基于模糊CMAC神经网络的并联机器人自适应力控制研究

本文介绍了一种基于Takagi型模糊推理方法的模糊C MAC神经网络,分析了其学习算法,设计出基于这种模糊神经网络的并联机器人自适应力控 制器,并进行了仿真和实验研究,证明所设计的控制器是可行和有效的．     

小波神经网络自抗扰控制器在水下机器人深度控制中的应用

本文主要实现对水下机器人的深度控制。针对BP神经网络的缺点,根据小波神经网络的优越性,设计小波神经网络自抗扰控制器。利用Matlab simulink对控制器进行仿真测试,表明该控制器控制效果良好,具有较高的鲁棒性。     

基于BP神经网络的腱驱动灵巧手的自适应阻抗控制

考虑到机器人手指与物体接触以及外部扰动的情况,提出一个基于BP神经网络的自适应阻抗控制器。这种修正策略通过BP神经网络和阻抗控制结合完成,保证了系统的稳定性,并且提高系统对灵巧手指与外界工作环境接触时,接触力的自适应能力。实验结果表明,在存在外部扰动的情况下,所设计的基于BP神经网络的自适应阻抗控制器具有较好的控制效果。     

模糊神经网络在机器人控制中的应用

本文首先阐明模糊理论和神经网络技术的结合形式,主要体现在四个方面;以及二者与人工智能技术之间的关系,在知识处理过程中,这两种技术往往可以相互代替,取长补短;机器人在从事装配、空间对接、医疗手术等与环境有接触的作业时,需要对机器人进行力控制,以达到最佳的作业效果,文章中介绍了模糊神经网络在机器人控制中的应用——并联机器人自适应力控制器。最后,针对医用骨科机器人,谈一谈模糊神经网络技术在研究中应用的可能性。     

基于T-S模糊模型的复杂系统的灵敏度分析

为模拟空间对接强制校正阶段的推出和拉近过程,提出基于六自由度并联机器人位置内环的柔顺力控制策略.综合考虑参数变化、模型变动和外来干扰等不确定性,利用μ综合控制理论设计鲁棒力控制器,并通过μ分析比较鲁棒力控制器和经典力控制器的鲁棒稳定性和鲁棒性能.鲁棒力控制器和经典力控制器的实验结果,表明了所设计鲁棒力控制器的有效性和优越性.     

并联机器人力控制算法实时并行处理

对并联机器人力控制算法基于并行结构的计算进行了研究，设计了并行处理双机系统结构。采用文中的处理方法大大提高了并联机器人力控制算法的处理速度，保证了实时力控制，进而改善并联机器人的控制质量与性能。     

改进型BP神经网络MRAS控制系统

在常规BP神经网络模型参考自适应控制器基础上采用改进型BP神经网络作为辨识器和控制器,组成新的模型参考神经网络自适应控制系统,利用改进型BP神经网络的优点弥补传统自适应方法的不足,使系统具有更强的鲁棒性,收敛更快,逼近精度更高的优点。仿真结果表明,该系统比传统BP神经网络模型参考自适应系统具有更好的稳定性和更快的响应速度。     

6-PRRS并联机器人的小脑模型神经网络控制

设计了小脑神经网络控制器.采用分散控制策略利用小脑神经网络来消除并联机器人控制系统非线性、耦合的影响及学习系统的不确定信息,作为前馈补偿使系统跟踪误差快速收敛;并采用PID作为反馈控制,保证系统的稳定性,从而实现6-PRRS并联机器人的快速、稳定轨迹跟踪.     

基于神经网络的水下机器人力控策略研究

水下机器人抓取物体时,物体与指尖存在力控制问题,但是由于动力学模型、被抓取物体位置和刚度的不确定性,采用传统阻抗控制方法不具有鲁棒性,因此对基于位置的神经网络阻抗控制方法进行了研究,构建了基于位置的神经网络阻抗控制器,采用三层前向反馈神经网络构建补偿器结构,基于BP算法和Delta学习规则,得到了反向传播的更新规则;该神经网络控制系统具有很强的自适应性,可以很好地完成机器手抓取物体的任务;在水下机器人单手指上分别对软性材料(泡沫)和硬性材料(木块)施加5N恒定力进行反复的实验,结果表明,该方法具有较好的补偿和控制效果,为水下机器人的准确抓握和合理操作奠定基础。     

BP神经网络PID控制器在工业控制系统中的研究与仿真

针对实际被控对象的时变性和非线性的特点,本文将基于BP神经网络PID的控制器应用于工业控制系统中,同时设计了三层BP神经网络并对BP神经网络PID控制器的算法进行了分析。仿真结果的分析表明：本文所设计的BP神经网络PID控制器在跟随性能、抗扰性能和鲁棒性能方面表现出了良好的控制效果。     

Neural Network Force Control for Industrial Robots

In this paper, we present a hierarchical force control framework consisting of a high level control system based on neural network and the existing motion control system of a manipulator in the low level. Inputs of the neural network are the contact force error and estimated stiffness of the contacted environment. The output of the neural network is the position command for the position controller of industrial robots. A MITSUBISHI MELFA RV-M1 industrial robot equipped with a BL Force/Torque sensor is utilized for implementing the hierarchical neural network force control system. Successful experiments for various contact motions are carried out. Additionally, the proposed neural network force controller together with the master/slave control method are used in dual-industrial robot systems. Successful experiments are carried out for the dual-robot system handling an object.     

Fuzzy-neuro position/force control for robotic manipulators with uncertainties

The performance of a controller for robot force tracking is affected by the uncertainties in both the robot dynamic model and the environmental stiffness. This paper aims to improve the controller’s robustness by applying the neural network to compensate for the uncertainties of the robot model at the input trajectory level rather than at the joint torque level. A self-adaptive fuzzy controller is introduced for robotic manipulator position/force control. Simulation results based on a two-degrees of freedom robot show that highly robust position/force tracking can be achieved, despite the existence of large uncertainties in the robot model.     

基于神经网络的机械臂的力控制方法

本文提出一种基于神经网络的力控制方法，由两个串联的神经网络构成机械臂的力控制器，其中一个网络用来学习机械臂本身的逆动力学系统，而另一网络用来学习未知的被接触环境的动力学特征，这种方法避免了困难的接触环境建模问题。一个 双连杆机械臂的力控制的仿真实验描述了种种方法的有效性。     

Design and performance of an intelligent predictive controller for a six-degree-of-freedom robot using the Elman network

The aim of this paper was to propose a recurrent neural network-based predictive controller for robotic manipulators. A neural network controller for a six-joint Stanford robotic manipulator was designed using the generalized predictive control (GPC) and the Elman network. The GPC algorithm, which is a class of digital control method, requires long computational time. This is a disadvantage in real-time robot control; therefore, the Elman network controller was designed to reduce processing time by avoiding the highly mathematical and computational complexity of the GPC. The main reason for choosing the Elman network, amongst several neural network algorithms, was that the presence of feedback loops have a profound impact on the learning capability of the network. The designed neural network controller was able to recover quickly because of its significant generalization capability, which allowed it to adapt very rapidly to changes in inputs. The performance of the controller was also shown graphically using simulation software, including the dynamics and kinematics of the robot model.     

基于神经网络的不确定移动机器人鲁棒自适应跟踪控制

针对含运动学未知参数以及动力学模型不确定的非完整轮式移动机器人轨迹跟踪问题,基于Radical Basis Function(径向基函数)神经网络,提出了一种鲁棒自适应控制器.首先,考虑移动机器人运动学参数未知的情况,提出了一种含自适应参数的运动学控制器,用以补偿参数不确定性导致的系统误差;其次,利用神经网络控制技术,对于机器人在移动中动力学模型不确定问题,提出了一种具有鲁棒性的动力学控制器,使得移动机器人可以在不知道具体动力学模型的情况下跟踪到目标轨迹;最后利用Lyapunov稳定性理论证明了整个系统的稳定性.通过数值仿真验证了所设计的控制器的可行性.     

基于RBF神经网络的多关节机器人固定时间滑模控制

针对具有典型非线性特性的多关节机器人轨迹跟踪控制问题,提出一种基于径向基函数(RBF)神经网络的固定时间滑模控制方法.首先,基于凯恩方法建立包括系统模型不确定性以及外部干扰在内的多关节机器人动力学模型;然后,根据机器人动力学模型设计一种固定时间收敛的滑模控制器,RBF神经网络用来逼近系统模型中的不确定性项,并利用Lyapunov理论证明该系统跟踪误差能在固定时间内收敛;最后,对特定型号的多关节机器人虚拟样机进行仿真分析,结果表明:与基于RBF神经网络的有限时间滑模控制器相比,所提出控制器具有良好的跟踪性能且能保证系统状态在固定时间内收敛.     

基于观测器的机械手神经网络自适应控制

提出了一种基于观测器的机械手神经网络自适应轨迹跟随控制器设计方法,这里机 械手的动力学非线性假设是未知的,并且假设机械手仅有关节角位置测量.文中采用一个线 性观测器重构机械手的关节角速度,用神经网络逼近修正的机械手动力学非线性,改进系统 的跟随性能.基于观测器的神经网络自适应控制器能够保证机械手角跟随误差和观测误差的 一致终结有界性以及神经网络权值的有界性,最后给出了机械手神经网络自适应控制器-观 测器设计的主要理论结果,并通过数字仿真验证了所提方法的性能.     

A robust adaptive control of a parallel robot

The work presented in this article deals with the robust adaptive control tracking of a 6 degree of freedom parallel robot, called C5 parallel robot. The proposed approach is based on the coupling of sliding modes and multi-layers perceptron neural networks (MLP-NNs). It does not require the inverse dynamic model for deriving the control law. The MLP-NN is added in the control scheme to estimate the gravitational and frictional forces along with the non-modelled dynamic effects. The nonlinearity problem, present in neural networks, is resolved using Taylor series expansion. The proposed approach allows to adjust the parameters of neural network and sliding mode control terms by taking into account a reference model and the closed-loop stability in the Lyapunov sense. We implemented our approach on the C5 parallel robot of LISSI laboratory and performed experiments to observe its effectiveness and the robust behaviour of the controller against external disturbances.     

Neural network controllers for robot manipulators application of damping neurons

^_This paper presents an effective adaptive neural network feedback controller for force control of robot manipulators in an unknown environment by applying damping neurons which possess elastic-viscous properties. The unexpected overshooting and oscillation caused by the unknown and/or unmodeled dynamics of a robot manipulator and an environment can be decreased efficiently by the effect of the proposed damping neurons. Furthermore, a fuzzy controlled evaluation function is applied for the learning of the proposed neural network controller, so that the controller is able to adapt to the unknown environment more effectively. The effectiveness of the proposed neural network controller is evaluated by experiment with a 3 d.o.f. direct-drive planar robot manipulator.