从机器人输出反馈自适应神经控制中学习

针对系统参数完全未知且仅输出可测的机器人,使用径向基函数(RBF)神经网络和高增益观测器设计了一种自适应神经控制算法.该算法不仅实现了闭环系统所有信号的最终一致有界,而且沿周期跟踪轨迹实现了对未知闭环系统动态的确定学习.学过的知识可用来改进系统的控制性能,也可应用于后续相同或相似的控制任务以节约时间和能量.仿真研究表明了所设计的控制算法的正确性和有效性.     

输入受限的非仿射无人帆船航向系统自适应动态面控制

针对输入受限和控制方向未知的无人帆船航向控制问题,考虑系统模型存在动态不确定和未知外界扰动的情况,本文提出一种基于非仿射航向运动数学模型的最小参数自适应递归滑模动态面控制策略.该策略通过Taylor展开方法将非仿射模型转化为具有线性结构的仿射时变系统,采用最小参数学习(minimal learning parameter,MLP)神经网络逼近无人帆船模型不确定部分,并利用双曲正切函数处理控制输入饱和现象,引入Nussbaum函数处理系统中未知控制方向问题,同时综合考虑帆船艏摇角速度误差和航向误差之间关系设计递归滑模动态面舵角控制律,并设计参数自适应律对神经网络逼近误差与复合干扰总和的界进行估计.选取李雅普诺夫函数证明了所设计控制器能够保证航向闭环系统内所有信号的一致最终有界性.最后,基于一艘12 m无人帆船进行仿真验证,结果表明无人帆船航向控制响应速度快,所设计的控制器能有效地处理模型不确定项和风浪等外界扰动,具有较强的鲁棒性.     

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。     

基于IMFAC的无人艇抗干扰航向自适应控制

针对无人艇在航向控制中易受风浪流等环境干扰,导致控制效果下降的问题,提出一种结合细菌觅食算法的改进无模型自适应控制算法;文章首先分析了偏格式动态线性化方法在无人艇航向控制中的应用问题,并设计了虚拟输出项以满足无模型自适应控制假设条件,建立了基于偏格式动态线性化方法的无模型自适应航向控制器;针对无模型自适应控制算法参数初始值选取范围问题,设计了改进细菌觅食算法对参数初始值进行预整定,保证了算法的快速收敛;最后通过半物理仿真试验验证了所设计算法的有效性;试验表明,在模拟的3级海况干扰下,无人艇在30°阶跃航向控制和±30°方形航向控制中,相较于传统算法出现的较大稳态误差,使用无模型自适应控制算法能在经过10 s左右调整后,将误差稳定趋近于零,实现无人艇的航向自适应控制。     

基于RBF神经网络PID的无人动力伞控制

动力伞是一个复杂的非线性动力学对象,难以用精确的数学模型描述。对于这种具有非线性、时变和强耦合特性的综合系统,采用传统PID控制方法不能得到满意的控制效果,因此提出一种基于RBF神经网络的PID控制方法。该方法利用RBF神经网络的自学习、自适应能力自调整系统的控制参数,从而实现对PID控制器各参数的优化整定。在Mat-lab软件中的仿真结果表明,该方法可实现对动力伞有效的控制,并且与传统PID相比,具有更短的调节时间,更好的稳定性、自适应性和鲁棒性。     

控制增益未知的船舶航向非线性自适应跟踪控制

针对参数不确定的船舶运动非线性控制系统控制方向未知的困难,将逆推算法与Nussbaum增益方法相结合,提出一种新的自适应非线性控制策略,从而实现船舶运动航向跟踪控制.首先,从理论上证明了所设计的自适应控制器保证最终的控制系数符号未知的参数不确定船舶运动非线性系统中所有信号一致有界,船舶的实际航向全局自适应地渐近跟踪期望的参考航向.对两条船舶数学模型的仿真实验结果表明,所设计的自适应非线性跟踪控制器具有良好的适应性及鲁棒性.     

自适应神经变结构的机器人轨迹跟踪控制

提出一种神经网络与变结构融合的控制策略用于非线性机器人控制,该方案利用神经网络来自适应补偿不确定模型,并通过变结构控制器消除逼近误差.考虑到局部泛化网络的不足,根据其状态空间的划分,分别对3个区间采用神经网络与变结构的分级与集成控制.该方案能在控制阶段初期及网络逼近区域外使两种控制器共同起作用以保持系统的强鲁棒性,基于Lyapunov理论证明了闭环系统的全局稳定性.仿真结果进一步表明了该方法的优越性.     

不确定机器人的自适应神经网络控制与学习

针对具有未知动态的电驱动机器人,研究其自适应神经网络控制与学习问题.首先,设计了稳定的自适应神经网络控制器,径向基函数(RBF)神经网络被用来逼近电驱动机器人的未知闭环系统动态,并根据李雅普诺夫稳定性理论推导了神经网络权值更新律.在对回归轨迹实现跟踪控制的过程中,闭环系统内部信号的部分持续激励(PE)条件得到满足.随着PE条件的满足,设计的自适应神经网络控制器被证明在稳定的跟踪控制过程中实现了电驱动机器人未知闭环系统动态的准确逼近.接着,使用学过的知识设计了新颖的学习控制器,实现了闭环系统稳定、改进了控制性能.最后,通过数字仿真验证了所提控制方法的正确性和有效性.     

基于S函数调节的非线性自适应动态面控制

针对一类控制增益未知的多输入多输出（MIMO）非线性系统,提出了一种基于神经网络的鲁棒自适应动态面控制方法．利用动态面控制解决反推法的计算膨胀问题;同时在参数自适应律中引入S（Sigmoid）函数,动态调节神经网络的收敛速度,解决了自适应初始阶段的抖振现象．利用李亚普诺夫稳定性定理,证明了闭环系统所有信号最终有界,系统的跟踪误差最终收敛到有界紧集内．仿真结果表明了该方法的有效性．     

基于自适应广义预测控制的船舶航向保持

提出了基于自适应广义预测控制的船舶航向保持算法,将控制算法应用到船舶航向控制系统,仿真结果证实了算法的有效性.     

具有速度调节机制的船舶事件触发编队控制

针对实际海洋环境下, 欠驱动水面船舶(USV)编队控制任务中存在控制输入频繁抖振、模型结构未知和航行速度难以控制等问题, 本文提出一种具有速度调节性能的事件触发编队控制算法. 首先, 该算法采用径向基神经网络(RBF–NN)对模型结构不确定进行逼近. 同时, 为了减少控制输入频繁抖振和通信信道占用次数, 设计了一种满足控制器与神经网络权重估计器同步触发的事件触发机制. 其次, 针对现有领导–跟随方法中存在的领导船速度信息不可知、跟随船速度不可控的问题, 设计了一种自适应速度调节器, 使跟随船在不需要领导船速度信息的情况下实时地调节航行速度. 利用李雅普诺夫稳定性理论证明了所提控制算法满足半全局一致最终有界收敛. 最后, 通过仿真实验验证了所提出算法的有效性.     

考虑事件触发输入的船舶自适应动力定位控制

为解决实际海况下全驱动船舶的动力定位控制任务存在参数不确定、模型结构不确定和通信资源限制等问题,本文提出一种具有事件触发输入的鲁棒自适应动力定位控制算法.该算法采用径向基函数神经网络对系统模型不确定进行逼近,同时针对通信带宽受限问题,设计了一种具有事件触发机制的执行器输入,降低了控制器和执行器之间的信道占用.此外,该算法还解决了状态变量与执行器增益不确定性之间的强耦合问题,并且设计了在线更新的自适应参数去补偿执行器增益不确定,以确保船舶能够稳定执行动力定位任务.利用Lyapunov稳定性理论证明了闭环控制系统中所有误差变量都满足半全局一致最终有界收敛.通过对比仿真实验验证了所提出算法的有效性.     

一类非线性系统的自适应神经网络控制

针对一类具有非仿射函数和下三角结构的、受干扰未知的非线性系统,提出一种新的自适应神经网络控制方法．它是严格反馈不确定系统和纯反馈系统的更一般化表达．在Backstepping设计思想基础上,证明了闭环信号的半全局最终一致有界性,并很好地处理了控制方向和控制奇异问题．通过仿真验证了该方法的有效性．     

Stable decentralized adaptive control design of robot manipulators using neural network approximations

In this paper, we present a decentralized neural network (NN) adaptive technique for control of robot manipulators in the presence of unknown non-linear functions. Radial basis function NNs are used to approximate the non-linear functions to include the case of both parametric and dynamic uncertainty in each subsystem. The robustifying terms are added to the controllers to overcome the effects of the interconnections. The stability can be guaranteed by using a rigid proof. Finally, simulation is given to illustrate the effectiveness of the proposed algorithm.     

控制方向未知的二阶时变非线性系统自适应迭代学习控制

对一类二阶严格反馈时变非线性系统的自适应迭代学习控制问题进行了研究.系统中含有非周期时变参数化不确定性且控制方向未知.首先,提出了一种神经网络估计器,实现了对未知非周期时变非线性函数的逼近.随后,用Nussbaum函数对未知控制方向进行了自适应估计,并综合应用baCkstcpping技术和自适应迭代学习控制技术设计了控制器.所设计的控制器能保证系统所有状态量在Lpe-范数意义下有界,且系统的输出量在LT2-范数意义下收敛到期望轨迹.最后的仿真研究证明了控制器设计方法的有效性.     

机械臂的自适应径向基函数神经网络双二次泛函最优控制

针对非线性机械臂系统中难以权衡控制能量与控制误差比重的最优控制问题,本文提出一种基于自适应径向基函数(RBF)神经网络二阶段叠加优化的双二次泛函最优求解模型,实现在非线性机械臂控制系统中用不大的控制能量来保持较小的控制误差的综合最优控制.在本文所提模型中,首先设计一种线性误差函数,作用于非线性控制方程,并采用自适应RBF网络逼近非线性控制方程中存在的不确定项,构成闭环反馈系统,实现对非线性系统的最优控制;其次,将待求参数复合成双二次泛函的解域,并设计一种新型的类递归神经网络求解该带约束条件的双二次型模型,实现模型求解的快速收敛并得其解.通过理论分析及数值仿真实例验证了所提模型能有效提高非线性系统的控制精度、稳定性、鲁棒性及自适应性,从而实现非线性系统的综合最优控制.     

机械手臂基于神经网络动态补偿的自适应控制

研究了模型具有不确定性的机械手臂的跟踪控制问题.由于模型不确定性的存在,基于精确模型设计的控制律很难达到理想的控制效果.针对这种情况,在基于标称模型设计的控制律的基础上,采用神经网络来补偿模型的不确定性,由于神经网络存在逼近误差,因此在控制器设计时,引入了H_∞ 鲁棒项,使得网络逼近误差达到指定的削弱水平并且跟踪误差渐近收敛到零,仿真结果表明了该方法的有效性.     

含有驱动器模型的移动机器人自适应跟踪控制

本文针对包含驱动器模型的移动机器人, 考虑到其在粗糙表面上运动过程中所受的摩擦力以及不可建模的动态的影响, 使用反步设计法(Backstepping)给出了一种自适应跟踪控制策略.其中对于不可建模的动态, 本文使用一种非线性函数对其影响进行抵消,使得机器人的路径跟踪对不确定具有鲁棒性; 对于摩擦力项, 使用径向基神经网络(RBFNN)对其进行逼近, 在控制器中能够根据逼近值给予相应的摩擦力补偿量, 从而使移动机器人比较适合在粗糙度大的路面(如沙地)上进行路径跟踪. 仿真结果验证了该控制方法的有效性.     

Adaptive motion control of wheeled mobile robot with unknown slippage

As a major representative nonholonomic system, wheeled mobile robot (WMR) is often used to travel across off-road environments that could be unstructured environments. Slippage often occurs when WMR moves in slopes or uneven terrain, and the slippage generates large accumulated position errors in the vehicle, compared with conventional wheeled mobile robots. An estimation of the wheel slip ratio is essential to improve the accuracy of locomotion control. In this paper, we propose an improved adaptive controller to allow WMR to track the desired trajectory under unknown longitudinal slip, where the stabilisation of the closed-loop tracking system is guaranteed by the Lyapunov theory. All system states use neural network online weight tuning algorithms, which ensure small tracking errors and no loss of stability in robot motion with bounded input signals. We demonstrate superior tracking results using the proposed control method in various Matlab simulations.