Метод радиально-базисных нейронных сетей для решения задачи обратной кинематики многозвенных манипуляторов
Автор: Полещук Ф.А., Соколов С.В.
Журнал: Труды Московского физико-технического института @trudy-mipt
Рубрика: Механика
Статья в выпуске: 1 (69) т.18, 2026 года.
Бесплатный доступ
Рассматривается универсальный метод решения задачи обратной кинематики робототехнических манипуляторов с помощью радиально-базисной нейронной сети (RBFN). В отличие от аналитических и итеративных численных алгоритмов, RBFN стабильна в сингулярных конфигурациях и обеспечивает постоянное время инференса. Методика включает генерацию обучающей выборки прямой кинематикой, нормализацию данных, выбор центров базисных функций (случайный поднабор или кластеризация К-Means) и обучение линейного выходного слоя стохастическим градиентным спуском. Подчёркивается независимость подхода от конкретной кинематики и возможность масштабирования к системам произвольного числа степеней свободы.
Обратная кинематика, радиально-базисная сеть, многозвенный манипулятор, машинное обучение, робототехника
Короткий адрес: https://sciup.org/142247869
IDR: 142247869 | УДК: 004.896
Radial basis function neural network method for solving the inverse kinematics of multi-joint manipulators
A general technique for solving the inverse kinematics (IK) problem of robotic manipulators using a radial basis function neural network (RBFN) is presented. Unlike analytical or iterative numerical algorithms, an RBFN provides a constant inference time and remains stable near kinematic singularities. The workflow comprises dataset generation via forward kinematics, data normalisation, centre selection (random subset or K-Means clustering) and linear output-layer training with stochastic gradient descent. The method is agnostic to the particular robot geometry and scales to manipulators with any number of degrees of freedom.
