智能机器人技术是衡量国家科技水平和高端制造工艺的重要指标,其研究与产业发展已上升为国家战略。机械臂作为机器人进行任务操作的关键组件,已经成为应用最为广泛的机器人结构之一,其逆运动学求解也成为了科研人员们的热点研究方向。逆运动学存在求解过程复杂、精度不高等问题,随着人工智能技术的不断发展,神经网络凭借其自身的优点,成为科研人员们解决机械臂的逆运动学问题的重要工具。然而现有用以解决机械臂逆运动学问题的神经网络方案存在以下缺陷:1.忽略了机械臂数据本身的特性,比如各关节的串联特性等;2.网络结构不贴合实际场景,大多套用已有的网络结构。针对以上情况,本文提出了一种自适应属性权重的链式神经网络用于解决机械臂的逆运动学问题,该网络主要包括两大核心特性:1.自适应属性权重特性。针对机械臂关节空间变化复杂,各输入属性的重要性体现也相应不断变化的特点,通过在网络训练过程中不断学习属性权重的变化,神经网络时刻聚焦于更重要的属性,从而降低预测误差;2.链式结构特性。针对机械臂各关节的串联特性,将前序关节变量的预测信息用于后继关节变量的预测当中,从而利用到各相邻关节之间的相关性,加快网络收敛速度。本文所提出的神经网络针对机械臂数据特性而设计,更贴合实际场景,可解释性更强,最终的实验结果也表明该网络精度更高,收敛速度更快,将机械臂末端的真实位置与预测位置之间的平均欧式距离(Mean Euclidean Distance,MED)降到了1cm左右,有效解决了机械臂的逆运动学求解问题。