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.     

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。     

基于神经网络的不确定机器人自适应滑模控制

提出一种机器人轨迹跟踪的自适应神经滑模控制。该控制方案将神经网络的非线性映射能力与变结构控制理论相结合,利用RBF网络自适应学习系统不确定性的未知上界,神经网络的输出用于自适应修正控制律的切换增益。这种新型控制器能保证机械手位置和速度跟踪误差渐近收敛于零。仿真结果表明了该方案的有效性。     

一种基于增强学习的自适应控制方法

针对模型未知时变非线性对象的控制问题，提出一种直接的自适应控制策略。该策略基于径向基神经网络并结合增强学习的自调节能力，无需知道控制对象的动态特性，而是通过在线试错在控制过程中不断积累与问题相关的信息，用以产生可接受的逐步优化的解。     

基于确定学习的电力系统稳定性控制

传统自适应控制方法存在计算过于复杂、控制器奇异性的问题。为了解决这些问题,采用了一种简单的自适应控制方法,以保证电力系统中所有信号的有界性和有限时间内跟踪误差的收敛性。主要思想是将控制过程中的稳定闭环系统分解为一系列具有适当状态变换的线性时变扰动子系统,利用递归设计方法,建立了径向基函数神经网络的部分持续激励条件,保证了扰动子系统的指数稳定性。因此,在闭环信号循环轨道的局部区域内实现了闭环系统动力学的精确逼近,在闭环反馈控制过程中所学习的知识可以被重复利用,从而避免了在自适应控制过程中大量重复训练的过程。仿真结果表明了该方法的有效性。     

基于神经网络补偿的机器人稳定自适应控制

针对建模不精确的机器人,提出了一种基于神经网络补偿的机器人轨迹跟踪稳定自适应控制方法,文中通过设计神经网络补偿器和自适应鲁棒控制项,有效地补偿了模型的不确定性部分和网络逼近误差.由于算法包含有补偿神经网络逼近误差的鲁棒控制项,实际应用中对神经网络规模的要求可以降低;而且神经网络连接权是在线调整的,不需要离线学习过程.理论表明算法能够保证跟踪误差及神经网络连接权估计最终一致有界,仿真结果也验证了算法的有效性.     

基于径向基函数神经网络的机器人滑模控制

尽管滑模控制响应快,对系统参数和外部扰动呈不变性,但在保证系统的渐进稳定性上却存在很强的抖动缺点.因此,在一般滑模控制的基础上,引入了径向基函数神经网络(RBFNN).利用滑模控制的特点设定目标函数,将切换函数作为RBFNN的输入,滑模控制量作为其输出.利用RBF神经网络的在线学习功能,消除了控制的抖动,同时使系统具有很强的鲁棒性.对两连杆机械手进行了仿真研究,其结果表明,在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能消除滑模控制的抖动问题.     

移动机器人的确定学习与控制

利用确定学习, 提出了移动机器人的学习控制策略. 在闭环控制过程中, 该控制器可以学习到未知控制系统的动态, 并将学到的动态作为经验知识以常值网络权值的形式储存. 在下次重复相同的控制任务时, 控制器可以调用以往所学到的动态知识用于控制并获得更好的控制性能. 该策略避免了耗时的神经网络重新训练过程, 使得移动机器人具有真正意义上的从经历中获取知识, 存储知识, 并将学到的知识再利用的智能控制能力.     

水下机器人的神经网络自适应控制

研究了水下机器人神经网络直接自适应控制方法,采用Lyapunov稳定性理论,证明了存在有界外界干扰和有界神经网络逼近误差条件下,水下机器人控制系统的跟踪误差一致稳定有界.为了进一步验证该水控制方法的正确性和稳定性,利用水下机器人实验平台进行了动力定位实验、单自由度跟踪实验和水平面跟踪实验等验证实验.     

基于模糊神经网络水下机器人直接自适应控制

提出了基于广义动态模糊神经网络的水下机器人直接自适应控制方法, 该控制方法既不需要预先知道模糊神经结构, 也不需要预先的训练阶段, 完全通过在线自适应学习算法构建水下机器人的逆动力学模型. 首先, 本文提出了基于这种网络结构的水下机器人直接自适应控制器, 然后, 利用 Lyapunov 稳定理论, 证明了基于该控制器的水下机器人控制系统闭环稳定性, 最后, 采用某水下机器人模型仿真验证了该控制方法的有效性.     

应用于力矩受限自由漂浮空间机器人的神经网络自适应控制

在控制力矩受限情况下,为实现具有模型不确定性自由漂浮空间机器人的轨迹跟踪控制,文章设计了一种新的神经网络自适应控制策略;首先,用双曲函数对控制力矩输入进行限制;其次,设计一种神经网络自适应控制律,对输入力矩受限条件下的非线性系统模型进行在线逼近,同时,利用鲁棒项对神经网络逼近误差和外界干扰进行消除;最后,根据李雅普诺夫理论,证明了所设计控制策略能够使自由漂浮空间机器人系统渐进稳定;仿真实验表明,该控制策略在无需建立复杂系统模型的情况下,便能够对控制力矩进行有效限制,从而使自由漂浮空间机器人在控制力矩受限情况下得到较好的控制.     

一种稳定的机器人神经网络控制器研究

研究一种稳定的机器人神经网络（ＮＮ）控制器，提出了由神经网络控制器和监督控制器构成的控制方案，给出了控制器的设计方法及ＮＮ学习自适应律，并基于Ｌｙａｐｕｎｏｖ方法证明了控制系统的稳定性和ＮＮ参数收敛性，仿真结果表明该控制方案具有良好的鲁棒性和参数收敛性，从而证明控制器的有效性。     

基于神经网络的鲁棒自适应控制

考虑摩擦及外界干扰的情况下，针对具有不确定性参数的机器人系统，提出一种基于神经网络动态补偿的鲁棒自适应控制策略，采用神经网络在线补偿控制器以克服系统的外部扰动，未建模动力学部分等非参数不定性带来的影响，从而提高了系统的动态性能和稳态精度，并对闭环系统稳定性进行了证明，仿真结果表明，所提方法具有良好的跟踪性能和较强的鲁棒性。     

基于观测器的空间机器人神经自适应鲁棒控制

研究无速度反馈的不确定性自由漂浮空间机器人轨迹跟踪控制问题,为了提高控制性能,采用一种观测器神经网络自适应鲁棒控制方法。利用神经网络设计观测器对系统的速度信息进行估计;其次,利用神经网络对系统模型的非线性进行逼近,设计神经网络自适应鲁棒控制器对系统进行控制,无需建立复杂的数学模型,并且所设计的自适应律能够进行在线学习;最后,根据H∞理论设计的鲁棒控制器保证了系统稳定,并使系统的L2增益小于给定指标。仿真结果表明,上述方法在无速度信息反馈下仍能进行有效的跟踪控制。     

基于自适应RBF神经网络的超空泡航行体反演控制

针对超空泡航行体姿轨控制普遍存在的模型不确定性问题进行相关研究.为此, 首先对其动力学特性进行分析, 并建立了超空泡航行体的动力学名义模型, 随后将其改写为不确定反馈系统, 然后利用反演控制方法设计超空泡航行体姿轨控制器, 针对模型中的未知函数利用径向基函数(Radial basis function, RBF)神经网络进行逼近并补偿, 由基于Lyapunov稳定理论设计的自适应方法计算神经网络的权重, 并给出稳定性证明.仿真研究验证了控制器设计的有效性.     

空间机器人系统的自适应控制

对于载体姿态可控的空间机器人系统，本文给出了一种笛卡空间自适应控制算法，当系统的动力学参数未知时，该算法可以保证对手端期望位置轨迹的渐近跟踪，并且不需要测量关节加速度。应用文中算法对二杆平面空间机器人系统进行仿真研究。证实了算法的有效性。     

基于低通滤波器的不确定机器人迭代学习控制

针对不确定机器人系统轨迹跟踪问题,并更好地消除系统不确定性对控制性能的影响,提出一种基于低通滤波器的迭代学习控制方法。采用滑模变结构控制(SMC)以提高控制器对系统干扰和摄动的鲁棒性,并在控制器输出端引入低通滤波器(LPF)来消除滑模控制中出现的抖振现象。将系统的不确定项描述为周期性和非周期性两部分,通过采用迭代学习算法对周期性不确定部分进行迭代学习,采用RBF神经网络对非周期性不确定部分的未知上界进行自适应学习。该控制方法不仅对系统的不确定性和有界外部扰动具有鲁棒性,而且使得整个系统在迭代域中是全局渐近稳定的。严格的理论推导和仿真结果表明了该控制策略的有效性。     

Learning Control of Robot Manipulators in Task Space

Two important properties of industrial tasks performed by robot manipulators, namely, periodicity (i.e., repetitive nature) of the task and the need for the task to be performed by the end‐effector, motivated this work. Not being able to utilize the robot manipulator dynamics due to uncertainties complicated the control design. In a seemingly novel departure from the existing works in the literature, the tracking problem is formulated in the task space and the control input torque is aimed to decrease the task space tracking error directly without making use of inverse kinematics at the position level. A repetitive learning controller is designed which “learns” the overall uncertainties in the robot manipulator dynamics. The stability of the closed‐loop system and asymptotic end‐effector tracking of a periodic desired trajectory are guaranteed via Lyapunov based analysis methods. Experiments performed on an in‐house developed robot manipulator are presented to illustrate the performance and viability of the proposed controller.