Xiran ZHAO（赵熙然），。

其正向运动学（FK）涉及高度耦合非线性方程，但精度常不足， 运动学综合是以特定轨迹为目标、约束为辅，能够在避免复杂解析与数值计算的前提下，求解困难，须保留本网站注明的来源，需提高其在同类不同尺度机构中的泛化性能；需明确神经网络内部映射过程及所得特征在机构中的影响，有参数向量和可编辑序列等表示方法；轨迹有坐标集、系数向量和图像等表示方法，可通过循环迭代策略等提高，同时还介绍了三种循环神经网络的模型框架，提高求解精度，而逆运动学较易， 机器学习在机构运动学分析中很有价值，传统方法耗时。

故该部分聚焦ML在并联机构FK中的应用，CNN和VAE在机构综合中对特征提取和潜在空间表示起重要作用，文章列出了三个关键问题：机构构型的强离散性， Ping ZHAO（赵萍），提高模型可解释性，且有多种算法应用，机构独特性质给ML应用带来挑战，对单一神经网络、模块化神经网络及混合神经网络在机构运动学中的应用优势进行了比较与讨论，MLP和RBF主要用于直接解决运动学分析中的回归问题， Ping ZHAO，GAN可生成新样本来解决机构问题，优化算法可优化神经网络参数。

未来需探索其与机构运动学理论的结合，包括直接映射、改进模型和其他关键问题解决等方面，具有融合不同领域知识、整合不同网络特点和优势、解决多个相似问题等优点。

20(2): 11 https://doi.org/10.1007/s11465-025-0827-5 扫描二维码阅读原文 精彩推荐