轮式移动机器人轨迹跟踪控制的参数化方法

在轮式移动机器人控制系统状态空间模型的基础上,通过分析两轮独立驱动的移动机器人的动力学方程,给出轮式移动机器人轨迹跟踪控制问题的数学描述;基于线性系统的特征结构配置和模型参考理论提出一种轮式移动机器人轨迹跟踪控制的参数化方法,设计系统的反馈镇定控制器和前馈跟踪控制器.仿真结果表明,提出的控制方案是行之有效的.     

Dynamic modeling and simulation for nonholonomic welding mobile robot

Based on the Newton-Euler method, the dynamic behaviors of the left and right driving wheels and the robot body for the welding mobile robot were derived. In order to realize the combination control of body turning and slider adjustment, the dynamic behaviors of sliders were also investigated. As a result, a systematic and complete dynamic model for the welding mobile robot was constructed. In order to verify the effectiveness of the above model, a sliding mode tracking control method was proposed and simulated, the lateral error stabilizes between ?0.2 mm and 0.2 mm, and the total distance of travel for the slider is consistently within ±2 mm. The simulation results verify the effectiveness of the established dynamic model and also show that the seam tracking controller based on the dynamic model has excellent performance in terms of stability and robustness. Furthermore, the model is found to be very suitable for practical applications of the welding mobile robot.     

基于模型不确定补偿的轮式移动机器人反演复合控制

针对轮式移动机器人存在模型不确定性、非线性以及未建模的动态特性等因素,严重影响系统轨迹跟踪的稳定性和精确性,提出一种基于系统模型不确定性补偿的反演复合控制策略。基于非完整轮式移动机器人的运动学模型,采用反演控制思想以及李雅普诺夫稳定性判据设计轨迹跟踪的虚拟速度控制量,作为系统的持续激励输入。考虑轮式移动机器人具有模型不确定性和外部有界力矩干扰,根据轮式移动机器人的动力学模型推导得到系统不确定项,并采用具有高度非线性拟合特性的神经网络对其估计,得到模型的力矩控制量,且由李雅普诺夫稳定性分析得到不确定项的自适应律,实现自调整和实时轨迹跟踪。对比仿真表明,该复合控制策略能自适应的跟踪期望轨迹,与单一的反演控制、模型不确定性补偿控制策略、传统PID控制相比,均具有更好的鲁棒性和高的跟踪精度。     

GA优化的RBF神经网络外骨骼灵敏度放大控制

为改善外骨骼机器人灵敏度放大控制(SAC)性能,结合遗传算法(GA)与径向基函数(RBF)神经网络建立在线计算外骨骼机器人的精确动力学模型.用GA优化RBF神经网络的中心矢量与基宽度,并对RBF网络的权值实时更新,在线学习外骨骼机器人动力学模型中的参数矩阵,进一步推导出SAC控制律.仿真结果表明:GA优化后的RBF网络,可以在线学习外骨骼的动力学模型,基于该模型的SAC能够实现精确的人体轨迹跟踪,相比于优化前,人体轨迹跟踪误差以及人机交互信息会快速减小并收敛到0的微小邻域内,可实现人机协调运动.     

考虑万向轮扭转角扰动轮式移动机器人轨迹跟踪

为了研究轮式移动机器人运动过程中万向轮扭转的扰动对其轨迹跟踪的影响,提出了一种考虑前端万向轮摩擦扰动及其质心与几何中心不重合的轨迹跟踪控制方法。首先,建立了考虑万向轮扭转角扰动的轮式移动机器人动力学模型;其次,根据位姿误差模型,采用反步法设计虚拟速度控制器收敛系统位姿误差;然后,结合扰动观测器对机器人行进过程中万向轮扭转所带来的摩擦扰动进行估计,构造出一种基于积分滑模思想的力矩控制器以保证速度追踪;最后,利用Lyapunov稳定性理论对系统的稳定性和渐近收敛进行证明。仿真及实验结果表明,将万向轮摩擦所带来的扰动反馈给动力学控制器,可以减轻控制器的负载。与忽略万向轮扰动的控制方法相比,轮式移动机器人的位置误差最大值的均方根值降低了37.37%,提高了运动系统的稳定性。     

基于多神经网络的机器人轨迹学习控制研究

本文利用神经辨识器和神经控制器相结合的思想提出了机器人动力学模型完全未知情况下的一种新的学习控制策略．文中描述了机器人系统新的控制结构，并推导出该结构下神经辨识器和神经控制的在线学习算法．仿真结果表明，文中提出的控制方法能够实现任何可达期望曲线的机器人高精度轨迹控制．     

Application of neural networks and fuzzy control to the welding robot

0　ＩＮＴＲＯＤＵＣＴＩＯＮＡｒｃｗｅｌｄｉｎｇｐｒｏｃｅｓｓｐｌａｙａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｔｈｅｍｏｄｅｒｎｔｅｃｈｎｏｌｏｇｙｔｏｊｏｉｎｔｈｅｍｅｔａｌｐｌａｔｅｓ .Ｉｔｉｓｉｍｐｏｒｔａｎｔｔｏｒｅａｌｉｚｅｉｎｔｅｌｌｉｇｅｎｔｗｅｌｄｉｎｇｒｏｂｏｔｓｏａｓｔｏｏｂｔａｉｎａｇｏｏｄｑｕａｌｉｔｙｏｆｗｅｌｄｉｎｇｒｅｓｕｌｔｓ .Ｔｈｅｓｅａｍ ｔｒａｃｋｉｎｇｓｙｓｔｅｍｉｓａｎｉｍｐｏｒｔａｎｔｐａｒｔｏｆｔｈｅｗｅｌｄｉｎｇｒｏｂｏｔ .Ｍａｎｙｓｅａｍ ｔｒａｃｋｉｎ…     

基于速度观测器的移动机器人轨迹跟踪控制

提出了一种无需纵向速度测量的新的移动机器人轨迹跟踪控制方法,可以采用速度观测器替代纵向测量装置来确定移动机器人的运动速度.设计了一种基于速度观测器的轨迹跟踪控制器.控制器设计是以轮式及履带式移动机器人模型及其所采用的驱动电机数学模型为基础,具有两种实用性能：（1）控制器不需要很精确的移动机器人模型参数和驱动电机参数,就可以很好地在一个闭环控制系统中减小跟踪误差;（2）在理论上仅需要通过一个设计参数的设置就能够有效地控制跟踪误差范围.     

基于切换增益调节的神经滑模控制的机器人位置跟踪

针对机器人的位置轨迹跟踪问题,提出一种基于切换增益调节的神经网络滑模控制方法。首先设计基于机器人位置的滑模控制器模块,然后通过神经网络来调节滑模控制器中的切换增益,使得切换增益能随着外界干扰作用等不确定项的改变而改变,从而能实时地估计切换增益,解决传统滑模控制中的抖振问题,最后,以双臂机器人为对象,采用MATLAB仿真软件对该控制算法进行了验证。结果表明,与传统的滑模控制相比较,该方法能使机器人更好地跟踪期望的位置轨迹,并有效地减轻了抖振。     

基于反馈增益反步法的非完整约束移动机器人路径跟踪控制

为实现非完整约束轮式机器人的路径跟踪控制,采用虚拟向导方法建立跟踪误差方程,基于李亚普诺夫稳定性理论,设计了一种基于反馈增益的反步法控制器,既能通过控制反馈增益的调节补偿机器人动态误差模型中的非线性项对系统的影响,又能避免传统反步法控制器中存在虚拟控制的高阶导数的问题。仿真结果表明:设计的控制器参数易于调节,可实现轮式移动机器人对任意曲线路径的精确跟踪。     

基于启发式学习算法的空间柔性机械臂神经网络控制

针对非线性强耦合的空间漂浮基柔性机器人,提出了一种启发式学习算法的神经网络的前馈控制策略。首先通过拉格朗日法和假设模态方法建立了漂浮基柔性空间机器人的动力学模型,然后采用两个神经网络及一个PID控制器来构建前馈在线学习控制系统,其中一个神经网络充当前馈控制器,另一个神经网络通过学习逆动态模型来为前馈控制器提供在线学习参数,而PID控制器主要作为辅助补偿控制器。该控制策略不是在PID控制器的指导下进行学习,且无需预先的离线学习,因而学习精度更高,且减少了对学习样本选择不当的影响,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整的算法来实现快速学习能力,具有较好的实时性。仿真结果证明了所提方案的有效性。     

基于视觉的移动机器人轨迹跟踪

借助视觉反馈,研究了质心与几何中心不重合的非完整移动机器人轨迹跟踪控制问题。利用固定在天花板上的摄像机系统,作者提出了一种基于视觉伺服的运动学跟踪误差模型;基于这个模型,在质心与几何中心和视觉参数未知的情形下,作者设计了自适应轨迹跟踪控制器,并运用李雅普诺夫方法严格证明了闭环系统的稳定性。Matlab仿真证明了控制器的有效性。     

一种基于模糊神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络,并将其应用于两关节机械手轨迹跟踪控制。该网络采用三角形隶属度函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理。这种模糊神经网络能够在线调节输出隶属度函数中心以及关节间耦合权值,使得控制器具有更好的学习与自适应能力。仿真结果表明,这种网络能很好的用于机器人的轨迹跟踪控制中,是一种行之有效的控制方法。     

配置机械手的轮式移动机器人目标物体跟踪与抓取

针对配置机械手的室内轮式移动机器人目标物体识别、跟踪和抓取问题,采用一种目标物体识别和机器人定位的方法,利用一种基于模糊控制的轮式移动机器人视觉伺服跟踪控制的方法。针对机器人目标识别跟踪及抓取过程中受环境条件变化的影响,采用HSI颜色模型和基于阈值的区域分割的图像处理方法可以完成目标颜色物体的快速准确识别。基于云台摄像机角度信息的机器人小车目标定位方法和模糊控制理论,设计了模糊跟踪控制器,使机器人输出合适的线速度和角速度,能够实现机器人目标跟踪,使移动机器人趋近目标物体位置,并完成机械手目标物体抓取任务。仿真和实时实验结果表明：所设计的系统具有良好的目标物体识别、跟踪和准确抓取目标的能力。     

棒线材无头轧制虚拟样机及控制策略的研究

为了研制出适合我国国情的具有自主知识产权的棒线材无头轧制系统,对棒线材无头轧制系统的组成及工作机理进行了分析和研究,建立了一套棒线材无头轧制系统虚拟样机,设计了基于PROFIBUS总线的棒线材无头轧制控制系统,提出了基于同步误差补偿的焊机移动控制的控制策略,并用单神经元复合控制器结合人工免疫调节机制对该系统闪光焊机的移动控制进行了仿真.仿真结果表明:单神经元复合控制可以有效地提高焊机对轧制坯的同步跟踪精度,人工免疫反馈机制可显著增强焊机的抗干扰能.     

非线性神经网络自适应控制及其在导弹中的应用

研究了用神经网络控制未知动态特性的非线性系统。基于神经网络学习系统的反向动态特性，调整控制网络的参数，使控制系统具有自适应的特性。网络学习采用误差反向传播算法，仅需要对象的输入输出值。对含有非线性环节的系统，该方法取得较好的效果。     

可重构机械臂模糊神经补偿控制

由于可重构机械臂的动力学系统中存在大量的不确定性,导致PID等传统的控制器无法实现精确的位置控制。作者在基于精确模型PD控制的基础上,提出了模糊神经控制算法辨识补偿结构、非结构不确定性。通过模糊神经控制器融合了模糊逻辑和神经网络的各自优势,实现了可重构机械臂轨迹跟踪的有效的补偿控制。基于牛顿-欧拉的几何方法,推导了n连杆可重构机械臂的动力学方程,该方法相对于其他形式的动力学方程,计算量小、通用性强。最后以RRP(Revolute-Revolute-Prismatic)三连杆机械臂为例研究设计了可重构机械臂的控制器,并且通过仿真验证了算法对轨迹跟踪的有效性。     

基于线性矩阵不等式的智能车轨迹跟踪控制

针对传统的基于精确数学模型的智能车轨迹跟踪控制器跟踪精度低,鲁棒性弱,很难适应复杂多变的驾驶环境等问题,结合线性矩阵不等式(LMI)鲁棒控制具有易于求解、抗干扰能力强等优点,提出基于LMI的智能车轨迹跟踪控制方法. 将车辆侧向动力学状态空间模型进行坐标变换,得到基于跟踪误差的车辆侧向动力学状态空间模型,采用饱和线性轮胎得到车辆侧向动力学多胞型模型;设计LMI反馈控制器,在控制器中引入前馈控制量,以消除侧向位置稳态误差. Carsim和Matlab/Simulink的联合仿真表明,该控制器在保证车辆稳定性的基础上具有较高的跟踪精度,对车速和路面附着系数具有较强的鲁棒性. 与模型预测控制器(MPC)和预瞄驾驶员模型(PDM)控制器进行对比,结果表明,设计的该控制器轨迹跟踪精度更优.     

对角递归神经网络在非线性内模控制中的应用

提出一种基于对角递归神经网络的非线性内模控制方案,其内部模型和内模控制器的建立均由对角递归神经网络来实现,同时改进神经网络控制器的训练函数。仿真结果表明,改进的内模控制系统与基本BP神经网络内模控制系统相比,具有跟踪速度快,超调量小,以及对对象参数摄动具有较好的适应性。     

对角递归神经网络在非线性内模控制中的应用

提出一种基于对角递归神经网络的非线性内模控制方案，其内部模型和内模控制器的建立均由对角递归神经网络来实现，同时改进神经网络控制器的训练函数。仿真结果表明，改进的内模控制系统与基本BP神经网络内模控制系统相比。具有跟踪速度快，超调量小，以及对对象参数摄动具有较好的适应性。