机器人模糊迭代学习控制及其仿真研究

在机器人的轨迹跟踪的迭代学习控制中，迭代学习的学习律难以选择，本文结合自校正控制、模糊逻辑和迭代学习控制的基本思想，提出采用自适应模糊控制确定学习效率的方法，并采用Matlab软件的Simulink对该方法应用于机器人高精度的轨迹跟踪控制的情况进行了仿真研究，结果表明该方法具有学习控制律简单实用、跟踪精度高、学习速度快、鲁棒性强等优点。     

基于反向迭代学习控制的工业机器人应用研究

针对一类具有对称期望轨迹跟踪的工业机器人系统,提出一种新的迭代学习控制方法,即反向型迭代学习控制方法。通过利用这类轨迹固有的特征,将其以中心点为界分解为前后两个独立的轨迹,利用两段轨迹的镜像对称特征,不断交替优化调整下次迭代周期的控制量,使得跟踪当前轨迹的工业机器人系统每次迭代时不必再从轨迹的初始点学习,从而有效加快了系统的学习速度。对具有镜像对称特征的期望轨迹进行交替利用控制信息,实现了工业机器人对期望轨迹的快速跟踪、减小系统的跟踪误差,从而达到了机器人跟踪效率的较大提升。收敛性分析和机器人的仿真实例验证了所提控制方法的有效性。     

基于迭代学习控制的移动机器人轨迹跟踪控制

为提高移动机器人对特定轨迹的重复跟踪能力,提出了采用开闭环PD型迭代学习控制算法对移动机器人进行轨迹跟踪控制的方法。建立了包含外界干扰的非完整约束条件下的轮式移动机器人运动学模型,给出了系统的控制算法和控制结构。仿真结果表明,采用开闭环PD型迭代学习控制算法对轨迹跟踪是可行有效的,收敛速度优于其他迭代学习算法。     

任意初态下的工业机器人迭代学习控制

对迭代初值为任意值的工业机器人轨迹跟踪控制系统,提出了一种基于滑模面的非线性迭代学习控制算法,使机器人轨迹能快速、精确跟踪上期望轨迹.基于有限时间收敛原理,构建了关于机器人轨迹跟踪误差的迭代滑模面,在滑模面内,机器人轨迹跟踪误差在预定时间内收敛到零.设计了基于滑模面的迭代学习控制算法,理论证明了随着迭代次数的增加,处于...     

基于强化迭代学习的四旋翼无人机轨迹控制

为进一步提升在未知环境下四旋翼无人机轨迹的跟踪精度,提出了一种在传统反馈控制架构上增加迭代学习前馈控制器的控制方法。针对迭代学习控制（ILC）中存在的学习参数整定困难的问题,提出了一种利用强化学习（RL）对迭代学习控制器的学习参数进行整定优化的方法。首先,利用RL对迭代学习控制器的学习参数进行优化,筛选出当前环境及任务下最优的学习参数以保证迭代学习控制器的控制效果最优;其次,利用迭代学习控制器的学习能力不断迭代优化前馈输入,直至实现完美跟踪;最后,在有随机噪声存在的仿真环境中把所提出的强化迭代学习控制（RL-ILC）算法与未经参数优化的ILC方法、滑模变结构控制（SMC）方法以及比例-积分-微分（PID）控制方法进行对比实验。实验结果表明,所提算法在经过2次迭代后,总误差缩减为初始误差的0.2%,实现了快速收敛;并且与SMC控制方法及PID控制方法相比,RL-ILC算法在算法收敛后不会受噪声影响产生轨迹波动。由此可见,所提算法能够有效提高无人机轨迹跟踪的准确性和鲁棒性。     

基于预测型间接迭代学习的SCARA机器人轨迹跟踪控制

SCARA机器人是一个强耦合、多输入多输出的非线性系统,运行时较易受外界干扰的影响,而且传统比例-积分-微分(PID)反馈控制器的轨迹跟踪精度较低。针对上述问题,设计具有前馈作用的预测型迭代学习控制器(A-ILC)。利用运行批次在采样时刻t+Δ处的误差输出信息,优化调整下次运行在采样时刻t处双闭环PID反馈控制器的角度。仿真结果表明,与仅采用双闭环PID反馈控制器相比,采用所设计的控制器能明显减小机器人末端的轨迹跟踪误差。     

基于随机初态学习率的迭代学习控制

迭代学习算法广泛应用于机器人轨迹跟踪控制研究中.常规迭代学习算法要求每次迭代的初始条件都相同,针对一类强耦合非线性系统在有限时间内重复运动的特征,提出了一种带有任意初态学习率的迭代算法.这种算法允许迭代时初始状态处于任意位置,通过数学计算证明了系统在不同初始态条件下的迭代学习算法,系统输出可以完全跟踪期望轨迹.这种带有...     

基于内模的机器人迭代学习控制

本文根据内模控制的概念，设计一个扰动控制器，使机器人系统表现为固定参数的解耦线性化系统．基于此线性系统，提出了一种迭代学习控制律，给出了算法收敛的充分条件．算法的参数选择非常简单，从而易于满足收敛条件．仿真结果表明了算法的有效性．     

一种机器人轨迹跟踪控制的迭代学习方法

本文提出了一种新的迭代学习策略并详细报告了在1台实验用机器人上的实验结果．这 个方法的特点是对于动力学参数未知的系统, 可以通过实验方便地确定满足收敛条件的学习 控制器参数． 因此,它具有实用价值, 并有可能将其使用范围推广到除机器人规迹控制外的 其它控制领域.     

可穿戴五自由度上肢外骨骼机器人固定时间控制

针对可穿戴上肢外骨骼系统在外部干扰及参数不确定条件下的轨迹跟踪问题,提出了一种基于观测器的固定时间控制策略.首先,采用拉格朗日方法对五自由度上肢外骨骼系统的动力学模型进行面向控制处理.其次,考虑模型中存在参数不确定及外部干扰,基于改进超螺旋算法设计了固定时间干扰观测器,实现对系统干扰的实时估计,完成对控制器的在线补偿;在此基础上,设计了非奇异终端滑模固定时间控制律,保证外骨骼关节角度跟踪误差在固定时间内收敛至原点.再次,基于Lyapunov方法证明了闭环系统的稳定性.最后,通过对比和数值仿真结果证明所提出控制策略的有效性.     

基于改进混沌搜索算法的机器人轨迹规划

在考虑机器人关节约束的影响下,为得到工业机器人的时间最优轨迹,提出了一种适用于多极值函数优化问题的混合算法。首先基于混沌搜索算法定位最优解的邻域,继而使用遗传算法在此邻域内寻找最优解。在MATLAB平台上,对该混合算法进行编程并仿真轨迹,并与传统遗传算法的结果进行比较,结果表明使用混合算法得到的总时间为25.449 s,明显少于对照组的39.534 s,证实了该混合算法具有较好的全局搜索性能。     

基于几何分析的分布参数系统的迭代学习控制

研究了一类不确定非线性分布参数系统的迭代学习控制问题.基于几何分析方法,给出了分布参数系统一种新的具有自适应因子的非线性迭代学习控制算法.导出了新算法的收敛条件,并利用广义λ范数从理论上证明了新算法的收敛性.     

基于泰勒级数的迭代学习算法

针对存在不确定扰动的线性时变系统的轨迹跟踪控制问题,提出了基于泰勒级数的迭代学习算法．该算法利用泰勒级数将系统参数化,导出一种基于泰勒级数的线性时变系统的近似模型．在此模型的基础上,利用迭代学习方式修正输入量的泰勒展开系数,并用LMI方法求解学习增益矩阵．所提出算法在系统不满足正则性或无源性时,仍可用输出误差信号来构造学习律．仿真结果表明了该算法的有效性．     

基于向量图分析的迭代学习控制非线性算法

打破多年来人们一直囿于Arimoto的思路 ,另辟途径寻找新的迭代学习控制的研究方法 ,以期构架迭代学习控制的几何理论 .基于数学的几何方法 ,通过对通常算法所构成的向量图进行分析 ,获得了一类快速的迭代学习控制新算法 ,然后对这种新结构的算法在理论上进行了完整的收敛性分析 .这类新算法与目前所有迭代学习控制算法不同 ,具有非线性结构 .仿真结果表明了该类算法的有效性与优越性     

基于向量图分析的一种迭代学习控制算法及其鲁棒性

为了增强迭代学习控制的鲁棒性,加快学习过程的收敛速度,而又不过多地依赖于系统内部信息,本文基于向量图分析思路,利用输入空间的向量构造三角形修正结构,得到了一种新的迭代学习控制算法．该算法根据跟踪误差的大小,调节输入控制量在三角形的一条边上滑动,在跟踪误差较大时,算法能找到控制期望的大致位置并加速收敛,在跟踪误差较小时,能将控制量稳定在其期望的很小邻域内,理论上证明了该邻域直径大小为跟踪误差的二阶无穷小．数值仿真结果说明了它的有效性和优越性．     

基于向量图分析的分布参数系统迭代学习控制

针对一类不确定线性分布参数系统的迭代学习控制问题进行了讨论。基于向量图分析方法,提出了分布参数系统的一种新的迭代学习控制算法,该算法与现有算法不同,具有非线性形式。此外,利用 范数对所提新算法进行了完整的收敛性分析。     

一类基于几何分析的迭代学习控制算法

基于几何分析，对迭代学习控制方法的几何框架进行探索．首先通过对Arimoto算法所构成的向量图进行几何分析，导出了一类新的迭代学习算法结构；然后从理论上对所导出的算法进行完整的收敛性分析．该算法结构与已有算法完全不同，但其收敛速度和精度明显提高．仿真结果表明了新算法的有效性和优越性．     

Iterative learning control applied to a non-linear vortex panel model for improved aerodynamic load performance of wind turbines with smart rotors

The inclusion of smart devices in wind turbine rotor blades could, in conjunction with collective and individual pitch control, improve the aerodynamic performance of the rotors. This is currently an active area of research with the primary objective of reducing the fatigue loads but mitigating the effects of extreme loads is also of interest. The aerodynamic loads on a wind turbine blade contain periodic and non-periodic components and one approach is to consider the application of iterative learning control algorithms. In this paper, the control design is based on a simple, in relative terms, computational fluid dynamics model that uses non-linear wake effects to represent flow past an airfoil. A representation for the actuator dynamics is included to undertake a detailed investigation into the level of control possible and on how performance can be effectively measured.     

基于几何分析的迭代学习控制快速算法

基于几何分析, 对迭代学习控制问题进行了讨论. 在这种几何框架下获得了与目前算法完全不同的快速算法, 为迭代学习控制的研究开辟了一条全新的途径. 这种基于几何理论的新途径, 能明确的指引人们应该怎样去设计更好的学习算法, 而不是像目前的研究结果那样, 总是囿于Arimoto(1984)所提出的最基本的算法形式之中. 数值仿真结果表明新算法的有效性与优越性.