基于Skinner操作条件反射的两轮机器人自平衡控制

针对两轮自平衡机器人的运动平衡控制问题,采用了基于Skinner操作条件反射理论的自回归神经网络学习算法作为机器人的学习机制,利用自回归神经网络对评价函数进行逼近,以实现对行为决策的优化,从而使机器人能够在无需外部环境模型的情况下,通过学习和训练,获得像人或动物一样的自主学习技能,解决了两轮机器人的运动平衡控制问题.最后分别在无扰动和有扰动的两种状态下设计了仿真实验并进行了比较.结果表明,该操作条件反射学习机制具有较快的自主平衡控制技能和较好的鲁棒性能,体现了较高的理论研究意义和工程应用价值.     

Skinner 操作条件反射的一种仿生学习算法与机器人控制

针对两轮自平衡机器人的运动平衡控制问题,提出了基于Skinner 操作条件反射理论的BP 神经网络 与资格迹相结合的仿生自主学习算法作为两轮机器人的学习机制．该算法利用资格迹能解决延迟影响、加快学习速 度和提高可靠性的特点,将其与BP 神经网络相结合构成复合学习算法,能够预测机器人将要获得的行为评价函数, 并依据概率取向机制以一定的概率选择最大评价值对应的最优行为,从而使机器人能够在未知环境下通过与环境的 交互、学习和训练,获得像人或动物一样的自主学习技能,实现对两轮机器人的运动平衡控制．最后,分别用基于 Skinner 操作条件反射理论的BP 算法和BP 资格迹复合算法对两轮机器人做了仿真实验并进行了比较．结果表明, 基于Skinner 操作条件反射理论的BP 资格迹复合仿生自主学习算法的学习机制能够使机器人获得良好的动态性能 和较快的学习速度,体现了机器人较强的自主学习技能和平衡控制能力．     

基于FBFN 的鲁棒仿生学习系统设计及在运动平衡控制中的应用

针对两轮直立式机器人的运动平衡控制问题,结合OCPA 仿生学习系统,基于模糊基函数,设计了一 种鲁棒仿生学习控制方案．它不需要动力学系统的先验知识,也不需要离线的学习阶段．鲁棒仿生学习控制器主要 包括仿生学习单元、增益控制单元和鲁棒自适应单元3 部分．仿生学习单元由模糊基函数网络（FBFN）实现,FBFN 不仅执行操作行为产生功能,逼近动力学系统的非线性部分,同时也执行操作行为评价功能,并利用性能测量机制 提供的误差测量信号,产生取向值信息,对操作行为产生网络进行调整．增益控制单元的作用是确保系统的稳定性 和性能,鲁棒自适应单元的作用是消除FBFN 的逼近误差及外部干扰．此外,由于FBFN 的参数是基于李亚普诺夫 稳定性理论在线调整的,因此进一步确保了系统的稳定性和学习的快速性．理论上证明了鲁棒仿生学习控制器的稳 定性,仿真实验结果验证了其可行性和有效性．     

操作条件反射学习自动机及其在机器人平衡控制中的应用

针对两轮机器人的平衡控制问题,在学习自动机理论的框架中,提出一种基于操作条件反射学习自动机的仿生学习模型.该模型引入认知学习单元和取向单元,分别用来实现操作行为学习和指导系统进化的方向.模拟两轮自平衡机器人的平衡控制仿真实验表明,该学习模型具有可行性和有效性,能使机器人自主学会平衡控制技能,并使其具有高度的自适应能力.     

OCPA仿生自主学习系统及在机器人姿态平衡控制上的应用

针对本质上非线性、强耦合的两轮自平衡机器人复杂动态系统,构造操作条件反射概率自动机(OCPA)仿生自主学习系统。OCPA仿生自主学习系统是一个基于Skinner操作条件反射的概率自动机,主要特征在于模拟生物的操作条件反射机制,具有仿生的自组织功能,包括自学习和自适应功能,可用于描述、模拟、设计各种自组织系统。从理论上分析OCPA学习系统的操作条件反射学习机制的收敛性。应用于两轮机器人姿态平衡控制的仿真和实验结果均表明,设计的OCPA仿生自主学习系统不需要系统的模型,通过模拟生物的操作条件反射机制,自组织地渐进形成、发展和完善其姿态平衡控制技能。     

基于AOCA仿生学习模型的两轮机器人自主平衡学习研究

以两轮机器人的自主平衡学习控制为研究对象,针对传统控制方法无法实现机器人类似人或动物的渐进学习过程,依据斯金纳的操作条件反射理论建立了一种自治操作条件反射自动机（Autonomous operant conditioning automaton,AOCA）模型,设计一种基于AOCA的仿生学习算法,并进行机器人姿态平衡学习实验仿真研究. 实验结果表明,基于AOCA的仿生学习方法能有效地实现机器人的自主平衡学习控制,机器人系统的平衡能力在学习控制过程中自组织地渐进形成,并得以发展和完善.     

模糊操作条件概率自动机仿生自主学习系统和机器人自平衡控制

为了实现两轮机器人的自平衡控制, 利用Skinner操作条件反射机理, 以概率自动机为平台, 融入模糊推理, 构造了模糊操作条件概率自动机(OCPA)仿生自主学习系统. 该学习系统是一个从状态集合到操作行为集合的随机映射, 采用操作条件反射学习机制, 从操作行为集合中随机学习作为控制系统控制信号的最优行为, 并利用学习到的操作行为取向值信息, 调整操作条件反射学习算法. 此外, 学习系统还引入行为熵, 以验证其自学习和自组织能力. 应用于两轮机器人自平衡控制的仿真结果, 验证了模糊OCPA学习系统的可行性.     

基于操作条件反射机制的感觉运动系统认知模型的建立

针对运动平衡控制问题,提出了一个基于操作条件反射原理的感觉运动系统认知模型,研究了小脑、基底核、大脑皮质以及其它神经器官工作的协同性,构建了感觉运动系统的认知模型.该认知模型主要由小脑和基底核以及大脑皮质组成,其中:小脑通过监督学习实现状态到行为的感觉运动神经映射;基底核利用行为预测评价结果对动作实施基于操作条件反射原理的概率式选择;而大脑皮质接收并发送有用信号给基底核与小脑,形成了感觉运动系统的闭环反馈回路.本文描述了基于操作条件反射原理的感觉运动系统认知模型的具体结构、功能与算法,并在两轮机器人上进行了仿真实验,再现了机器人类似人或动物的自主学习能力和运动平衡技能.结果表明,该模型具有较强的认知特性,使机器人能通过自主学习掌握运动平衡的控制技能.     

轮式移动机器人瞬态模型鲁棒自适应同步终端滑模编队控制

在轮式移动机器人协同编队问题中,如何保证移动机器人在追踪自身期望轨迹的同时,又能实现与其他机器人运动同步的问题对控制算法的设计提出了更高的要求.本文提出一种基于图论的鲁棒自适应同步终端滑模控制算法来解决这一问题.首先介绍了轮式移动机器人非线性运动学瞬态模型,该模型避免了一般运动学模型多输入耦合互相干扰的问题.然后根据交叉耦合误差设计同步控制算法实现运动同步,通过鲁棒控制对系统外部干扰进行抑制,自适应律保证切换增益实时调节.运用Lyapunov方法进行了稳定性分析,证明了系统追踪误差的收敛性.最后通过MATLAB仿真验证了所设计算法的有效性.     

不确定性离散时间系统非保守自适应鲁棒控制

研究含未知干扰和互质因子摄动离散时间不确定性系统的自适应鲁棒控制问题，为非保守的自适应鲁棒镇定提出一种广义参数递推估计方法，基于确定性等价原理，并利用ι1设计方法提出一种自适应鲁棒控制策略，证明了自适应算法的全局收敛性，给出了一个可验算的鲁棒稳定性条件，证明了该鲁棒稳定性条件是非保守和最优的。     

软体机械臂水下自适应鲁棒视觉伺服

水下仿生软体机器人在水底环境勘测,水下生物观测等方面具有极高的应用价值.为进一步提升仿章鱼臂软体机器人在特殊水下环境中控制效果,提出一种自适应鲁棒视觉伺服控制方法,实现其在干扰无标定环境中的高精度镇定控制.基于水底动力学模型,设计保证动力学稳定的控制器;针对柔性材料离线标定过程繁琐、成本高,提出材料参数自适应估计算法;针对水下特殊工作条件,设计自适应鲁棒视觉伺服控制器,实现折射效应的在线补偿,并通过自适应未知环境干扰上界,避免先验环境信息的求解.所提算法在软体机器人样机中验证其镇定控制性能,为仿生软体机器人的实际应用提供理论基础.     

基于内在动机的智能机器人自主发育算法

针对两轮自平衡机器人在学习过程中主动性差的问题,受心理学内在动机理论启发,提出一种基于内在动机的智能机器人自主发育算法。该算法在强化学习的理论框架中,引入模拟人类好奇心的内在动机理论作为内部驱动力,与外部奖赏信号一起作用于整个学习过程。采用双层内部回归神经网络存储知识的学习与积累,使机器人逐步学会自主平衡技能。最后针对测量噪声污染对机器人平衡控制中两轮角速度的影响,进一步采用卡尔曼滤波方法进行补偿,以提高算法收敛速度,降低系统误差。仿真实验表明,该算法能够使两轮机器人通过与环境的交互获得认知,成功地学会运动平衡控制技能。     

基于免疫优化的平面Acrobot线性自抗扰鲁棒镇定

针对受不确定性影响的平面Acrobot机器人,提出一种基于免疫优化的线性自抗扰鲁棒控制设计方法,实现机器人末端点从任意初始位置到达并镇定在目标位置.首先,借助驱动关节与被动关节角度之间的状态约束获取机器人末端点位置与驱动关节角度的对应关系,使末端点的位置控制转换为驱动关节的角度控制;其次,为缩短运动路径加入最小角度位移限制条件,设计免疫算法求解目标位置所对应的驱动关节角度的最小期望值;再次,引入线性自抗扰控制技术,把机器人的模型不确定性、未知干扰等因素视为一个新的扩张状态变量,设计线性扩张状态观测器和基于状态误差的反馈控制器,在仅驱动关节角度可测的情况下实现Acrobot的鲁棒镇定;最后,通过仿真实验验证所提出方法具有更好的鲁棒控制性能.     

基于动态神经网的鲁棒直接自适应控制

基于动态神经网络，研究了一类具有未建模动态的未知多变量非线性系统的鲁棒直接自适应控制．基于Ｌｙａｐｕｎｏｖ理论得出一种鲁棒稳定的权学习算法，该算法不需要知道理想权矩阵的先验知识，并保证设计的控制器的稳定性．仿真结果表明提出的鲁棒控制算法的有效性     

自治水下机器人深度的鲁棒H∞控制仿真

研究了鲁棒H∞控制在自治水下机器人(AUV)深度控制中的应用.根据刚体空间运动和流体力学理论建立了AUV垂直面运动的数学模型,并在特定的工作点对模型进行了线性化处理得到了AUV垂直面运动的控制设计模型.根据鲁棒H∞控制理论设计了自治水下机器人垂直面运动的深度控制器.仿真结果表明,该控制器在减轻/克服AUV运动模型的不确定性,严重的非线性和外界干扰等方面有明显的效果,具有很好的动态性能,系统的鲁棒性强.     

侧向推搡下的四足机器人复合抗扰控制策略

针对四足机器人侧向推搡下的平衡恢复问题,提出了一种复合抗扰反应式鲁棒控制策略.该策略由摆动相的自适应侧摆规划策略和支撑相的关节抗扰控制构成.摆动相自适应侧摆规划策略通过四足机器人足端落地点的力平衡条件进行主动式步态规划以保证机器人在侧向推搡下的姿态稳定,并基于关节输出力矩给出了侧摆的启动条件.支撑相关节抗扰控制通过带扰动项的四足机器人完整动力学模型设计了基于干扰观测器的鲁棒滑模控制器,实现对侧向推搡扰动的补偿.最后,通过Matlab与ADAMS联合仿真验证了提出的控制策略的有效性.     

不确定曲面上非完整移动机器人的鲁棒镇定

针对在不确定曲面上运动的非完整轮式移动机器人设计了鲁棒实际镇定控制律,使得机器人系统具有对曲面而引入的重力干扰的鲁棒性。设计过程中使用参数有界但未知的二次曲面来近似不确定曲面。整个设计过程构建于李群,综合了横截函数方法、积分器backstepping和Lyapunov重设计技术.在讨论了轮式移动机器人的运动学子系统对李群SE(2)的标准群运算的左不变性之后,构造了一个有界横截函数,由它确定了相应的嵌入目标子流形.然后,对移动机器人的运动学误差系统设计了光滑的“虚拟”镇定律,使得误差变量指数镇定,从而也将机器人运动学子系统的状态镇定到先前定义的目标子流形.最后,使用积分器backstepping将该光滑“虚拟”控制律拓展到标称动力学系统,并通过重设计,得到鲁棒实际镇定控制律.仿真结果验证了算法的有效性.     

一种类人机器人步行鲁棒控制器

提出了一种应用于类人步行机器人研究平台的鲁棒控制算法,当机器人在步行过程中受到一定程度的 外界冲力等干扰时,它可以使机器人自主达到动态平衡,而且该算法具有一定的实时性．通过一个九连杆的仿人平 面机械系统,分析了机器人步行的动态过程;应用科氏力向量等建立起机器人步行的动力学模型,通过非线性补偿, 得出其渐近稳定控制的约束性条件;进而构造出理想的李亚普诺夫函数,并应用遗传算法进行参数优化,设计出具 备一定实时性能的鲁棒控制算法;仿真计算出机器人各个关节的角位移误差,其零力矩点（ZMP）始终在支撑脚的 范围内,重心轨迹在地面的投影基本位于正弦曲线上．将该算法应用于实际的类人步行机器人行走控制中,实验证 明,在受到一定程度的外扰影响时,该机器人可在短执行周期内自主达到动态平衡．     

基于神经网络的自由漂浮空间机器人关节空间鲁棒跟踪控制

针对存在不确定性以及干扰的自由漂浮空间机器人关节空间轨迹跟踪问题,提出了一种基于鲁棒控制思想的神经网络鲁棒控制方法.对于控制器中由系统惯性参数不确定性引起的非线性不确定项,利用径向基函数(RBF)神经网络进行逼近,并且利用鲁棒控制器使系统镇定并保证从干扰到跟踪误差的增益小于或等于给定的指标.最后,对本文提出的控制方案进...     

输入状态稳定的鲁棒预测控制

以有界干扰非线性系统为研究对象,设计一种基于近似可达集的鲁棒预测控制方法。该方法以鲁棒控制不变集作为终端约束集,采用一种简单的三次多项式逼近预测控制的待优化控制律,通过在线优化求解三次多项式的各项系数,并从理论上证明了所设计的鲁棒预测控制律可以使系统输入状态稳定。最后通过仿真实例验证了所提出的鲁棒预测控制方法的可行性和有效性。