基于视觉反馈的机器人全调节RBF神经网络自适应反演控制

针对具有参数不确定刚性机器人系统的跟踪控制问题,提出了一种基于视觉反馈和全调节RBF神经网络的自适应反演控制器设计方法。根据安装在末端执行器的CCD摄像机提取的特征点确定期望位置,利用与一般设计不同的全调节RBF神经网络逼近系统的不确定项及外界干扰。在调节RBF神经网络权值的同时调节中心点值和影响范围,使得全调节RBF神经网络具有了更强的在线逼近能力。应用Lyapunov稳定性理论,证明了系统的所有信号均有界,控制器可以保证机械臂的运动按指数收敛到期望位置。仿真结果验证了所提控制器的有效性。     

自适应反演神经网络控制在并联机器人中的应用

针对未知非线性、外界干扰等各种不确定因素对二自由度冗余并联机器人控制系统的影响,提出了反演自适应神经网络控制方法.RBF神经网络实现了不确定性函数的逼近,自适应反演控制作为主控制器完成并联机器人控制系统的输出.仿真结果表明,自适应反演神经网络控制方法跟踪性能好,系统误差小,具有很强的鲁棒性,能够满足并联机器人的控制要求.仿真实验证实了该控制策略的正确性和有效性.     

基于RBF神经网络的谐波传动自适应反演控制研究

由于自身结构上的特点，谐波传动系统存在柔性变形、摩擦和外界不确定干扰等非线性因素。传统控制器大多对系统进行了一定程度的简化，或未考虑非线性外界扰动，导致所设计的控制器性能达不到预期效果。为了提高系统精度，建立了考虑系统非线性刚度和非线性摩擦的谐波传动系统动力学模型；基于试验数据，采用最小二乘法对模型进行参数辨识；采用径向基函数（Radial Basis Function,RBF）神经网络在线逼近系统非线性摩擦和外界不确定干扰力矩，并提出了一种基于RBF神经网络的自适应反演控制器；利用Lyapunov稳定性理论，证明了其闭环系统的收敛性。仿真结果表明，与普通Back-stepping控制相比，在受到外界未知干扰后，所提出的RBF神经网络自适应反演控制能有效地逼近系统非线性摩擦和外界未知干扰，其跟踪误差峰-峰值能迅速稳定到0.000 82 rad；而Back-stepping控制对外界未知干扰比较敏感，其跟踪误差峰-峰值增大至0.012 3 rad左右。所提出的RBF神经网络自适应反演控制能抑制参数动态变化和外界干扰对系统传动精度的影响，提高系统的传动精度。     

智能汽车自适应RBF神经网络循迹控制

为解决智能汽车循迹控制中建模复杂及不精确问题，提出了一种基于整体逼近的自适应RBF神经网络控制方法。首先，基于智能汽车动力学方程的基本形式，对系统的不确定性进行分析。而后，利用神经网络的逼近特性，对分析结果中的不确定项进行整体逼近。进而，基于自适应RBF神经网络控制方法设计控制律，并通过李雅普诺夫稳定性分析方法设计自适应控制律。最后，进行Simulink/Carsim联合仿真验证，仿真结果表明，在通用双移线道路环境下，所提控制方法能够通过控制方向盘转角使得车辆沿期望轨迹行驶，轨迹跟踪误差较小且控制输出幅值可控，能够满足实际工程需求。     

不确定关节机器人模型的神经网络补偿自适应控制

为了达到关节机器人轨迹跟踪控制的目的,针对由于机器人结构参数、作业环境干扰及结构共振模式等不确定性因素造成的机器人不确定性动力学模型,将该模型分解为名义模型和建模误差两部分,其中的建模误差采用RBF神经网络进行补偿和估计,得到其估计信息。RBF神经网络的权值通过Lyapunov稳定性分析和自适应算法进行调节。机器人的神经网络补偿自适应控制解决了机器人这类不确定模型的轨迹跟踪控制问题。对3关节机器人实验验证结果表明,3关节均在约4 s时跟踪期望轨迹,并且跟踪误差渐近趋近于0,并且RBF神经网络能很好地逼近由不确定性因素引起的建模部分。     

一种弧焊机器人轨迹跟踪控制方法的研究

针对弧焊机器人动态特性中的非线性和不确定因素,对机器人的轨迹跟踪控制问题进行了研究。为提高跟踪精度和控制性能,提出一种基于高斯基模糊神经网络的轨迹跟踪控制方法。该方法以高斯基作为隶属函数,结合神经网络和模糊算法,设计了高斯基模糊神经网络控制器。采用非线性规划中的最速下降法对模糊神经网络进行自学习,能够在线调节隶属度函数的中心以及关节耦合权值,使得控制器具有更好的自学习与自适应能力。数值仿真结果表明该控制方法能高效地控制机器人的轨迹跟踪。     

多关节机器人事件驱动神经网络滑模控制

针对多关节机器人轨迹跟踪控制问题,提出了一个事件驱动的神经网络滑模控制器。该方法采用RBF神经网络来改善传统滑模控制器,对模型不确定项进行逼近;在此基础上,提出了事件驱动的RBF神经网络滑模控制器,根据跟踪误差和目标轨迹的驱动条件决定控制力矩更新,降低力矩更新频率。利用跟踪误差的最终一致有界性证明控制系统的稳定性,证明系统不存在Zeno行为。针对二关节机器人进行的仿真实验展现了良好的跟踪效果,验证了控制策略的有效性。     

挖掘机器人伺服系统神经网络滑模控制

挖掘机器人伺服系统存在高度非线性、参数不确定和未建模动态等诸多不利因素,提出了一种结合径向基函数(RBF)神经网络的非线性滑模控制器,以提高控制精度和鲁棒性。首先,建立了单联伺服系统的数学模型;其次,采用RBF神经网络对系统的不利因素进行逼近,提出积分滑模面进一步减小稳态误差,同时减少对伺服系统参数的依赖,在此基础上,设计了基于RBF神经网络的滑模控制器(SMC-RBF),利用Lyapunov理论证明了系统的渐近稳定性;最后,通过不同的参考信号和整平实验验证了控制器的优越性。仿真结果表明,SMC-RBF控制器响应快,跟踪精度高且鲁棒性强,与PID控制器相比正弦轨迹跟踪精度提高了46%。整平实验结果表明,铲斗末端轨迹跟踪精度提高了52%。     

混合轴承-转子运动轨迹的RBF神经网络控制

提出了动静压混合滑动轴承支承-转子运动轨迹控制技术和方法,以期用于转子振动控制和非圆截面零件加工。通过调节主动节流器的参数,改变轴承油腔的压力、流量,影响轴承封油面上的压力分布,控制转子按预定轨迹运动。建立了轴承-转子系统的动力学模型,给出了基于最小资源分配（MRAN）和扩展卡尔曼滤波（EKF）的径向基函数（RBF）神经网络自适应控制策略,在线辨识系统参数,以适应其非线性、参数未知特点。计算结果表明,RBF神经网络控制器具有良好的非线性逼近能力;转子不平衡响应或外部同步激励力引起的振动得到了有效抑制,得到了较为精确的转子非圆轨迹跟踪结果。     

基于RBF神经网络的闭链下肢康复机器人自适应补偿控制

在下肢康复机器人的康复训练过程中,模型参数、环境干扰等不确定性因素会影响机器人轨迹跟踪的精度。针对这一问题,提出了一种基于径向基函数（Radial Basis Function,RBF）神经网络的自适应补偿控制,该控制方法能够提高机械系统轨迹跟踪的精确性。首先,设计一款具有4种工作模式、运动稳定的闭链卧式下肢康复机器人结构;然后,利用拉格朗日方法求解动力学名义模型,将康复装置的模型参数以及外界干扰等不确定性因素分离出来,并设计基于RBF神经网络的自适应补偿算法对其进行逼近控制;最后,通过Matlab/Simulink环境对其进行仿真验证,证明了该控制策略的有效性。结果显示,在人体步态曲线轨迹跟踪中,提出的基于RBF神经网络的自适应补偿算法相比传统的模糊比例-积分-微分（Proportional Integral Derivative,PID）控制的方法响应速度快、跟踪效果好,且髋关节和膝关节轨迹跟踪的角度误差峰值分别为0.08°和0.13°,远小于患者下肢在康复运动中的转动角度。设计了单腿样机试验,试验结果表明,采用的RBF补偿自适应控制器能够实现高精度的跟踪结果,也能够满足患者在康复...     

一种基于RBF补偿的自适应复合同步控制

针对Linapod并联机器人的同步轨迹跟踪问题,提出一种新的自适应复合同步控制策略。以Linapod 机构为研究对象,设计了一种将前馈控制、PD控制以及RBF适配器补偿相结合的复合同步控制策略,并根据李雅普洛夫稳定性条件给出了RBF适配器权值更新率,从而保证了控制系统的运动稳定性。研究结果表明,在该控制器的作用下,当向各轴加入单位正弦信号干扰和不加入干扰时,各轴跟踪误差都能小于0.003 mm,从而验证了该控制策略的有效性和正确性。     

Adaptive neural controller for visual servoing of robot manipulators with camera-in-hand configuration

In this paper, an adaptive neural controller is proposed for visual servoing of robot manipulators with camera-in-hand configuration. The controller is designed as a combination of a PI kinematic controller and feedforward neural network controller that computes the required torque signals to achieve the tracking. The visual information is provided using the camera mounted on the end-effector and the defined error between the actual image and desired image positions is fed to the PI controller that computes the joint velocity inputs needed to drive errors in the image plane to zero. Then the feedforward neural network controller is designed such that the robot??s joint velocities converges to the given velocity inputs. The stability of combined PI kinematic and feedforward neural network computed torque is proved by Lyapunov theory. It is shown that the neural network can cope with the unknown nonlinearities through the adaptive learning process and requires no preliminary off learning. Simulation results are carried out for a three degrees of freedom microbot robot manipulator to evaluate the controller performance.     

Adaptive neural network based position tracking control for Dual-master/Single-slave teleoperation system under communication constant time delays

The novel trajectory tracking control strategies for trilateral teleoperation systems with Dual-master/Single-slave robot manipulators under communication constant time delays are proposed in this article. By incorporating this design technique into the neural network (NN) based adaptive control framework, two controllers are designed for the trilateral teleoperation systems in free motion. First, with acceleration measurements, an adaptive controller under the synchronization variables containing the position and velocity error is constructed to guarantee the position and velocity tracking errors between the trilateral teleoperation systems asymptotically converge to zero. Second, without acceleration measurements, an adaptive controller under the new synchronization variables is presented such that the trilateral teleoperation systems can obtain the same trajectory tracking performance as the first controller. Third, in term of establishing suitable Lyapunov–Krasovskii functionals, the asymptotic tracking performances of the trilateral teleoperation systems can be derived independent of the communication constant time delays. Moreover, these two controllers are obtained without the knowledge of upper bounds of the NN approximation errors, respectively. Finally, simulation results are presented to demonstrate the validity of the proposed methods.     

机械臂反演非奇异终端的神经滑模控制

为了解决具有外部干扰以及建模误差的多关节机械臂的轨迹跟踪问题,提出了一种机械臂反演非奇异终端的神经滑模控制方法。采用非奇异终端的滑模面,基于反演方法以及滑模控制的原理,设计了反演滑模控制器。针对由于外部干扰以及建模误差引起的反演滑模控制系统中不确定的因素上界,设计了径向基(radial basis function,简称RBF)神经网络的自适应律,对不确定因素上界进行了在线估计,并对控制系统的稳定性使用了Lyapunov定理进行证明。仿真分析结果表明,所提出的方法不仅可以减少系统中存在的抖振现象,而且具有较好的轨迹跟踪性能和较强的鲁棒性。     

六自由度并联机器人线性化反馈RBF神经滑模控制研究

采用分散控制的策略和线性化反馈RBF神经滑模的控制算法,实现了对六自由度并联机器人高精度自适应的轨迹跟踪控制。所设计的控制器实现了控制实时性和自适应性,有效抑制了滑动模态的抖振,仿真结果和实际实验均验证了此方案的实效性。     

基于CMAC的气动人工肌肉变结构位置控制研究

气动人工肌肉是一种具有功率自重比/功率体积比大、响应快的新型气动元件,近年来已引起了人们广泛关注。然而,由于难于实现气动人工肌肉系统的精确控制,从而阻碍了其更加广泛的应用。在气动人工肌肉动态数学模型的基础上,提出采用基于CMAC的气动人工肌肉两层滑模变结构控制方法。CMAC神经网络用于学习气动人工肌肉系统的不确定信息,并作为前馈补偿使跟踪误差快速收敛,通过变结构控制消除网络的学习误差和不可重复随机干扰的影响,确保系统鲁棒性。试验结果表明了该方法的有效性和系统的鲁棒性。     

RBF神经网络滑模变结构控制在并联机器人中的应用

并联机器人系统结构复杂,具有强耦合、非线性等特点。滑模变结构控制对参数不确定性和外部扰动具有强鲁棒性,不需要被控对象精确数学模型且基于该方法的控制器设计过程是自然解耦过程,适用于并联机器人控制,但是滑模控制普遍存在抖振问题。鉴于此,该文提出RBF神经网络与滑模控制相结合的控制方法,利用RBF神经网络对滑模控制器切换项的增益进行调节,可以有效地降低滑模控制的抖振,获得较好的控制效果。仿真结果表明,该控制方法跟踪性能好,系统误差小,具有较强的鲁棒性,可以满足并联机器人的控制要求。     

沿任意倾斜面的机器人力/位置控制方法研究

设计了沿任意倾斜面的机器人自适应阻抗控制方法,该方法解决了接触面法向方向、环境阻尼、刚度参数未知对机器人力/位置控制的影响问题。在机器人与倾斜面碰撞接触过程中采用递归最小二乘(RLS)算法估计环境的阻尼、刚度,根据接触力矩实际值与期望值的偏差实现机器人末端期望姿态的调整;在机器人末端沿倾斜面滑动阶段,设计规则自调整的模糊控制器,根据机器人末端位移、接触力误差实时调整机器人阻抗控制模型参数,以适应环境阻尼、刚度的变化。提出的控制方法具有编程实现简单且对环境参数变化鲁棒性较强的优点,实验验证了控制方法的有效性。     

水下机械臂运动空间分析与轨迹跟踪算法优化

针对水下机械臂动力学模型不确定和未知外界干扰问题，采用基于HJI理论的径向基函数神经网络自适应控制算法对水下机械臂进行控制。首先，以水下六自由度机械臂为例，基于D-H法则对水下机械臂的运动学进行分析，通过仿真验证该方法的正确性；接着，基于蒙特卡洛法构建水下六自由度机械臂的运动空间云图，真实反映水下机械臂的运动空间；然后，以二自由度水下机械臂为例，设计基于HJI理论的RBF神经网络自适应控制器，利用神经网络的万能逼近原理逼近不确定干扰项，考虑到神经网络逼近存在误差，将逼近误差看作外界干扰项并通过HJI理论对逼近误差在线评价，评价系统对干扰项的抑制能力，并采用自适应算法在线估计网络权值，加快系统收敛；最后，通过仿真可知，该机械臂能较好地完成轨迹跟踪。     

基于屏障 Lyapunov 函数的上肢康复机器人 自适应主动交互训练控制

针对上肢运动功能障碍患者进行辅助康复训练,搭建了一套上肢康复外骨骼机器人系统,并提出一种基于屏障Lyapunov函数的增广神经网络自适应导纳控制策略。首先,介绍了上肢康复外骨骼的机械机构及其控制系统。然后,推演了控制器的设计过程并进行了Lyapunov稳定性证明。最后,分别进行了不同控制内环的轨迹跟踪被动训练实验和不同导纳参数下基于人机交互力的主动交互训练实验,同时分析比对了主动训练时的人机交互力与轨迹偏差的变化关系。被动训练实验结果证明了增广神经网络对人机模型动力学的逼近效果,其轨迹跟踪峰值误差为模糊PID控制器的53%。主动交互训练实验证明了通过调整导纳参数可实现在相同训练任务下不同强度的康复训练以匹配不同康复阶段下的患者。