机械臂关节空间轨迹的神经网络滑模跟踪控制

为了提高机械臂对给定轨迹的跟踪精度且削弱滑模控制抖振问题,提出了基于RBF神经网络滑模控制的轨迹跟踪方法。建立了多连杆机械臂系统的运动学和动力学模型。首先忽略由建模误差和系统扰动产生的系统不确定项,建立了全局PID滑模控制器,设计了由等效控制律和切换控制律组成的全局滑模控制律;而后使用单隐含层RBF神经网络逼近系统不确定项,使用神经网络对不确定项的逼近值补偿建模误差和系统扰动,达到提高控制精度的目的。经仿真验证,在机械臂初始位置误差较大的情况下,神经网络滑模控制器的调节时间、超调量、驱动力矩抖振远小于全局PID滑模控制器,证明了神经网络滑模控制器在机械臂轨迹跟踪控制中的有效性。     

不确定关节机器人模型的神经网络补偿自适应控制

为了达到关节机器人轨迹跟踪控制的目的,针对由于机器人结构参数、作业环境干扰及结构共振模式等不确定性因素造成的机器人不确定性动力学模型,将该模型分解为名义模型和建模误差两部分,其中的建模误差采用RBF神经网络进行补偿和估计,得到其估计信息。RBF神经网络的权值通过Lyapunov稳定性分析和自适应算法进行调节。机器人的神经网络补偿自适应控制解决了机器人这类不确定模型的轨迹跟踪控制问题。对3关节机器人实验验证结果表明,3关节均在约4 s时跟踪期望轨迹,并且跟踪误差渐近趋近于0,并且RBF神经网络能很好地逼近由不确定性因素引起的建模部分。     

柔性和摩擦力不确定条件下RBF神经网络自适应轨迹跟踪方法

提出一种基于径向基神经网络(Radial basis function, RBF)的力/位置混合自适应控制方法并用于机器人轨迹跟踪控制,解决机器人柔性末端执行器轨迹跟踪过程中柔性和摩擦力模型难以精确描述的问题。RBF神经网络是一种高效的前馈式神经网络,具有其他前向网络所不具有的非线性逼近性能和全局最优特性,并且网络结构简单,训练速度快。设计一种基于RBF神经网络非线性逼近能力来估计模型中的不确定参数的自适应控制器,给出控制器中神经网络权值更新规则,并证明所设计控制器输出力和位置误差的最终一致有界性。将该控制器应用于风管清扫机器人仿真试验,结果表明该自适应控制器能很好地用于柔性和摩擦力不确定条件下轨迹跟踪控制,与传统自适应控制方法相比具有更精确的跟踪特性和更强的鲁棒性。     

机械臂反演非奇异终端的神经滑模控制

为了解决具有外部干扰以及建模误差的多关节机械臂的轨迹跟踪问题,提出了一种机械臂反演非奇异终端的神经滑模控制方法。采用非奇异终端的滑模面,基于反演方法以及滑模控制的原理,设计了反演滑模控制器。针对由于外部干扰以及建模误差引起的反演滑模控制系统中不确定的因素上界,设计了径向基(radial basis function,简称RBF)神经网络的自适应律,对不确定因素上界进行了在线估计,并对控制系统的稳定性使用了Lyapunov定理进行证明。仿真分析结果表明,所提出的方法不仅可以减少系统中存在的抖振现象,而且具有较好的轨迹跟踪性能和较强的鲁棒性。     

采用RBF神经网络滑模控制的冗余机械臂避障研究

机械臂在有障碍物运动的环境中工作,其运动轨迹跟踪容易受到干扰,导致跟踪误差较大。对此,建立了机械臂动力学模型,推导了机械臂关节运动速度和加速度方程式,添加了机械臂运动约束关系式。引用滑模控制器,采用RBF神经网络算法对滑模控制器输出误差进行逼近,将RBF神经网络滑模控制器用于控制冗余机械臂运动轨迹,并与滑模控制器的跟踪效果进行对比分析。结果显示:在有障碍物运动的环境中,采用滑模控制器,机械臂容易受到障碍物移动的干扰,其跟踪误差较大;采用RBF神经网络滑模控制器,机械臂能够避免障碍物移动的干扰,其跟踪误差较小。采用RBF神经网络滑模控制器,不仅可以使机械臂成功躲避障碍物,而且提高控制系统的输出精度和运动的稳定性。     

挖掘机器人伺服系统神经网络滑模控制

挖掘机器人伺服系统存在高度非线性、参数不确定和未建模动态等诸多不利因素,提出了一种结合径向基函数(RBF)神经网络的非线性滑模控制器,以提高控制精度和鲁棒性。首先,建立了单联伺服系统的数学模型;其次,采用RBF神经网络对系统的不利因素进行逼近,提出积分滑模面进一步减小稳态误差,同时减少对伺服系统参数的依赖,在此基础上,设计了基于RBF神经网络的滑模控制器(SMC-RBF),利用Lyapunov理论证明了系统的渐近稳定性;最后,通过不同的参考信号和整平实验验证了控制器的优越性。仿真结果表明,SMC-RBF控制器响应快,跟踪精度高且鲁棒性强,与PID控制器相比正弦轨迹跟踪精度提高了46%。整平实验结果表明,铲斗末端轨迹跟踪精度提高了52%。     

柔性关节机械臂的非线性控制策略研究

针对外部干扰情况下的柔性关节机械臂非线性动力学模型,提出一种基于反演设计思想的递阶控制策略。把电机的输出角度向量作为关节子系统的控制变量,设计虚拟电机角度向量实现关节轨迹跟踪,同时在反演正定函数中综合积分项消除轨迹跟踪误差。计算实际的关节电机输出力矩,使电机输出角度跟踪虚拟控制量,通过设计自适应滑模变结构控制器消除系统不确定因素的影响。基于李雅普络夫稳定性理论证明系统的稳定性和轨迹跟踪误差的收敛性。     

多关节机器人反馈线性化双模糊滑模控制

为了提高多关节机器人轨迹跟踪控制性能,提出了一种反馈线性化双模糊滑模控制方法。该方法在对机器人非线性动力学模型反馈线性化的基础上,设计了一种双模糊滑模控制器。通过设计一个模糊控制器,根据跟踪误差和误差变化率自适应地调整滑模面的斜率,从而加快响应速度。通过设计另一个模糊控制器,根据滑模面自适应地调整滑模控制的切换控制部分,从而减弱抖振。利用李亚普诺夫定理证明了控制系统的稳定性。针对空间三关节机器人进行了仿真实验,结果表明了所提方法的有效性。     

柔性关节机械臂的非线性控制策略研究

针对外部干扰情况下的柔性关节机械臂非线性动力学模型,提出一种基于反演设计思想的递阶控制策略。把电机的输出角度向量作为关节子系统的控制变量,设计虚拟电机角度向量实现关节轨迹跟踪,同时在反演正定函数中综合积分项消除轨迹跟踪误差。计算实际的关节电机输出力矩,使电机输出角度跟踪虚拟控制量,通过设计自适应滑模变结构控制器消除系统不确定因素的影响。基于李雅普络夫稳定性理论证明系统的稳定性和轨迹跟踪误差的收敛性。     

基于模糊神经网络的不确定机器人实时轨迹跟踪控制的研究

针对机器人建模的不精确性以及扰动的存在给机器人控制增加难度的问题,提出了一种基于模糊神经网络的不确定机器人实时轨迹跟踪控制方法。该控制方法的控制器由模糊神经网络(FNN)控制器和CMAC控制器组成,FNN控制器代替传统的计算力矩法,CMAC控制器在线补偿控制误差,有效补偿机器人存在的各种不确定性。对二自由度机器人的仿真结果表明了所提出的控制方法的可行性。     

基于反演设计的机械臂非奇异终端神经滑模控制

针对具有建模误差和不确定干扰的多关节机械臂的轨迹跟踪问题,设计反演非奇异终端神经滑模控制。该方案是采用能有限时间收敛的非奇异终端滑模面,根据滑模控制原理和反演方法设计反演滑模控制器;对于反演滑模控制系统中由于建模误差和不确定干扰造成的不确定因素的上界,设计径向基(Radial basis function, RBF)神经网络自适应律,在线估计不确定因素的上界;利用李亚普诺夫定理证明了系统的稳定性。仿真结果表明,该方法具有良好的轨迹跟踪性能,提高对于建模误差和不确定干扰等因素的鲁棒性,削弱了抖动。     

RBF神经网络补偿的并联机器人控制研究

为了实现对三自由度Delta并联机器人更精确的轨迹跟踪控制,对并联机构的动力学建模不确定性进行研究,提出了计算力矩控制基础上的RBF神经网络在线补偿控制策略。利用Lyapunov理论推导了神经网络在线权值自适应律,保证了系统稳定性。运用RBF神经网络在线自学习系统的不确定性,提高了控制效率同时增加算法的自适应性。在Simmechanics中建立系统物理模型并在Simulink中设计控制器,之后进行Simulimk/Simmechanics联合仿真,结果表明算法优于计算力矩控制,可以有效减小跟踪误差的收敛半径,实现对目标轨迹的准确跟踪。     

坐卧式下肢康复机器人的被动训练控制

考虑到下肢康复机器人很难获得精确、完整的数学模型,而且在建立模型时需要进行合理的近似处理,因此忽略了外部干扰、参数误差、未建模的动态和摩擦等不确定因素,这些原因导致控制性能不佳。基于此提出了一种基于计算力矩法的神经网络鲁棒控制器,通过计算力矩法对标称模型进行控制,RBF神经网络控制器对系统中未知的不确定项进行补偿,而自适应鲁棒控制器则用来补偿神经网络的逼近误差及外部的干扰,从而提高了系统的动态性能和控制精度,并对算法的稳定性进行了证明。通过实验验证,证明了控制算法的有效性,在被动训练时具有较好的轨迹跟踪性能。     

机器人焊缝跟踪神经网络控制的研究

研究神经网络技术在弧焊机器人焊缝跟踪过程中的应用,通过神经网络在笛卡尔空间轨迹的补偿作用,确定出基于笛卡尔空间参考轨迹控制的机器人焊缝跟踪神经网络控制器。与传统的关节计算力矩法相比,所设计的神经网络控制器具有良好的控制特性及较强的鲁棒性,焊缝跟踪精度得到了显著的提高。     

基于自适应滑模控制的四轮全向移动机器人轨迹跟踪方法研究

针对四轮全向移动机器人动力学模型参数的不确定性以及外部扰动的影响,为提高其轨迹跟踪控制性能,提出了一种基于自适应滑模的四轮全向移动机器人轨迹跟踪控制方法。首先,基于驱动电机参数建立了机器人的动力学模型,在此基础上设计了一种自适应滑模轨迹跟踪控制器;其次,通过低通滤波器滤除轨迹跟踪控制器输出端的高频信号,同时为实现机器人动力学参数的在线估计,提出了一种参数自适应控制算法并利用RBF神经网络实时调整轨迹跟踪控制器的切换增益,以减小系统的抖振;最后,为验证所述方法的有效性,采用MATLAB进行了仿真实验。仿真结果表明,基于自适应滑模控制的四轮全向移动机器人轨迹跟踪方法可以较好地降低参数变化、外部扰动对系统的影响,能够减小系统的抖振,具有较好的抗干扰能力。     

基于动静态安全场的机器人避障路径控制仿真研究

针对机器人避障过程中运动路径较长和轨迹跟踪误差较大问题,设计了改进滑模控制系统,并对机器人运动路径和跟踪误差进行仿真验证。分析了动静态安全场环境中的危险源,引用了离散滑模控制系统,采用卡尔曼滤波器对离散滑模控制系统进行改进,给出了机器人末端执行器运动路径控制流程。在不同环境条件下,采用Matlab软件对机器人避障路径跟踪误差进行仿真,并且与滑模控制系统进行比较分析。结果表明:机器人在静态安全场环境中,采用滑模控制器,机器人轨迹跟踪运动路径较长;而采用改进滑模控制器,避障过机器人轨迹跟踪运动路径较短。机器人在动静态安全场环境中,采用滑模控制器,避障运动路径较长,跟踪误差较大;而采用改进滑模控制器,避障运动路径较短,跟踪误差较小。采用改进滑模控制器,机器人自适应调节能力强,从而缩短了机器人运动路径,提高了轨迹跟踪精度。     

下肢康复机器人模糊增益自适应调整的滑模阻抗控制

为了实现下肢康复机器人在康复训练过程中主动模式下的控制,在分析了人机交互作用力与动力学模型的基础上,提出了一种模糊增益自适应调整的滑模阻抗控制。该控制方法,通过阻抗控制器修正期望的下肢运动轨迹,得到新的关节运动轨迹,将新的关节轨迹与实际的关节轨迹误差转化为滑模函数,通过模糊化,将自适应力矩作用于下肢康复机器人。该控制方法减轻了滑模控制中的抖振现象,使其达到期望的力矩控制效果,实现了主动模式下的的柔顺性。     

气动人工肌肉外骨骼机器人位置跟踪控制

针对以气动人工肌肉作为关节驱动器的外骨骼机器人关节位置跟踪控制问题进行了研究。首先,在动力学模型的基础上,设计了上层控制器,并结合自适应控制和滑模控制方法降低了动力学参数不准确和扰动项未知对外骨骼机器人的影响;其次,基于无模型方法设计了底层关节力矩控制器,调整外骨骼机器人的关节力矩;最后,针对上述控制方案设计仿真实验与外骨骼机器人的穿戴实验。结果表明,该控制方法对气动人工肌肉外骨骼机器人的关节位置跟踪控制是有效的。     

无速度反馈的双臂空间机器人模糊滑模控制

针对存在不确定性且无速度反馈的自由漂浮双臂空间机器人关节轨迹跟踪控制问题,提出了一种基于状态观测器的模糊滑模控制方法.根据双臂空间机器人完全驱动动力学方程以及运动学方程,建立自由漂浮状态下系统的关节空间动力学方程.利用模糊系统的万能逼近特性对系统不确定部分进行逼近,并设计状态观测器在线估计系统关节运动的角速度信息.以关节角度和观测器获得的关节角速度作为系统状态反馈,在传统滑模控制方法基础上,进一步考虑系统惯性参数未知导致的建模误差,设计模糊滑模控制器,实现了双臂空间机器人系统关节角度的轨迹跟踪控制.数值仿真验证了所提控制方法的有效性.     

RBF神经网络算法的非线性积分滑模控制机械臂运动轨迹误差研究

机械臂运动轨迹容易受到外界不确定因素的干扰,导致运动轨迹跟踪误差较大,振动现象较为严重,不能很好地满足机械臂的准确定位.建立了双关节机械臂模型简图,采用RBF(径向基函数)神经网络算法非线性积分滑模控制机械臂的运动轨迹.分析了RBF神经网络算法结构,推导了RBF神经网络算法非线性积分滑模控制方程式和在线补偿法则,引用李雅普诺夫函数证明机械臂控制系统的稳定性.采用Matlab软件对双关节机械臂运动轨迹跟踪误差进行仿真,并与PID控制系统的跟踪误差进行对比和分析.仿真误差曲线显示,机械臂运动轨迹在受到外界干扰因素的影响时,采用RBF神经网络算法非线性积分滑模控制方法,不仅跟踪误差较小,而且输入转矩波动幅度较小.机械臂末端采用RBF神经网络算法非线性积分滑模控制方法,提高了机械臂的定位精度,降低了抖动幅度.