совместимости, интеграции с имеющимся оборудованием, к скорости переналадки (перехода) с производства одного вида продукции на производство другого вида.

Для решения задач роботизации таких технологических процессов уже не является достаточным использование простых МР, так как в этих случаях неизбежно возникают отклонения от заданной траектории из-за неучтенных динамических параметров как самого МР, так и из-за наличия трудно определяемых (или вообще не определяемых) внешних воздействий.

Как правило, характеристики существующих МР вполне удовлетворяют высоким технологическим требованиям по точности и нагрузочной способности, тогда как система автоматического управления (САУ) не способна быстро и качественно обработать текущую информацию о состоянии МР, об окружающей обстановке и правильно рассчитать управляющие сигналы для приводов. Кроме того, при управлении МР задачи динамики либо вообще не решаются, либо решаются в очень упрощенном виде, а для управления приводами звеньев МР в системе управления используются несвязанные между собой простые (ПИД, ПИ, ПД) регуляторы, настроенные по линеаризованной модели манипулятора в некоторой рабочей точке. Однако для решения траекторных задач такие простые регуляторы становятся малоэффективными и приводят к существенным погрешностям движения МР.

На сегодняшний день решить эти задачи в реальном времени (период управления 1-10 мсек) возможно только на некоторых суперЭВМ либо на сложных и громоздких аналоговых вычислителях (DSP и нейроускорителях).

Таким образом, необходимо создать САУ, обладающую высокими вычислительными возможностями и способностью адаптироваться к изменяющимся внутренним характеристикам МР и внешним параметрам окружающей обстановки.

Одним из наиболее перспективных направлений в области управления сложными механическими системами на сегодняшний день являются интеллектуальные системы управления, построенные на основе искусственных нейронных сетей (НС).

Анализ современной отечественной и зарубежной научно-технической литературы и, в частности, трудов таких ученых, как Макаров И.М., Амосов Н.М., Охоцимский Д.Е., Галушкин А.И., Горбань А.И., Тимофеев A.B., Уосермен Ф., Розенблатт Ф., Уидроу Б., Козлов Ю.М., Елисеев C.B., Фролов К.В., Ш. Нофа, Юревич Е.И., Коловский М.З., Слоущ A.B., Накано Э., Фу К., Гонсалес Р., Заде П., Рембольд У. и других [16-18] показал, что, несмотря на активные разработки в этой области, до сих пор не решен еще целый ряд вопросов, связанных с методикой и способами построения нейросетевых регуляторов, с обеспечением их устойчивости и надежности функционирования, с выбором оптимальной структуры НС, с определением сходимости и времени обучения сети и др.

Это делает актуальной задачу разработки и исследования алгоритмов нейросетевого управления сложными механическими объектами, такими как манипуляционные роботы, функционирующими в условиях неопределенности, воздействия внешних возмущений и динамического изменения внутренних параметров МР.

Также актуальной является задача разработки программно-аппаратного комплекса, позволяющего автоматизировать часть процедур синтеза нейросетевой системы управления, моделирования ее работы и позволяющую проводить анализ практических экспериментальных исследований на реальном МР.

Все вышеизложенное позволяет сформулировать цель и определить задачи исследования.

Цель и задачи исследования

Целью исследования является разработка метода синтеза нейросетевых систем автоматического управления манипуляционными роботами (НСАУ МР) на основе обратных динамических моделей (ОДМ) и исследование эффективности метода на имитационных моделях и экспериментальной установке.

Для достижения поставленной цели необходимо решить следующие задачи.

1. Разработать структуру и метод синтеза нейросетевой системы управления манипуляционным роботом на базе его обратной динамической модели.

2. Разработать алгоритм определения параметров обратной динамической модели для задания начальной организации нейросетевой системы управления.

3. Разработать алгоритм адаптации (дополнительного обучения) нейросетевой системы управления.

4. Разработать автоматизированную систему имитационного моделирования (АСИМ) нейросетевой системы управления манипуляционным роботом и программное обеспечение для нее. 5. Исследовать эффективность предложенных алгоритмов нейросетевого управления манипуляционным роботом с использованием разработанных АСИМ и экспериментальной установки.

Методы исследования

Для решения поставленных в диссертационной работе задач были использованы методы теории автоматического управления, теории построения аналоговых вычислительных систем, теории систем искусственного интеллекта, механики роботов и манипуляторов как раздела теоретической механики.

На защиту выносятся:

1) структура и метод синтеза нейросетевой системы управления манипуляционным роботом на базе его обратной динамической модели;

2) алгоритм определения параметров обратной динамической модели для задания начальной организации нейросетевой системы управления;

3) алгоритм адаптации (дополнительного обучения) нейросетевой системы управления;

4) автоматизированная система имитационного моделирования нейросетевой системы управления механическим манипулятором и программное обеспечение для нее;

5) результаты экспериментальных исследований разработанных алгоритмов нейросетевого управления, проведенных на программных моделях и на двухзвенном манипуляционном роботе.

Научная новизна

1. Научная новизна предложенной структуры НСАУ состоит в компенсации нелинейности и многосвязности МР за счет разработки структуры нейросетевой системы управления, содержащей нейросетевую обратную динамическую модель, и компенсации основных составляющих трения и неучтенных (трудно определяемых) параметров МР за счет использования дополнительных нейросетевых элементов.

2. Научная новизна предложенного метода синтеза адаптивной нейросетевой системы управления МР состоит в декомпозиции ОДМ на отдельные нелинейные составляющие и аппроксимации этих функций в нейросетевом базисе на заданном интервале изменения параметров.

3. Научная новизна алгоритма адаптации нейросетевой системы управления к изменяющимся внутренним параметрам МР и внешним воздействиям окружающей обстановки заключается в подстройке нейросетевой ОДМ путем дополнительного обучения по сигналам ошибки от эталонной модели и МР.

Практическая значимость работы

Результаты диссертационной работы позволяют:

1) проводить синтез, моделирование, практическую реализацию программ управления реального времени МР и последующий анализ экспериментальных данных на основе использования предложенных алгоритмов управления с помощью разработанной автоматизированной системы имитационного моделирования нейросетевой системы управления, являющейся гибким и открытым инструментом для разработки нейросетевых систем управления МР;

2) сократить время и ресурсы, необходимые для проектирования нейросетевых систем управления манипуляционными роботами за счет использования программного обеспечения АСИМ, созданного на основе предлагаемых алгоритмов и методик;

3) проводить на базе двухстепенной электромеханической установки экспериментальные исследования, подтверждающие эффективность предложенных алгоритмов.

Апробация работы

Основные положения и результаты докладывались на следующих научно-технических конференциях: Всероссийская научная конференция "Королевские чтения" (Самара, 1995); Всероссийская научная конференция "Информационные и кибернетические системы управления и их элементы" (Уфа, 1995); Всероссийский семинар "Нейроинформатика и ее приложения" (Красноярск, 1997); Всероссийская молодежная научно-техническая конференция "Информационные и кибернетические системы" (Уфа, 1997); Всероссийская конференция "Нейрокомпьютеры и их применение" (Москва, 1998); Всероссийский семинар "Нейроинформатика и ее приложения" (Красноярск, 1998); Международная научно-техническая конференция "Логико-математические методы в технике, экономике и социологии" (Пенза, 1998); Всероссийская научно-техническая конференция

Нейроинформатика-99" (Москва, 1999); V Всероссийская конференция "Нейрокомпьютеры и их применение" (Москва, 1999); Республиканская научно-техническая конференция

Интеллектуальное управление в сложных системах - 99" (Уфа, 1999).

Публикации

Основные материалы диссертационной работы опубликованы в 12 печатных работах.

Связь темы диссертации с плановыми исследованиями

Работа выполнена в период 1995-2000 гг. на кафедре технической кибернетики УГАТУ, связана с выполнением исследований в рамках ФЦП "Интеграция" проект 2.1-76 "Развитие научно - учебного комплекса по фундаментальным проблемам математики и теории управления" и в рамках международной программы АМЕТМАв-ЫоЕ по проблемам управления производственными системами.

Объем и структура работы

Диссертационная работа изложена на 177 страницах, включает в себя введение, четыре главы, заключение и список литературы из 138 наименований.

Заключение диссертации по теме «Автоматизация технологических процессов и производств (в том числе по отраслям)», Арутюнян, Эдвард Самвелович

Выводы по 4 главе

Таким образом, ЭМУ представляет собой сложный нелинейный объект управления. Сигналы скорости и управляющего напряжения подтверждают это. Учесть все нелинейности очень трудно. В разработанной модели были учтены наиболее существенные силы, действующих на установку: инерционные, центробежные, кориолисовы, гравитационные, трения. Проведенные исследования показали, что полученная динамическая модель адекватна поведению объекта. Нейросетевая реализация ОДМ позволяет получить более качественное управление в 1.5-1.7 раза, которое достигается за счет реализации алгоритма адаптации (операции дообучения) к действию неучтенных сил и моментов.

ЗАКЛЮЧЕНИЕ

1. Разработана структура нейросетевой системы автоматического управления МР, содержащая нейросетевую обратную динамическую модель, включенную в прямой канал основного контура управления, и дополнительные нейросетевые элементы. Нейросетевая ОДМ позволяет компенсировать нелинейность и многосвязность МР, а дополнительные нейросетевые элементы компенсируют основные составляющие сил трения и влияние неучтенных и трудно определяемых параметров МР. Предложен метод синтеза НСАУ, включающий в себя декомпозицию ОДМ на отдельные нелинейные составляющие, и позволяющий проводить аппроксимацию этих функций в нейросетевом базисе в заданном интервале изменения параметров.

2. Предложен алгоритм определения параметров ОДМ, который используется для задания начальной организации НСАУ, построенный на основе аналитической модели МР с последующим ее уточнением по экспериментальным данным.

3. Разработан алгоритм адаптации нейросетевой системы управления к изменяющимся внутренним параметрам МР и внешним воздействиям окружающей обстановки на базе алгоритма обратного распространения с обучением по выборкам, составленным в результате движения МР по заданным траекториям с превышением максимально допустимой ошибки.

4. Разработана автоматизированная система имитационного моделирования нейросетевой системы управления механическим манипулятором и программное обеспечение для нее с использованием специализированных программных

Список литературы диссертационного исследования кандидат технических наук Арутюнян, Эдвард Самвелович, 2000 год

1. Амосов Н.М. и др. Нейрокомпьютеры и интеллектуальные роботы. Киев: Наук.думка, 1991. - 272 с.

2. Аполов О. Г. Алгоритмы интеллектуального управления и координации взаимодействия в сложных робототехнических системах. // Диссертация на соискание ученой степени кандидата технических наук. Уфа, 1997.

3. Арутюнян Э. С. Сравнительный анализ методов использования нейронных сетей в задачах управления манипуляционными роботами. // Интеллектуальное управление в сложных системах 99: Тез .докл. Респ. конф. - Уфа: УГАТУ, 1999. - С.84.

4. Арутюнян Э. С. Нейросетевое управление аэрокосмическими роботами. // Проблемы авиации и космонавтики и роль ученых в их решении: Тез.докл. Научно-практической конференции. Уфа, 1998. - С.71.

5. Арутюнян Э. С., Ильясов Б.Г. Адаптивное управление манипулятором как многосвязным объектом. // Логикоматематические методы в технике, экономике и социологии: Тез.докл. Международной научно-технической конференции. -Пенза, 1998. -С.90.

6. Асфаль Р. Роботы и автоматизация производства (Robots and manufacturing automation). / Пер. с англ. М.: Машиностроение, 1989.-446 с.

7. Бесекерский В.А. Попов Е.П. Теория систем автоматического регулирования. М., 1975.

8. Бесекерский В.А. Изранцев В.В. Системы автоматического управления с микроЭВМ. М.: Наука, 1987.

9. Бондарь Т.А., Логовский А.С. Нейрокомпьютеры в управлении. -Зарубежная радиоэлектроника. № 2. - 1997. - С.57-71.

10. Бурдаков и С.Ф., Дьяченко В.А., Тимофеев А.Н. Проектирование манипуляторов промышленных роботов и роботизированных комплексов. М.: Высш. шк., 1986. - 264 с.

11. БуцевА. В., Первозванский А. А. Локальная аппроксимация на искусственных нейросетях. АиТ. - № 9. - 1995. - С. 127-136.

12. Васильев В. И., Ильясов Б. Г. Интеллектуальные системы управления с использованием нечеткой логики: Учебное пособие. -Уфа: УГАТУ, 1995.-80 с.

13. Васильев В.В., Ильясов Б.Г., Жернаков С.В. Интеллектуальные системы управления с использованием нейронных сетей: Уч. пос. Уфа: УГАТУ, 1997. - 92 с.

14. Галушкин А.И. Итоги развития теории многослойных нейронных сетей (1965-1995) в работах научного центра нейрокомпьютеров и ее перспективы. -М.'.НЦН, 1996,- 80 с.

15. Галушкин А. И. Современные направления развития нейрокомпьютерных технологий в России. Открытые Системы. -1997.-№ 4. - С.25-28.

16. Галушкин А.И. Нейрокомпьютеры в разработках военной техники США (Обзор по материалам открытой печати). М.: Научный центр нейрокомпьютеров РАН, 1995. - 152 с.

17. Галушкин А.И., Судариков В.А., Шабанов Е.В. Нейроматематика: методы решения задач на нейрокомпьютерах. Математическое моделирование. - Том 3. - № 8. - 1991. - С.93-111.

18. Галуев Г.А. Параллельные цифровые нейрокомпьютерные системы и нейросетевые процессоры обработки и распознавания зрительных образов. Таганрог: Сфинкс, 1997.

19. Горбань А.Н. Обучение нейронных сетей. М.: Изд. СССР - США СП ParaGraph, 1990. - 160 с.

20. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. -276 с.

21. Гордеев Л.С., Иванов В.А., Столяров Ю.Ю. Алгоритмы нейросетевого моделирования хи ми ко технологических процессов. - Программные продукты и системы. - 1998. - № 1.

22. Губайдуллин Г. Г., Зозуля Ю. И., Арутюнян Э. С. Моделирование функций действительного аргумента в задачах нейросетевого управления. // Нейроинформатика-99: Сб. науч.трудов

23. Всероссийской научно-технической конференции. Москва, 1999. - С.247-254.

24. Губайдуллин Г. Г., Зозуля Ю. И, Арутюнян Э. С. Синтез нейросетевых обратных динамических моделей роботов. // Нейрокомпьютеры и их применение: Тез. докл. V Всеросс. конференции. Москва, 1999. - С.136.

25. Даринцев О.В, Арутюнян Э. С Робототехническая система на базе робота РМ 01. // Королевские чтения: Тез.докл. Всероссийской научной конф. - Самара, 1995. - С. 146.

26. Дьяконов В.П., Абраменкова И.В. MATLAB 5.0/5.3. Система символьной математики. М.: Нолидж, 1999. - 640 с.

27. Елисеев C.B. и др. Управление колебаниями роботов. -Новосибирск: Наука, 1990. 317 с.

28. Забылуев М. Программное обеспечение процессора NM6403: оценка производительности эмуляции нейронной сети.

29. Зозуля Ю. И., Губайдуллин Г. Г., Арутюнян Э. С. Использование теоремы Колмогорова при преобразовании структур в задачах нейросетевого управления. // Нейрокомпьютеры и их применение: Тез докл. V Всероссийской конференции. Москва, 1999.

30. Зозуля Ю. И., Губайдуллин Г. Г., Арутюнян Э. С. Использование теоремы Колмогорова при преобразовании структур в задачах нейросетевого управления. Нейрокомпьютеры: разработка, применение. - № 1. - 2000. - С.36-39.

31. Катковник В. Я. Непараметрическая идентификация и сглаживание данных: метод локальной аппроксимации. -М.: Наука, 1985.

32. Козлов Ю.М. Адаптация и обучение в робототехнике. -М.: Наука, 1990.-248 с.

33. Колмогорова. Н. О представлении непрерывных функций нескольких переменных в виде суперпозиций непрерывных функций одного переменного и сложения Нейрокомпьютер. -№ 1,2.- 1994.-С.51-55.

34. Козловский М.З., Слоущ A.B. Основы динамики промышленных роботов. М.: Наука, 1988.

35. Корн Г., Корн Т. Электронные аналоговые и аналого-цифровые вычислительные машины. М.: Мир, 1967. - 464 с.

36. Корендясев А.И. и др. Манипуляционные системы роботов. -М.: Машиностроение, 1989. -472 с.

37. Крутько П.Д. Управление исполнительными системами роботов. -М.: Наука, 1991.

38. Кусимов С.Т., Ильясов Б.Г., Васильев В.И. и др. Управление динамическими системами в условиях неопределенности. -М.: Наука, 1998.

39. Кирсанов Э. Ю. Цифровые нейрокомпьютеры. Архитектура и схемотехника / Под ред.А.И.Галушкина. Казань: КГТУ им.А.Н.Туполева, 1995. - 131 с.

40. Лоран П.-Ж. Аппроксимация и оптимизация. М.: Мир, 1975.

41. Медведев B.C., Лесков А.Г., Ющенко A.C. Системы управления манипуляционных роботов. М.: Наука, 1987.

42. Макаров И.М. и др. Робототехника и гибкие автоматизированные производства. М.: Высш. шк., 1986. - 175 с.

43. Накано Э. Введение в робототехнику. / Пер. с яп. под ред. A.M. Филатова. М.: Мир, 1988. - 335 с.

44. Ноф Ш. Справочник по промышленной робототехнике (Handbook of Industrial Robotics). / Пер. с англ. Д.Ф. Миронова. -М.: Машиностроение, 1990. 480 с.

45. Острем К.Ю. Настройка и адаптация. Приборы и системы управления. - № 9. - 1997. -С.53.

46. Охоцимский Д.Е. и др. Роботизация сборочных процессов. -М.: Наука, 1985.-251 с.

47. Применение нейросетевых технологий в системах автоматического управления. Гаврилов А.И. Вестник МГТУ. Сер. Приборостроение. - № 1. - 1998. - С.119-126.

48. Применение микропроцессора NM6403 для эмуляции нейронных сетей. Шевченко П.А., Фомин Д.В., Черников В.М., Виксне П.Е. -Москва: НТЦ «Модуль», 1999.

49. Промышленный робот РМ-01. Руководство по аппаратной части, а/о "Нокиа", отдел робототехники.

50. Пухов Т.Е. Общие вопросы теории управления многосвязными объектами по методу обратных операторов. // Вычислительная техника в управлении. М.: Наука, 1996. - С.236-246.

51. Судариков В. А. Об одном подходе к построению нейросетевых алгоритмов аппроксимации функций вещественного аргумента -Нейрокомпьютер. № 1. - 1992. - С.29-37.

52. Тимофеев A.B. Адаптивные робототехнические комплексы. -Л.: Машиностроение, 1988. 332 с.

53. Уоссермен Ф. Нейрокомпьютерная техника.-М.:Мир, 1992.-240 с.

54. Фролов К.В., Воробьева Е.И. Механика промышленных роботов. -М.: Высш.шк., 1989.-383 с.

55. Фу К., Гонсалес Р., Ли К. Робототехника. / Пер. с англ. М.: Мир, 1989.-624 с.

56. Харп Г. Транспьютеры. Архитектура и программное обеспечение. М.: Радио и связь, 1993. -304 с.

57. Черноруцкий Г.С., Сибрин А.П., Жабреев B.C. Следящие системы автоматических манипуляторов. М.: Наука, 1987.

58. Allan Rogers (Sundance), Alan Pritchard (Morph Technology). SMT306 Neural Processing TIM User Guide, 1996.

59. Barhen Jacob, Gulati Sandeep, Zak Michail. Real-Time neuromorphic algorithms for inverse kinematics of redundant manipulators. Intell. Rob. And Comput. Vision. Proc. Soc. Photo-Opt. Instrum. Eng., 1989. - pp.686-696.

60. Bin Jin. Robotic Manipulator Trajectory Control Using Neural Networks. IJCNN'93, Nagoya. - pp.1793-1796.

61. Brian Armstrong, Oussama Khatib, Joel Burdick. The Explicit Dynamic Model and Inertial Parameters of the PUMA 560 Arm // IEEE, CH2282. 51 Op.

62. Brown M.B. Neural Network Research in British Aerospace. British Aerospace PLC, Sowerby Research Center.

63. Boo Нее Nam, Sang Jae Lee, Seok Won Lee. A Neural Network for Trajectory Control of Robotic Manipulators with Uncertainties. IEEE International Conference on Neural Networks, 1997.-pp. 1777-1780.

64. C. Canudas de Wit. Adaptive friction compensation in robot manipulators: low velocities. In The Int. Journal of Robotic Research, June 1991. № 3. - pp.189-199.

65. Ceasare Citterio, Andrea Pelagotti, Vincenzo Piuri, Luca Rocca. Spectral Approximation of Function by Using Three-layered Feedforward Neural networks. IEEE International Conference on Neural Networks, Washington, 1996. pp.1830-1834.

66. Chan S. P. Real Time Control of Robot Manipulator Using a Neural Network Based Learning Controller. IEEE International Conference IECON '93, 1993. pp.1825-1830.

67. C.L. Philip Chen, A.D. McAulay. Polynomial Neural Network for Robot Forward and Inverse Kinematics Learning Computations. Application of Artificial Intelligence IX, SPIE, 1991. Vol.1468, -pp. 394-405.

68. Craig J.J. Introduction to Robotics: Mechanics and Control. 2nd ed. Reading, Mass.: Addison-Wesley, 1997.-450 p.

69. Cybenko G. Approxination by superposition of a sigmoidal function // Mathematica, control, signals and systems, 1989.-Vol.2.-pp. 183-192.

70. Corke P.I. The Unimation Puma servo system. CSIRO Division of Manufacturing, 1994. 80p.

71. Corke P.I. An Automated Symbolic and Numeric Procedure for Manipulator Rigid-Body Dynamic Significance Analysis and Simplification. CSIRO Division of Manufacturing, 1994.

72. Corke P.I., Brian Armstrong. A search for Consensus Among Model Parameters Reported for the PUMA-560 Robot. CSIRO Division of Manufacturing, University of Wisconsin Milwaukee, USA.

73. Danny Pascale, Guy Volckaert. Use of neural network to extract a missile flight model for simulation purposes. SPIE, 1996. Vol.2760. -pp.284-289.

74. Guez Allon, Ahmad Ziauddin. Accelerated convergence in the inverse kinematics via multilayer feedforward networks. IJCNN, Washington, N.Y., 1989. - Vol.2. - pp.341-344.

75. Guez Allon, Ahmad Ziauddin. Solution to the inverse kinematics problem in robotics by neural networks. IJCNN, 1988. - pp.643-624.

76. Guo Jenhawa, Cherkassky V. A solution to the inverse kinematic problem in robotics using neural network processing. IJCNN, Washington, N.Y., 1989. - Vol.2. - pp.299-304.

77. Handbook of Intelligent Control: Neural, Fuzzy and Adaptive Approaches. Ed.: David A., White, Donald A. Sofge: Van Nostrand Reinhold, N.Y., 1992. - 568p.

78. Hecht-Nielsen R. Kolmogorov's Mapping Neural Network Existence Theorem // IEEE First annual Int. Conf. on Neural Networks, San Diego, 1987.-Vol.3.-pp.11-13.

79. Hecht-Nielson R. Neurocomputer applications // Neural computers. Berlin: Springer-Verlag, 1988.

80. Hornik K. M., Stinchcombe M., White H. "Multilayer feedforward networks are universal approximators," Neural Networks, 1989. -Vol.2. №5. - pp.359-366.

81. Hecht-Nielsen R. Neurocoputing. Addison Wesley Publ. Co., Massahusets, 1990.

82. Hollars M.G., Rosenthal D.E., Sherman M.A. SD/FAST User's Manual. Symbolic Dynamics, Inc., 1994.

83. Howard Demuth, Mark Beale. Neural Network Toolbox // The MathWorks, Inc., 1998. 724p.

84. Hyoung-Gweon Park and Se-Young Oh. A Neural Network Based Real-Time Robot Tracking Controller Using Position Sensitive Detectors. IEEE International Conference in Neural Networks, 1994. -pp.2754-2758.

85. Jordan M.I., D.E. Rumelhart. Forward models: Supervised learning with a distal teacher. Cognitive science, 1990. Vol.16. - pp.313-355.

86. Kumar K. K., Sawhney S., Wai R. Neuro-Controllers for adaptive helicopter hover training // IEEE Trans, on System and Cybern., 1994. Vol.24. - №8.

87. Kawato M., K. Furukawa, R. Suzuki. A hierarchical neural network model for control and learning of voluntary movement. Biological Cybernetics, 1987. Vol.57. - pp.169-185.

88. Kawato M., Y. Uno, M. Isobe, R. Suzuki. Hierarchical neural network model for voluntary movement with application to robotics. IEEE Control System Magazine, 1988. Vol.8. - pp.8-16.

89. Kushlewski J., Hui S., Zak S. Application of feedforward neural networks to dynamical system identification and control. IEEE Trans. On Control Systems Technology, 1993. Vol.1. - № 1.

90. Kieffer Stuart, Morellas Vassilios, Donath Max. Neural Network learning fo the inverse kinematic relationship for a robot arm. IEEE Int. Conf. Robot. And Autom., Proc., 1991. - 2418p.

91. Kameyama Michitaka, Matsumoto Takao, Egami Hideki, Higuchi Tatsuo. Implementation of high performance LSI for inverse kinematics computation. IEEE Int. Conf. Rob. and Autom., Washington etc., Proc., 1989. - Vol.2. - pp.757-762.

92. Kittichaikoonkit Somachai, Kamei Michitaka, Higuchi Tatsuo. Design of a matrix multiply-addition VLSI processor for robot inverse dynamics computation. IEICE Transactions, 1991. - Vol.74. - № 11. - pp.3819-2828.

93. Krishnaswamy Gita, Marcelo H. Andeen Gerry B. Structured neural-networks approaches to robot motion control. IJCNN, Singapore, 1991. - pp.1059-1066.

94. Lee Sukhan, Kil Rhee M. Robot kinematic control based on bidirectional mapping neural network. IJCNN, N.Y., 1990. - Vol.3. -pp.327-335.

95. Magnus Norgaard. Neural Network Based Control System Design toolkit. Technical Report 96-E-830, Department of Automation, Technical University of Denmark. 1997.

96. MATLAB. The Language of Technical Computing. The MathWorks, Inc., 1999. 585p.

97. Michiaki Taniguchi, Michael Lang. Comparison of Different Neural Approximation Approaches in the Path Tracking Problem. -IJCNN'93, Nagoya. pp.1743-1746.

98. Minho Lee, Kwang-Bo Cho, Soo-Young Lee, Cheol Hoon Park. A Feedforward / Feedback Neural Control Structure and its Application to Robotic System. IJCNN'93, Nagoya. - pp.2757-2760.

99. Nguyen, D., and B. Widrow, "Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights". Proceeding of the International Joint Conference on Neural Networks, 1990. -Vol.3. pp.21-26.

100. Nguyen, D., and B. Widrow, "The truck backer-upper: An example of self-learning in neural networks," Proceedings of the International Joint Conference on Neural Networks, 1989. Vol.2. - pp.357-363.

101. Neuro-Control and its Applications. Sigeru Omatu, Marzuki Khalid and Rubiyah Yusof. Springer-Verlag London Limited, 1996.

102. Narenda K.S., K. Parthasarathy. Identification and control of dynamical systems using neural networks. IEEE Trans. On Neural Networks, 1990. -Vol.1. pp.4-27.

103. Nguyen D.H. B. Widrow. Neural Networks for self-learning control systems. IEEE Control Systems Magazine, Vol.10. pp.18-23.

104. Nguyen L., Pater R.V., Khorasani K. Neural Network architectures for the forward kinematics problem in robotics. IJCNN, N.Y., 1990. -Vol.3. - pp.393-399.

105. Parten C., Pap R., Thomson C. Neurocontrol applied to telerobotics for the space shuttle // Int. Neural Network Conf., Paris, July 9-13, 1990. Vol.1.

106. Popovic M.R., Shimoga K.B., Hui R.C., Goldenberg A.A. Modeling and Compensation of Friction in Direct-Drive Robotic Arms. International Conference on CAD/CAM, Robotics and Factories of the Future, 1993. Vol.3. - pp.625-643.

107. Q.-H. Max Meng. A neural Network Adaptive Controller for Robots with Unknown Dynamics. IJCNN'93, Nagoya. - pp. 1769-1772.

108. Rao D.H., Gupta M.M., Nikiforuk P.N. On-Line Learning of Robot Inverse Kinematics Transformations. Nagoya, IJCNN'93. pp. 28272830.

109. Real-Time Workshop User's Guide. The MathWorks, Inc., 1999. -386p.

110. Rhode M. Mesa Verde Benutzerhandbuch. Karlsruhe.: IPG, 1995. -126p.

111. Rumelhart D.E., Hinton G.E., Williams R.J. Learning representation by backpropagating errors // Nature, 1982. Vol.323. - pp.533-536.

112. SD/FAST Intareface. The MathWorks, Inc., 1994.

113. Sigeru Omatu. Dynamical Systems Regulation by Neuro-Controllers. Application and Science of Artificial Neural Networks, SPIE, 1995. -Vol.2492. pp.590-599.

114. Seul Jung, T.C. Hsia. Network Reference Compensation Technique for Position Control of Robot Manipulators. IEEE International Conference on Neural Networks, Washington, 1996. pp. 1765-1769.

115. S.K. Tso, N.L. Lin. Adaptive Control of Robot Manipulator with RadialBasis Function Neural Network. IEEE International Conference on Neural Networks, Washington, 1996. pp.1807-1811.

116. Transputer-based robot control system for six-joint robot manipulators. Robotics and Computer-Integrated Manufacturing, Pergamon, 1998. Vol. 14. - pp. 111 -119.

117. Tso S.K., Lin N.L. Adaptive Neural Network Controller for Robot Manipulator Systems. IEEE International Conference on Neural Networks Proceedings, 1995. pp.2320-2325.

118. Toshio Tsuji, Koji Ito, Pietro Morasso. Learning of Robot Arm Impedance in Operational Space Using Neural Networks. -IJCNN'93, Nagoya. pp.635-638.

119. Timothy Robinson, Mohammad Bodruzzaman. Real-Time Stable Adaptive Control Implementation Using a Neural Network Processor. Application and Science of Artificial Neural Networks, SPIE, 1995. -Vol.2492.-pp. 124-129.

120. Werbos P.J. Overview of design and capabilities. Neural Networks for Control. MIT Press, Cambridge, MA, 1990. pp.59-65.

121. Xiangming F, He Tian, Yun D.Y.Y. Autonomous underwater vehicle control by neural network // Univ. of Hawaii at Manoa, Honolulu, 1992.

122. Y. Jin, A.G. Pipe, A. Winfield. Manipulator trajectory control using neural networks from application to theory and back again. Application and Science of Artificial Neural Networks, SPIE, 1995. -Vol.2492.-pp.130-140.

123. J.S. Yu, G.Quick, W.Paulicks, P.C. Muller, W. Berteit. Transputer-based robot control system for six-joint robot manipulators. Pergamon, April 1998. Vol.14. - № 2. - pp.111-119.

124. Zalzala A.M.S. Parallel processing, neural networks and genetic algorithms for real-time robot control. Advanced Robotics & Intelligent Machines. pp.355-374.

125. Rosalyn S. Hobson, Rafael M. Inigo. Hardware implementation of a neural network controller for a manipulator arm. SPIE, 1992. -Vol.2492. pp.84-95.

126. Sahin Yildirim. New neural networks for adaptive control of robot manipulators. IEEE International Conference on Neural Networks, 1997. pp.1727-1731.

127. Thomas Martinetz, Klaus Schulten. A neural Network with Hebbian-like Adaptation Rules Learning Visiomotor Coordination of PUMA Robot. IEEE International Conference on Neural Networks, 1993. -Vol.2. pp.820-822.

128. Hideki Hashimoto, Takashi Kubota, Motoo Sato, Fumio Harashima. Visual Control of Robotic Manipulator Based on Artificial Neural Network. Journal of Robotics and Mechatronics, 1991. Vol.3. - № 5.-pp.394-400.

129. Andrei Cimponeriu, Julien Gresser. Adaptive Learning with the Growing Competitive Linear Local Mapping Network for Robotic Hand-Eye Coordination. IEEE International Conference on Neural Networks, 1997. pp.1693-1698.

130. D. Kuhn, J.L. Buessler, J.P. Urban. Neural Approach to Visual Servoing for Robotic Hand Eye Coordination. IEEE International Conference on Neural Networks, 1995. pp.2364-2369.

131. II Hong Suh, Tae Won Kim. A Fuzzy-Neural-Network-based Visual Feedback Learning Control for Robot Manipulators. IEEE International Conference on Neural Networks. 1994. pp.2781-2785.

132. Ya-chen Hsu, Guanrong Chen, Heider A.Malki. Fuzzy-Neural Adaptive Controller Design: with application to Multiple-Link Robot Control. IEEE International Conference on Neural Networks, 1997. -pp.1705-1709.

133. Yichuang Jin, Tony Pipe, Alan Winfield. Stable Neural Network Control for Manipulators. Proc. of 1993 International Joint Conference on Neural Networks. pp.2775-2778.

134. J. A. K. Suykens, B. De Moor, J. Vandewalle. Robust NLq Neural Control Theory. The 1997 IEEE International Conference on Neural Networks. pp.2396-2401.

135. David A. Handelman, Stephen H. Lane, Jack J. Gelfand. Integrating Neural Networks and Knowledge-Based Systems For Intelligent Robotic Control. IEEE Control Systems Magazine, 1990. №3. -pp.77-87.

136. Akio Ishiguro, Takeshi Furuhashi, Shigeru Okuma, Yoshiki Uchikawa. A neural Network Compensator for Uncertainties of Robotics Manipulators. IEEE Transactions on Industrial Electronics, 1992. -Vol.39. № 6. - pp.565-570.