基于边界层的不确定机器人自适应迭代学习控制

针对不确定的多连杆机械手的跟踪控制问题,提出一种基于边界层的自适应迭代学习控制方法.自适应控制用来估计系统的未知参数的上界,本文主要特征是基于边界层设计自适应迭代学习控制器,避免了传统方法设计控制器的不连续性,削弱抖振现象的同时也提高系统的鲁棒性.理论证明系统所有信号有界,系统误差渐进收敛到边界层邻域内.仿真表明了算法的有效性.     

不确定机器人的自适应神经网络控制与学习

针对具有未知动态的电驱动机器人,研究其自适应神经网络控制与学习问题.首先,设计了稳定的自适应神经网络控制器,径向基函数(RBF)神经网络被用来逼近电驱动机器人的未知闭环系统动态,并根据李雅普诺夫稳定性理论推导了神经网络权值更新律.在对回归轨迹实现跟踪控制的过程中,闭环系统内部信号的部分持续激励(PE)条件得到满足.随着PE条件的满足,设计的自适应神经网络控制器被证明在稳定的跟踪控制过程中实现了电驱动机器人未知闭环系统动态的准确逼近.接着,使用学过的知识设计了新颖的学习控制器,实现了闭环系统稳定、改进了控制性能.最后,通过数字仿真验证了所提控制方法的正确性和有效性.     

基于神经网络的不确定机器人自适应滑模控制

提出一种机器人轨迹跟踪的自适应神经滑模控制。该控制方案将神经网络的非线性映射能力与变结构控制理论相结合,利用RBF网络自适应学习系统不确定性的未知上界,神经网络的输出用于自适应修正控制律的切换增益。这种新型控制器能保证机械手位置和速度跟踪误差渐近收敛于零。仿真结果表明了该方案的有效性。     

基于内模的机器人迭代学习控制

本文根据内模控制的概念，设计一个扰动控制器，使机器人系统表现为固定参数的解耦线性化系统．基于此线性系统，提出了一种迭代学习控制律，给出了算法收敛的充分条件．算法的参数选择非常简单，从而易于满足收敛条件．仿真结果表明了算法的有效性．     

不确定机器人的神经网络轨迹控制

针对不确定机器人的轨迹跟踪问题,提出了一种基于自适应神经网络的控制方案.对于系统中的各种未知非线性,通过RBF神经网络和变结构光滑集成的控制器来自适应学习并且补偿,这种控制器克服了局部泛化网络的不足,提高了控制精度及其收敛速度.而且在考虑神经网络失效的情况下,仍能保证系统具有良好的鲁棒性.网络权重的自适应修正规则基于Lyapunov函数方法得到,它保证了跟踪误差的全局渐进稳定性.试验结果证明了这种控制算法的有效性.     

任意初态下的工业机器人迭代学习控制

对迭代初值为任意值的工业机器人轨迹跟踪控制系统,提出了一种基于滑模面的非线性迭代学习控制算法,使机器人轨迹能快速、精确跟踪上期望轨迹.基于有限时间收敛原理,构建了关于机器人轨迹跟踪误差的迭代滑模面,在滑模面内,机器人轨迹跟踪误差在预定时间内收敛到零.设计了基于滑模面的迭代学习控制算法,理论证明了随着迭代次数的增加,处于...     

迭代学习控制的指数变增益加速学习算法及其在机器人控制上的应用

迭代学习控制作为智能控制的一个分支，近年来得到了很大的发展，在各个领域都有广泛的运用。为提高迭代学习速度，本文给出了指数变增益加速算法。机器人系统的仿真结果表明，该方法能大大提高学习速度，具有良好的控制性能。     

机器人模糊迭代学习控制及其仿真研究

在机器人的轨迹跟踪的迭代学习控制中，迭代学习的学习律难以选择，本文结合自校正控制、模糊逻辑和迭代学习控制的基本思想，提出采用自适应模糊控制确定学习效率的方法，并采用Matlab软件的Simulink对该方法应用于机器人高精度的轨迹跟踪控制的情况进行了仿真研究，结果表明该方法具有学习控制律简单实用、跟踪精度高、学习速度快、鲁棒性强等优点。     

迭代学习控制的回顾与展望

本文综述了迭代学习控制和神经网络学习研究的概况，并对其存在的问题和发展趋势作了讨论。     

迭代学习神经网络控制在机器人示教学习中的应用

示教学习是机器人运动技能获取的一种高效手段.当采用摄像机作为示教轨迹记录部件时,示教学习涉及如何通过反复尝试获得未知机器人摄像机模型问题.本文力图针对非线性系统重复作业中的可重复不确定性学习,提出一个迭代学习神经网络控制方案,该控制器将保证系统最大跟踪误差维持在神经网络有效近似域内.为此提出了一个适合于重复作业应用的分布式神经网络结构.该神经网络由沿期望轨线分布的一系列局部神经网络构成,每一局部神经网络对对应期望轨迹点邻域进行近似并通过重复作业完成网络训练.由于所设计的局部神经网络相互独立,因此一个全程轨迹可以通过分段训练完成,由起始段到结束段,逐段实现期望轨迹的准确跟踪.该方法在具有未知机器人摄像机模型的轨迹示教模仿中得到验证,显示了它是一种高效的训练方法,同时具有一致的误差限界能力.     

基于迭代学习控制算法的网络机器人控制系统

针对网络机器人控制系统中存在的干扰等不确定性因素,首先对网络机器人控制系统和迭代学习控制理论进行研究。在此基础上,利用迭代学习控制不依赖于动态系统的精确数学模型等优点,将其运用到网络机器人控制系统中,在同时考虑其存在干扰的情况下,给出了系统模型及详细的算法设计过程。通过Matlab平台进行仿真,表明了该算法的有效性。     

基于迭代学习控制的鳗鱼机器人切向速度跟踪控制

鳗鱼机器人的动力学模型非线性强、高度欠驱动,导致多关节鳗鱼机器人的切向速度跟踪控制极具挑战．本文采用P型迭代学习控制与步态生成器相结合的方法对多关节鳗鱼机器人的切向速度进行跟踪控制．首先,采用解析牛顿-欧拉法建立非惯性系下的鳗鱼机器人动力学模型,直接获得切向速度子动力学模型;然后,利用带饱和函数的P型迭代学习控制器控制步态参数,并且利用复合能量函数和切向速度子动力学模型分析该控制器的收敛性,得到切向速度跟踪误差的收敛条件;最后,提出鳗鱼机器人的运动控制框架,并对多模块的鳗鱼机器人进行仿真和实验．实验结果表明,实际的切向速度随着迭代次数的增加而逐渐跟踪上了期望的切向速度,故而验证了鳗鱼机器人切向速度跟踪控制器的有效性．     

基于反向迭代学习控制的工业机器人应用研究

针对一类具有对称期望轨迹跟踪的工业机器人系统,提出一种新的迭代学习控制方法,即反向型迭代学习控制方法。通过利用这类轨迹固有的特征,将其以中心点为界分解为前后两个独立的轨迹,利用两段轨迹的镜像对称特征,不断交替优化调整下次迭代周期的控制量,使得跟踪当前轨迹的工业机器人系统每次迭代时不必再从轨迹的初始点学习,从而有效加快了系统的学习速度。对具有镜像对称特征的期望轨迹进行交替利用控制信息,实现了工业机器人对期望轨迹的快速跟踪、减小系统的跟踪误差,从而达到了机器人跟踪效率的较大提升。收敛性分析和机器人的仿真实例验证了所提控制方法的有效性。     

基于模糊网络的非线性不确定系统的迭代学习控制

针对非线性不确定系统，为保证受控制系统的响应特性，应用模糊网络理论构建了非线性系统的模糊模型；基于模糊模型给出了模糊迭代学习控制算法．实例分析和仿真验证表明，所给算法能跟踪系统参数变化，并且能自动调整控制增益，对于系统的扰动影响具有鲁棒性，是一种行之有效的控制方案．     

基于神经网络的机器人二阶滑模控制

本文提出了一种基于神经网络与二阶滑模控制融合的控制策略用于非线性机器人控制,设计了一种新颖简易的二阶滑模控制方法,有效地避免了常规变结构控制的抖震问题,并采用神经网络辨识未知的机器人的非线性模型,通过Lyapunov直接法设计网络的权值更新率,确保了系统闭环全局渐近稳定性。最后,通过仿真验证了算法的有效性。     

基于确定学习的机器人任务空间自适应神经网络控制

针对产生回归轨迹的连续非线性动态系统, 确定学习可实现未知闭环系统动态的局部准确逼近. 基于确定学习理论, 本文使用径向基函数(Radial basis function, RBF)神经网络为机器人任务空间跟踪控制设计了一种新的自适应神经网络控制算法, 不仅实现了闭环系统所有信号的最终一致有界, 而且在稳定的控制过程中, 沿着回归跟踪轨迹实现了部分神经网络权值收敛到最优值以及未知闭环系统动态的局部准确逼近. 学过的知识以时不变且空间分布的方式表达、以常值神经网络权值的方式存储, 可以用来改进系统的控制性能, 也可以应用到后续相同或相似的控制任务中, 节约时间和能量. 最后, 用仿真说明了所设计控制算法的正确性和有效性.     

不确定性多变量系统的变结构最终滑动模态控制方案

为了改善多变量变结构控制系统的瞬态性能，本文提出了一个变结构最终滑动模态控制方案。文中方案克服了由于多变量变结构控制中存在多个滑动模态，而带一的因采递阶控制方案导致控制结构复杂程序增加的缺点，有效地改善了系统进入最终滑动的动态品质，并对于参数摄动具有较强的鲁棒性。