不确定非线性系统的直接自适应神经网络控制

为解决一类带干扰的不确定非线性系统中存在的两类未知项——未知函数和外界干扰,采用了直接自适应神经网络控制方法设计控制器。控制器设计中利用径向基函数神经网络良好的逼近性来近似未知函数,利用非线性衰减项来抑制干扰。所用方法结构简单、算法简洁,在一定条件下稳定性和收敛性能定性地得到保证。最后,仿真结果证明了该方法是正确的。     

控制增益符号未知的不确定非线性系统鲁棒自适应控制

针对一类控制增益函数及符号均未知的不确定非线性系统,基于反推滑模设计方法,提出一种鲁棒自适应神经网络控制方案.结合Nussbaum增益设计技术和神经网络逼近能力,取消了控制增益函数及符号已知的条件,应用积分型Lyapunov函数避免了控制器奇异性问题,并通过引入神经网络逼近误差和不确定干扰上界的自适应补偿项消除了建模误差和不确定干扰的影响.理论分析证明了闭环系统所有信号半全局一致终结有界,仿真结果验证了该方法的有效性.     

一类不确定非线性系统反步自适应神经网络控制研究

针对合有高阶不确定扰动项且不可参数线性化的一类非线性系统，采用反步递推方法设计基于多层神经网络的自适应控制器，多层神经网络可较好地逼近非线性系统，其权值能在系统先验知识不多的情况下在线调整，给出了神经网络Lyapunov意义下稳定的在线自适应律，在设计控制器的过程中，采用类加权形式Lyapunov函数，使得控制器能有效处理自适应控制奇异性问题，仿真结果表明，该控制器对系统参数的不确定性和有界干扰具有一定的鲁棒性，并能保证闭环系统全局稳定。     

基于神经网络补偿的高超声速飞行器滑模控制

针对吸气式高超声速飞行器的轨迹控制问题,提出了一种基于自适应径向基函数(RBF)神经网络的滑模控制方法.建立了高超声速飞行器的纵向动态模型;设计了滑模控制器,利用自适应RBF神经网络对系统不确定项进行在线逼近,对滑模控制器进行补偿;基于李雅普诺夫的稳定性分析证明了闭环系统的稳定性.仿真结果表明:控制系统能够实现对于高超声速飞行器给定指令的有效跟踪.     

超空泡航行体的自适应模糊滑模控制研究

针对超空泡航行体动态中的非线性项和未建模动态,以及由空泡形状改变引起的扰动问题,提出了一种基于自适应模糊滑模的纵平面运动控制器设计方法。该方法利用自适应模糊系统逼近超空泡航行体模型中的非线性不确定项;利用滑模控制对干扰的鲁棒性,克服逼近误差和干扰;最后用Lyapunov定理证明了闭环系统的稳定性。仿真结果表明,设计的控制器可有效克服滑行力的计算误差以及水动力参数的不确定性。     

基于扩张观测器的欠驱动船舶轨迹跟踪低频学习自适应动态面输出反馈控制

针对速度不可测的三自由度欠驱动船舶轨迹跟踪控制问题,考虑船舶存在模型参数不确定项以及外界环境干扰未知情况,提出一种基于扩张观测器的欠驱动船舶轨迹跟踪低频学习自适应动态面输出反馈控制策略.该策略构造扩张观测器估计船舶速度向量,利用神经网络算法逼近模型参数不确定项,然后采用动态面控制技术避免对虚拟控制律直接求导,简化控制律计算过程,并引入低频增益学习技术消除外界扰动导致控制信号产生高频振荡,最后选取李雅普诺夫函数证明该控制律能够保证船舶跟踪闭环系统中所有误差信号一致最终有界.仿真结果表明,本文所设计控制器对船舶模型参数不确定项及外界环境干扰具有较强的鲁棒性,能够实现对船舶轨迹的有效跟踪.     

非线性互联系统的分散混合自适应智能控制

针对一类高阶互联MIMO非线性系统，利用TS模糊系统和神经网络的通用逼近能力，在神经网络控制器中引入模糊基函数，提出一种分散混合自适应智能控制器设计的新方案．基于等价控制思想，设计分散自适应控制器，无需计算TS模型．通过对不确定项进行自适应估计，取消了其存在已知上界的假设．通过理论分析，证明了闭环智能控制系统所有信号有界，跟踪误差收敛到零．     

基于指数趋近律的机械臂神经网络滑模控制

为解决机械臂轨迹跟踪控制中存在建模不确定性以及外界干扰及摩擦造成的控制效果不理想等问题。利用神经网络对建模的不确定项进行逼近,本文提出一种基于指数趋近律的神经网络滑模控制对机械臂完成轨迹跟踪控制。采用二自由度的刚性机械臂为控制对象进行实验,仿真结果表明,该控制方法能缓解外部干扰对控制系统的影响,保证系统的稳定性,有效地提高系统的控制性能。     

带有干扰观测器的线控转向系统复合自适应神经网络控制

考虑车辆线控转向(SbW)系统存在不确定动态特性以及外界干扰影响.本文提出一种带有干扰观测器的复合自适应神经网络实现SbW系统的精确建模与稳定控制.首先,利用神经网络在线逼近系统不确定动态,避免控制器设计中使用到系统模型的先验知识.然后,结合系统的跟踪误差与建模误差提出一种新的复合自适应学习率来更新神经网络的权值,从而...     

近空间飞行器纵向抗干扰轨迹控制研究

针对近空间飞行器( nearspace vehicle,NSV) 在高超音速飞行时,气动参数变化剧烈且容易受到外界干扰的特点,研究了NSV 纵向轨迹系统的干扰问题,提出了鲁棒自适应动态面的回馈递推控制方法。首先对高度非线性、高度复杂的NSV 的纵向运动的模型进行坐标变换,采用输入－输出反馈线性化方法,将其转化为仿射非线性模型; 然后通过一阶低通滤波器对控制器设计中的虚拟控制律进行估计,从而避免了对其求导带来的计算膨胀问题; 再结合神经网络逼近理论以及虚拟控制器中的鲁棒项,一起消除近空间飞行器的纵向系统中存在的参数摄动不确定和外界干扰。最后通过稳定性分析,表明了该方法在降低系统控制器复杂性的同时仍具有很好的鲁棒性。     

Neural Approximation-based Model Predictive Tracking Control of Non-holonomic Wheel-legged Robots

This paper proposes a neural approximation based model predictive control approach for tracking control of a nonholonomic wheel-legged robot in complex environments, which features mechanical model uncertainty and unknown disturbances. In order to guarantee the tracking performance of wheel-legged robots in an uncertain environment, effective approaches for reliable tracking control should be investigated with the consideration of the disturbances, including internal-robot friction and external physical interactions in the robot’s dynamical system. In this paper, a radial basis function neural network (RBFNN) approximation based model predictive controller (NMPC) is designed and employed to improve the tracking performance for nonholonomic wheel-legged robots. Some demonstrations using a BIT-NAZA robot are performed to illustrate the performance of the proposed hybrid control strategy. The results indicate that the proposed methodology can achieve promising tracking performance in terms of accuracy and stability.

     

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...     

地面装调的空间机械臂在空间应用时的自适应鲁棒控制

针对空间机械臂在轨操控过程中,重力加速度不同于地面装调阶段的重力加速度,会随着空间位置的改变而变化的问题.本文提出了一种自适应鲁棒控制策略,用于空间机械臂的末端控制,从而使在地面重力条件下装调好的空间机械臂能够在空间微重力条件下实现在轨操控任务.通过分析重力项对空间机械臂轨迹跟踪控制的影响,设计自适应律在线估计重力加速度,从而得到重力项的估计,系统的不确定性通过鲁棒控制器来补偿.基于李雅普诺夫理论证明了闭环系统的稳定性.仿真结果表明,在地面装调阶段的重力环境下和空间应用阶段的微重力环境下,该控制器对空间机械臂的末端控制均能达到较高的轨迹跟踪精度,具有重要的工程应用价值.     

Autonomous mobile robots navigation using RBF neural compensator

This paper presents an approach to adaptive trajectory tracking of mobile robots which combines a feedback linearization based on a nominal model and a RBF-NN adaptive dynamic compensation. For a robot with uncertain dynamic parameters, two controllers are implemented separately: a kinematics controller and an inverse dynamics controller. The uncertainty in the nominal dynamics model is compensated by a neural adaptive feedback controller. The resulting adaptive controller is efficient and robust in the sense that it succeeds to achieve a good tracking performance with a small computational effort. The analysis of the RBF-NN approximation error on the control errors is included. Finally, the performance of the control system is verified through experiments.     

基于观测器的机械手神经网络自适应控制

提出了一种基于观测器的机械手神经网络自适应轨迹跟随控制器设计方法,这里机 械手的动力学非线性假设是未知的,并且假设机械手仅有关节角位置测量.文中采用一个线 性观测器重构机械手的关节角速度,用神经网络逼近修正的机械手动力学非线性,改进系统 的跟随性能.基于观测器的神经网络自适应控制器能够保证机械手角跟随误差和观测误差的 一致终结有界性以及神经网络权值的有界性,最后给出了机械手神经网络自适应控制器-观 测器设计的主要理论结果,并通过数字仿真验证了所提方法的性能.     

Robust dynamic surface control of flexible joint robots using recurrent neural networks

A robust neuro-adaptive controller for uncertain flexible joint robots is presented. This control scheme integrates H-infinity disturbance attenuation design and recurrent neural network adaptive control technique into the dynamic surface control framework. Two recurrent neural networks are used to adaptively learn the uncertain functions in a flexible joint robot. Then, the effects of approximation error and filter error on the tracking performance are attenuated to a prescribed level by the embedded H-infinity controller, so that the desired H-infinity tracking performance can be achieved. Finally, simulation results verify the effectiveness of the proposed control scheme.     

A Neural Network Adaptive Controller for End-effector Tracking of Redundant Robot Manipulators

In this paper we propose a neural network adaptive controller to achieve end-effector tracking of redundant robot manipulators. The controller is designed in Cartesian space to overcome the problem of motion planning which is closely related to the inverse kinematics problem. The unknown model of the system is approximated by a decomposed structure neural network. Each neural network approximates a separate element of the dynamical model. These approximations are used to derive an adaptive stable control law. The parameter adaptation algorithm is derived from the stability study of the closed loop system using Lyapunov approach with intrinsic properties of robot manipulators. Two control strategies are considered. First, the aim of the controller is to achieve good tracking of the end-effector regardless the robot configurations. Second, the controller is improved using augmented space strategy to ensure minimum displacements of the joint positions of the robot. Simulation examples are also presented to verify the effectiveness of the proposed approach.     

基于RBF神经网络的一类不确定非线性系统自适应H∞控制

基于RBF神经网络提出了一种H∞自适应控制方法.控制器由等效控制器和H∞控制器两部分组成.用RBF神经网络逼近非线性函数,并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能.H∞控制器用于减弱外部干扰及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出的算例验证了该方法的有效性.     

基于RBF神经网络的一类不确定非线性系统自适应H控制

基于RBF神经网络提出了一种H_∞ 自适应控制方法.控制器由等效控制器和H_∞ 控制器两部分组成.用RBF神经网络逼近非线性函数,并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能.H_∞ 控制器用于减弱外部干扰及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出的算例验证了该方法的有效性.     

基于神经网络的一类非线性系统自适应跟踪控制

提出一种非线性系统的自适应神经跟踪控制方案。通过利用RBF神经网络对未知非线性系统建模,并用一个滑模控制项消除网络建模误差和外部干扰的影响,从而能够保证闭环系统的全局稳定性和输出跟踪误差渐近收敛于零。