基于函数滑模控制器的机械手轨迹跟踪控制

提出一种基于函数滑模控制器(FSMC)的控制策略,用于不确定机械手的轨迹跟踪控制。首先,由动力学模型和滑模函数得到系统的不确定项;然后,利用RBF神经网络逼近系统不确定项,由于神经网络逼近存在误差,而且在初始阶段误差较大,设计函数滑模控制器和鲁棒补偿项对神经网络逼近误差进行补偿,以克服普通滑模控制器容易引起的抖振问题,同时提高系统的跟踪控制性能。基于李亚普诺夫理论证明了闭环系统的全局稳定性,仿真实验也验证了方法的有效性。     

控制增益符号未知的不确定非线性系统鲁棒自适应控制

针对一类控制增益函数及符号均未知的不确定非线性系统,基于反推滑模设计方法,提出一种鲁棒自适应神经网络控制方案.结合Nussbaum增益设计技术和神经网络逼近能力,取消了控制增益函数及符号已知的条件,应用积分型Lyapunov函数避免了控制器奇异性问题,并通过引入神经网络逼近误差和不确定干扰上界的自适应补偿项消除了建模误差和不确定干扰的影响.理论分析证明了闭环系统所有信号半全局一致终结有界,仿真结果验证了该方法的有效性.     

基本积分型李亚普诺夫函数的直接自适应神经网络控制

针对一类具有下三角形函数控制增益矩阵的非线性系统,基于滑模控制原理,并利用 多层神经网络的逼近能力,提出了一种直接自适应神经网络控制器设计的新方案.通过引入积 分型李亚普诺夫函数及残差与逼近误差和的上界函数的自适应补偿项,证明了闭环系统是全局 稳定的,跟踪误差收敛到零.     

基于非线性增益递归滑模的船舶轨迹跟踪动态面自适应控制

针对三自由度全驱动船舶存在模型不确定和未知外部环境扰动的情况,设计出一种基于非线性增益递归滑模的船舶轨迹跟踪动态面自适应神经网络控制方法.该方法综合考虑船舶位置和速度误差之间关系设计递归滑模面,引入神经网络对船舶模型不确定部分进行逼近,设计带σ-修正泄露项的自适应律对神经网络逼近误差与外界环境扰动总和的界进行估计,并应用一种非线性增益函数构造动态面控制律,选取李雅普诺夫函数证明了该控制律能够保证轨迹跟踪闭环系统内所有信号的一致最终有界性.最后,基于一艘供给船进行仿真验证,结果表明,船舶轨迹跟踪响应速度快、精度高,所设计控制器对系统模型参数摄动及外界扰动具有较强的鲁棒性.     

一类MIMO非线性系统的直接自适应模糊滑模控制

针对一类具有下三角形函数控制增益矩阵的非线性系统, 基于滑模控制原理, 并利用Ⅱ型模糊系统的逼近能力, 提出了一种直接自适应模糊滑模控制器设计的新方案. 通过引入积分型李雅普诺夫函数及逼近误差自适应补偿项, 证明了闭环系统是全局稳定的, 跟踪误差收敛到零. 仿真结果表明了该方法的有效性.     

基于神经网络补偿的高超声速飞行器滑模控制

针对吸气式高超声速飞行器的轨迹控制问题,提出了一种基于自适应径向基函数(RBF)神经网络的滑模控制方法.建立了高超声速飞行器的纵向动态模型;设计了滑模控制器,利用自适应RBF神经网络对系统不确定项进行在线逼近,对滑模控制器进行补偿;基于李雅普诺夫的稳定性分析证明了闭环系统的稳定性.仿真结果表明:控制系统能够实现对于高超声速飞行器给定指令的有效跟踪.     

基于模糊补偿的康复机器人的自适应滑模控制研究

针对下肢外骨骼机器人不确定模型及摩擦因素的轨迹运动控制问题,提出了一种基于模糊补偿的自适应滑模控制(FCASMC)方法。首先利用滑模控制思想设计非线性滑模面,设计滑模控制器实现系统的稳定性;接着采用模糊控制方法对其机器人中关节运动存在的未知摩擦项进行模糊补偿与逼近,减少未知摩擦项和外扰动等因素下对系统带来的稳定性影响;最后还采用了鲁棒项来消除补偿逼近误差所带来的影响,也可减少滑模方法所带来的抖振问题,从而使整个系统的稳定性进一步提高。最后,基于Lyapunov定理对所设计的控制器进行稳定性证明和仿真。仿真结果表明,设计的控制器可以很好地对不确定摩擦项进行补偿,机器人的关节运动轨迹跟踪能实现全局跟踪,提高了在今后实际工程中的应用研究价值。     

多关节机器人的神经滑模控制

针对含有建模误差和不确定干扰的多关节机械臂轨迹跟踪控制,提出了一种神经滑模控制方法。该方法采用全局快速终端滑模面保证了系统状态能够在有限时间内到达滑模面和平衡点。采用径向基函数神经网络自适应地补偿系统的建模误差和外界干扰,保证了滑模控制在滑模面的运动。利用李亚普诺夫稳定性判据推导出了控制器的控制律和神经网络的目标函数,通过神经网络的在线学习,削弱了滑模控制的抖振。仿真结果表明了其有效性。     

神经网络自适应滑模控制的不确定机器人轨迹跟踪控制

提出一种针对机器人跟踪控制的神经网络自适应滑模控制策略。该控制方案将神经网络的非线性映射能力与滑模变结构和自适应控制相结合。对于机器人中不确定项,通过RBF网络分别进行自适应补偿,并通过滑模变结构控制器和自适应控制器消除逼近误差。同时基于Lyapunov理论保证机器手轨迹跟踪误差渐进收敛于零。仿真结果表明了该方法的优越性和有效性。     

多关节机器人的模糊神经滑模控制

针对含有建模误差和不确定干扰的多关节机器人轨迹跟踪控制,提出了一种模糊神经滑模控制方法.该方法采用全局快速终端滑模面,保证了系统能够从任意初始状态在有限时间内到达滑模面和平衡点.采用模糊神经网络自适应地补偿系统的建模误差和外界干扰,保证了滑模控制在滑模面的运动.文中利用李亚普诺夫稳定性判据推导出了控制器的控制律和模糊神经网络的目标函数,通过模糊神经网络的在线学习.削弱了滑模控制的抖振.仿真结果表明了其有效性.     

基于线性化反馈的径向神经滑模控制器设计

针对非线性系统,采用径向神经网络逼近及自适应控制方法,利用线性化反馈技术,设计一种自适应神经滑模控制器。滑模变结构控制具有独特的鲁棒性能以及对匹配不确定性和外干扰的完全自适应等特点,但容易出现系统抖振问题,将神经网络应用于滑模变结构控制系统的设计中,系统抖振得到抑制。仿真结果也表明将神经网络与滑模控制相结合的方法是行之有效的。     

基于自适应滑模的欠驱动无人艇轨迹跟踪控制算法

针对欠驱动水面无人艇在航行过程中存在的海洋环境干扰、数学模型参数不确定、执行器故障等问题,提出了一种基于扰动观测器与神经网络技术的自适应滑模轨迹跟踪策略。在无人艇三自由度模型的基础上,结合视线制导率,提出了一种新的轨迹跟踪制导策略。采用自适应滑模控制技术设计了欠驱动无人艇轨迹跟踪控制器,有效地抑制了执行器衰减故障对无人艇控制系统的影响;同时运用了非线性扰动观测器和自适应径向基函数神经网络分别对无人艇受到的外界干扰和模型参数不确定性进行补偿和拟合,提高了控制系统的抗干扰能力。基于Lyapunov定理证明了所设计的控制系统的稳定性,并在MATLAB中进行了仿真测试。仿真结果表明,所提出的轨迹跟踪控制算法可以在较为复杂的环境下实现对欠驱动无人艇的精准控制;相较于对比算法,位置的平均跟踪误差减小了80%以上,具备较高的稳定性和鲁棒性。     

机器人的非奇异终端神经滑模轨迹跟踪控制

针对具有不确定性的机器人系统,为提高系统的稳态跟踪精度,提出一种非奇异终端神经滑模轨迹跟踪控制方案.控制器采用改进的非奇异终端滑模面,并基于径向基函数神经网络自适应调整控制律的切换项,不但克服了在设计中需要知道系统不确定性的上界的限制,而且平滑了控制信号.可应用Lyapunov稳定性理论证明了系统的渐近稳定性和跟踪误差的渐近收敛性.仿真结果验证了控制方法不仅能够保证机器人系统轨迹跟踪控制的快速性和鲁棒性,而且有效地削弱了抖振,可见方案是可行且有效的.     

基于Backstepping的倒立摆鲁棒跟踪控制

针对内部参数不确定及存在外部干扰的非线性倒立摆系统,提出了基于Backstepping方法的滑模变结构控制律,并且采用RBF神经网络逼近系统不确定非线性函数,同时引入滑模误差对其神经网络权值进行在线自适应调整,使神经网络的逼近速度加快,改善了动态性能.该控制律能保证倒立撰轨迹跟踪误差的快速收敛性以及对外部扰动和内部参数不确定的不敏感性,最后给出的仿真实例证明了该理论分析结果的正确性,控制效果良好.     

超空泡航行体的自适应模糊滑模控制研究

针对超空泡航行体动态中的非线性项和未建模动态,以及由空泡形状改变引起的扰动问题,提出了一种基于自适应模糊滑模的纵平面运动控制器设计方法。该方法利用自适应模糊系统逼近超空泡航行体模型中的非线性不确定项;利用滑模控制对干扰的鲁棒性,克服逼近误差和干扰;最后用Lyapunov定理证明了闭环系统的稳定性。仿真结果表明,设计的控制器可有效克服滑行力的计算误差以及水动力参数的不确定性。     

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。     

Intelligent tracking control of a dual‐arm wheeled mobile manipulator with dynamic uncertainties

This paper presents an intelligent control approach that incorporates sliding mode control (SMC) and fuzzy neural network (FNN) into the implementation of back‐stepping control for a path tracking problem of a dual‐arm wheeled mobile manipulator subject to dynamic uncertainties and nonholonomic constraints. By using the back‐stepping technique, the system equations are reformulated into two levels: the kinematic level and the dynamic level. A sliding manifold is constructed by considering the disturbance free kinematic level equations only. With all the system uncertainties concentrated in the dynamic level, an FNN controller associated with a switching type of control law is employed to enforce sliding mode on the prescribed manifold. All parameter adjustment rules for the proposed controller are derived from the Lyapunov theory such that uniform ultimate boundedness for both the tracking error and the FNN weighting updates is ensured. A simulation study, which compares different control design approaches, is included to illustrate the promise of the proposed SMC–FNN method. Copyright © 2012 John Wiley & Sons, Ltd.     

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.     

船舶航向控制的多滑模鲁棒自适应设计

针对带有未知虚拟控制增益和常参数不确定的非匹配不确定船舶航向非线性控制问题,设计了一种新的多滑模鲁棒自适应控制算法.该算法利用神经网络来逼近系统模型的不确定性;应用逐步递推的多滑模控制算法降低了控制器的复杂性;尤其是采用Nussbaum函数处理系统中符号未知的问题,避免了可能存在的控制器奇异值问题;然后借助Lyapunov稳定性分析方法,理论分析证明了所得闭环系统全局一致最终有界,且跟踪误差收敛到零.仿真试验结果表明,该方法具有较好的控制效果.     

Robust Tracking Control For A Wheeled Mobile Manipulator With Dual Arms Using Hybrid Sliding‐Mode Neural Network

In this paper, a robust tracking controller is proposed for the trajectory tracking problem of a dual‐arm wheeled mobile manipulator subject to some modeling uncertainties and external disturbances. Based on backstepping techniques, the design procedure is divided into two levels. In the kinematic level, the auxiliary velocity commands for each subsystem are first presented. A sliding‐mode equivalent controller, composed of neural network control, robust scheme and proportional control, is constructed in the dynamic level to deal with the dynamic effect. To deal with inadequate modeling and parameter uncertainties, the neural network controller is used to mimic the sliding‐mode equivalent control law; the robust controller is designed to compensate for the approximation error and to incorporate the system dynamics into the sliding manifold. The proportional controller is added to improve the system's transient performance, which may be degraded by the neural network's random initialization. All the parameter adjustment rules for the proposed controller are derived from the Lyapunov stability theory and e‐modification such that uniform ultimate boundedness (UUB) can be assured. A comparative simulation study with different controllers is included to illustrate the effectiveness of the proposed method.