多指靈巧手又稱多指多關節機械手，是一種并聯加串聯形式的機器人， 一般由手掌和 3～5個手指組成，每個手指有3～4個關節。由于其具有多個關節(≥9),故可以對幾乎任 意的物體進行抓持及操作。如果安裝有指端力傳感器和觸覺傳感器，對抓持力進行控制， 可以實現對易碎物體(如雞蛋等)進行抓持及操作。多指靈巧手的機械本體一般較小，自由 度又較多，故多采用伺服電機通過有套管的鋼絲或尼龍繩進行遠距離驅動，控制伺服電機 進行有序的轉動，可使多指靈巧手完成各種抓持及操作。由于繩子的變形及繩子與套管間 的摩擦，關節之間的耦合，使得多指靈巧手比一般的機器人具有更強的非線性。目前，對 多指靈巧手的智能抓持的研究和位置/力協調控制的研究是機器人學研究的熱點之一。

下面介紹用經過訓練的多層前饋網絡作為控制器，控制多指靈巧手的關節跟蹤給定的軌跡，以及對網絡結構、學習算法、控制系統軟硬件組成以及實驗結果等。

1. 網絡結構及學習算法

本系統采用一個3×20×1的三層前饋網絡來學習原有的控制器的輸入輸出關系。神 經元采用S 形函數，即y=1/(1+e') 。 學習結束后，用此前饋網絡當作控制器。作為網 絡學習樣板的控制器，是經實踐驗證成功的控制器。利用這個控制器產生的輸入輸出數據 對，供網絡進行學習，訓練好的網絡可以很好地逼近原控制器的輸入輸出映射關系。

學習采用BP 算法與趨化算法相結合的混合學習算法，即先用 BP 算法對網絡進行訓 練，然后再用趨化算法訓練。實踐證明這種混合學習算法能夠避免局部極小值且比單d用 兩者中任一算法具有較快的收斂速度。 BP 算法是Z常見的學習算法，在此不多述。趨化 算法由 Bremermann 和 Anderson 提出，尤其適合于處理動態網絡的訓練問題，這里所用 的趨化算法如下：

1)把權重W 設為[- 0 . 1,0 . 1]上的隨機初值，即W。;

2)把樣本輸入網絡并計算網絡輸出；

3)求目標函數J 的值，并令 B₁=J;

4)產生與權重W 維數相同、零均值的[- 1,+1]上正態分布的隨機向量W′;

5 ) 令W=W 。+a ×W′,a<1, 是一實系數；

6)求目標函數J 的值，令 B₂=J;

7 ) 如 果E₂由此算法學習得到的權重矩陣是W, 目標函數定義為： 是第i 個樣本的學習誤差， N 是樣本的數量。

2. 基于神經網絡的控制器設計

(1)控制系統硬件

本系統以北京航空航天大學機器人研究所的三指靈巧手作為實驗床，其控制器采用分 J結構，上層主機是PC—386, 負責進行人機信息交換、任務規劃和路徑規劃。下層是伺 服控制器，即對應每個電機有一個基于PC 總線的8031單片機的位置伺服控制器。圖5-31 為控制器的硬件簡圖。圖中的手指關節部位安裝有電位計，用作角度傳感器，其輸出信號 作為伺服控制器的反饋信號。

(2)控制系統軟件設計

控制軟件分為兩部分，上位機軟件用C 語言編寫，伺服控制器的軟件用MCS-51 單片機匯編語言編寫。圖5-32是控制器的結構圖。上位機軟件負責根據誤差信號，計算網 絡輸出并產生相應的控制信號。伺服控制器從主機得到控制指令，進行適當的處理后，產生相應的PWM 電機控制信號控制電機轉動。對神經網絡的計算全由上位機完成，這是因 為神經網絡的計算包括大量的非線性函數.用匯編語言實現十分困難且速度很慢。圖5-33 是主機軟件流程圖，其中定時器的作用是保證40ms 進行一次插值，利用上位機的 CMOS 定時來實現，可以準確到微秒J。

(3)復合控制方法

通過實驗發現，單純用神經網絡控制器進行控制，系統 的響應在跟蹤階段可以很好地跟蹤給定的軌跡，但穩態效果 不好，存在較大的穩態誤差。這是因為神經網絡能夠學習原 來的控制器的輸入輸出映射關系，但并不能完全復現這種關 系，總有一定的誤差，而且誤差小到一定的范圍后，再想進 一步減小就變得十分困難。由于時間限制，網絡學習只能得 到一個近似的Z優解，而不可能得到真正的Z優解。為了使 系統具有良好的穩態響應，采用一個PID 控制器在穩態時對 系統進行控制，利用其積分作用來消除穩態誤差，實驗結果 表明這種復合控制器能保證系統具有良好的穩態響應。