机器人系统全局渐近稳定非线性PD+轨迹跟踪控制

采用一类具有“小误差放大、大误差饱和”功能的非线性饱和函数来改进常用的线性比例微分加（ＰＤ＋）机器人系统动力学控制,以形成非线性ＰＤ＋（ＮＰＤ＋）控制,从而获得更快的响应速度和轨迹跟踪精度．应用Ｌｙａｐｕｎｏｖ直接稳定性理论和ＬａＳａｌｌｅ不变性原理证明了闭环系统的全局渐近稳定性．两自由度机器人系统数值仿真结果表明了所提出的ＮＰＤ＋控制具有良好的控制品质．     

机器人系统全局渐近稳定非线性ＰＤ＋轨迹跟踪控制

采用一类具有“小误差放大、大误差饱和”功能的非线性饱和函数来改进常用的线性比例 微分加（ＰＤ＋）机器人系统动力学控制,以形成非线性ＰＤ＋（ＮＰＤ＋）控制,从而获得更快的响应速度和轨迹跟踪精度．应用Ｌｙａｐｕｎｏｖ直接稳定性理论和ＬａＳａｌｌｅ不变性原理证明了闭环系统的全局渐近稳定性．两自由度机器人系统数值仿真结果表明
了所提出的ＮＰＤ＋控制具有良好的控制品质．

     

机器人系统输出反馈重复学习轨迹跟踪控制

针对高度非线性多关节机器人的轨迹跟踪问题,提出一类输出反馈重复学习控制算法,使得在只有位置信息可测以及模型信息不确定的条件下即能获得良好的控制品质.非线性滤波器的引入解决了现实中速度信号较难获得的问题,重复学习控制策略实现了对周期性参考输入的渐近稳定跟踪.应用Lyapunov直接稳定性理论证明了闭环系统的全局渐近稳定性.三自由度机器人系统数值仿真结果表明了所提出的输出反馈重复学习控制的有效性.     

非线性积分滑模控制方法

针对一类不确定非线性系统的滑模控制,提出了一类具有"小误差放大,大误差饱和"功能的光滑非线性饱和函数来改进传统的积分滑模控制,以形成非线性积分滑模控制.在保持传统积分滑模控制跟踪精度的同时获得更好的暂态性能.应用Lyapunov稳定性理论和LaSalle不变性原理证明了对最终常值干扰可以完全抑制.考虑控制受限时,所设计...     

控制方向未知的时变不确定系统的重复控制

本文考虑一类具有未知时变参数并且控制方向未知的非线性系统的重复学习控制.针对重复学习控制的特点,所构造的李亚普诺夫函数不仅与当前参数估计误差有关,也与前一次参数估计误差有关.基于该李亚普诺夫函数,结合Nussbaum类型函数,提出了控制方向未知的系统的重复学习方法.该方法不采用饱和控制,但能保证在闭环系统中跟踪误差在重复区间上一致收敛于零.最后,一个仿真例子说明了该方法的可行性.     

六自由度并联机器人分散鲁棒非线性控制

针对六自由度并联机器人动力学特点,提出了一种新型分散鲁棒非线性控制方法.与传统PD控制策略和已有分散鲁棒非线性控制方法相比,由于控制律中增加了广义误差的小数幂项,改进后的方法除保持原方法的优点外,还具有较强的终端收敛能力,能够保证跟踪误差以更快的速度全局一致收敛到一个更小的剩余集.通过选择合适的控制器参数,可使剩余集趋于0.运用Lyapunov方法分析了系统稳定性,给出了系统稳定性条件.最后,仿真结果验证了该方法的有效性.     

机器人系统终端滑模重复学习轨迹跟踪控制

针对非线性机器人系统的轨迹跟踪问题, 提出一种终端滑模重复学习混合控制方案. 该方案综合了重复学习控制和终端滑模技术的特性, 能够有效跟踪周期性参考信号, 抑制周期性和非周期性动态的干扰, 具有较强的鲁棒性和良好的轨迹跟踪性能, 且算法的实现不需要完全已知系统模型信息. 应用Lyapunov 稳定性理论证明了闭环系统的全局渐近稳定性. 三自由度机器人系统数值仿真结果验证了所提出的终端滑模重复学习控制的有效性.

     

非线性增益递归滑模动态面自适应NN控制

针对一类严反馈非线性不确定系统的跟踪控制问题,提出一种非线性增益递归滑模动态面 (Dynamic surface control, DSC)自适应控制方法. 通过设计一个新的非线性增益函数,并构造递归滑模动态面的控制策略和新的Lyapunov函数,同时利用神经网络在线逼近系统不确定项, 该方法有效解决了具有输入饱和约束条件下系统控制精度与动态品质间的矛盾,增强了控制器对其自身参数摄动的非脆弱性. 理论证明了闭环系统所有状态是半全局一致最终有界的,且跟踪误差可收敛至任意小.     

基于未知高频增益的非线性系统自适应迭代学习控制

针对一类单输入单输出不确定非线性重复跟踪系统,提出一种基于完全未知高频反馈增益的自适应迭代学习控制.与普通迭代学习控制需要学习增益稳定性前提条件不同,自适应迭代学习控制通过不断修改Nussbaum形式的高频学习增益达到收敛.经证明当迭代次数i→∞时,重复跟踪误差可一致收敛到任意小界δ.仿真结果表明了该控制方法的有效性.     

控制方向未知非线性系统的自适应重复控制

针对控制方向未知的、存在周期性非参数不确定性的一类非线性系统,给出零误差跟踪的重复控制方法.引入Nussbaum函数设计自适应重复控制器,参数估计修正律采用完全饱和形式,将参数估计囿于预先给定的范围内.分析表明,闭环系统中所有信号本身有界,且跟踪误差本身趋于零.数值仿真结果验证了算法的有效性.     

无奇异间接迭代学习控制及其在机器人运动模仿中的应用

针对相当广泛的一类非线性系统有限时间轨迹跟踪问题,提出了间接迭代学习方案. 采用最小二乘算法,根据重复跟踪历史辨识非线性系统的线性化模型.利用一个分段学习方案 可保证学习控制总在有效线性近似区域内进行.探讨了如何在学习过程中避免控制奇异问题, 提出了一种高效的参数修正方法,保证输入耦合矩阵的估计行列式不为零.本文将这一控制方 案应用于未知机器人及摄像机模型下的机器人运动模仿中,而不面临任何奇异问题.这是一个 采用摄像机替代传统程序编写的新的机器人编程方法.     

一类非参数不确定系统的自适应重复学习控制

本文针对一类非参数不确定系统提出一种全限幅自适应重复学习控制方法. 利用期望轨迹的周期特性, 构 造周期性期望控制输入, 并基于Lyapunov方法设计自适应重复学习控制器, 实现系统对周期性期望轨迹的高精度跟 踪, 且无需已知非参数不确定性的上界. 设计全限幅学习律估计未知的期望控制输入, 保证估计值被限制在指定的 界内. 同时, 通过构造完全平方式消除部分误差相关项, 控制器设计中可避免使用符号函数, 从而抑制控制器抖振问 题. 最后, 基于Lyapunov方法对误差收敛性进行了分析, 并通过仿真对比验证本文所提方法的有效性.     

Tracking in nonlinear differential-algebraic control systems with applications to constrained robot systems

We consider the design of a feedback control law for control systems described by a class of nonlinear differential-algebraic equations so that certain desired outputs track given reference inputs. The nonlinear differential-algebraic control system being considered is not in state variable form. Assumptions are introduced and a procedure is developed such that an equivalent state realization of the control system described by nonlinear differential-algebraic equations is expressed in a familiar normal form. A nonlinear feedback control law is then proposed which ensures, under appropriate assumptions, that the tracking error in the closed loop differential-algebraic system approaches zero exponentially. Applications to simultaneous contact force and position tracking in constrained robot systems with rigid joints, constrained robot systems with joint flexibility, and constrained robot systems with significant actuator dynamics are discussed.     

A nonlinear repetitive controller

A nonlinear repetitive controller is proposed. The new method is mainly composed of a repetitive control part and a deadband relay. Whenever the input error goes beyond the range of the deadband relay, the control loop is driven dominantly by the deadband relay to obtain fast dynamic response and meanwhile to avoid the saturation of the repetitive control part. After the input error falls within the range of the deadband relay, the deadband relay automatically turns off and the repetitive control alone governs the current control to eliminate the steady state error. A systematic methodology is established and it is linked to the conventional control system design. The proposed scheme is practically applied to the current control of active filter. Experimental results verified the feasibility of the proposed method.     

Velocity observer-based iterative learning control for robot manipulators

This article addresses the problem of designing an iterative learning control for trajectory tracking of rigid robot manipulators subject to external disturbances, and performing repetitive tasks, without using the velocity measurement. For solving this problem, a velocity observer having an iterative form is proposed to reconstruct the velocity signal in the control laws. Under assumptions that the disturbances are repetitive and the velocities are bounded, it has been shown that the whole control system (robot plus controller plus observer) is asymptotically stable and the observation error is globally asymptotically stable, over the whole finite time-interval when the iteration number tends to infinity. This proof is based upon the use of a Lyapunov-like positive definite sequence, which is shown to be monotonically decreasing under the proposed observer–controller schemes.     

多自由度机械臂的饱和输出反馈有限时间同步位置控制EI北大核心CSCD

针对输入受限的多自由度机械臂高精度位置控制问题,本文充分考虑驱动器饱和非线性的影响,提出了多自由度机械臂输出反馈饱和有限时间比例–微分(PD)+同步位置控制策略,应用Lyapunov稳定性理论和几何齐次性技术证明了闭环系统的全局有限时间稳定性.非线性饱和函数的恰当引入,使得所提出的控制器具有清晰明确的上界,可以通过预先选择满足特定条件的控制器参数有效避免驱动器饱和问题;同步控制项的恰当引入,使得所提出的控制器兼顾了多自由度机械臂各轴间的同步协调性,从而获得更快的收敛速度和更好的系统整体性能,满足工程实际对机械臂的高精度要求.本文的数值仿真结果验证了所提出的控制方法的有效性和可行性.     

重复学习控制及其在一类非线性系统中的应用

为跟踪或抑制仅周期已知的未知周期参考或扰动信号，提出一种新的重复学习控制方法，利用系统的稳态误差并通过迭代学习构造前馈补偿，实现了误差的渐近收敛，将所提出方法应用于一类常见的扰动信号和系统输出具有未知非线性关系的非线性系统，假设其满足连续里普希斯条件，利用重复学习控制器，系统的稳态误差可以减小到极低的程度，该方法控制精度高，实现简单，与传统的基于时延内模的重复控制方法相比，具有对非重复性干扰不敏感的优点，仿真结果验证了该方法的有效性。     

一类不确定系统的自适应滑模迭代学习控制

本文针对一类在有限时间内执行重复任务的不确定非线性系统状态跟踪问题,提出一种自适应滑模迭代学习控制方法,在存在初始偏移的情况下也能实现对参考轨迹的完全收敛.本文通过设计全饱和自适应迭代学习更新律,估计参数和非参数不确定性以及未知期望控制输入,并将估计值限制在指定界内,避免估计值的正向累加.文章设计的自适应滑模迭代学习控制方法对系统模型的信息需求少,在对系统非参数不确定性的上界估计时不需要Lipschitz界函数已知.本文给出严格的理论分析,证明闭环系统所有信号的一致有界性以及跟踪误差的一致收敛性,并通过仿真验证所提控制方法的有效性.     

Observer-based Iterative and Repetitive Learning Control for a Class of Nonlinear Systems

In this paper, both output-feedback iterative learning control (ILC) and repetitive learning control (RLC) schemes are proposed for trajectory tracking of nonlinear systems with state-dependent time-varying uncertainties. An iterative learning controller, together with a state observer and a fully-saturated learning mechanism, through Lyapunov-like synthesis, is designed to deal with time-varying parametric uncertainties. The estimations for outputs, instead of system outputs themselves, are applied to form the error equation, which helps to establish convergence of the system outputs to the desired ones. This method is then extended to repetitive learning controller design. The boundedness of all the signals in the closed-loop is guaranteed and asymptotic convergence of both the state estimation error and the tracking error is established in both cases of ILC and RLC. Numerical results are presented to verify the effectiveness of the proposed methods.