基于增强学习的下肢助力外骨骼虚阻抗控制

提出了一种基于增强学习的变虚阻抗控制算法,其控制器设计为一个结合人机交互模型的虚阻抗控制器。为了适应不同穿戴者所产生的交互力,采用了PI2增强学习算法对控制器中的参数进行在线学习。该控制策略在一自由度外骨骼平台和HUALEX下肢助力外骨骼上进行了实验验证,证明了所提出控制算法的有效性。     

基于模仿学习的变刚度人机协作搬运控制

针对人-机器人协作搬运,现有的控制策略难以同时保证搬运过程的柔顺性和搬运终点位置的精确性,而且对不同搬运任务适应性不够. 基于模仿学习提出变刚度协作搬运控制策略. 使用任务参数化的高斯混合模型(TP-GMM)对多次搬运示教数据进行编码,学习不同搬运工况下的搬运轨迹概率模型;结合导纳控制建立机械臂末端变刚度交互模型,实现柔性搬运操作,并基于交互力阈值实现不同搬运任务的切换;搭建协作搬运平台进行实验验证. 实验结果表明,提出的策略在实现柔性协作搬运的同时将特定搬运任务的终点位置精度提高到1.9 mm,且保证了特定搬运任务中机械臂末端在期望区域内运动以及搬运任务的切换.     

基于阻抗模型的卧式康复机器人柔顺控制

为满足脑卒中患者早期卧床康复需求,结合临床康复手法与人机工程学,设计了一款卧式康复机器人。该卧式康复机器人可以提供单腿屈髋屈膝运动、卧式步态运动、桥式运动等多种有效的康复动作。为确保训练的安全性以及改善在训练过程中由人机交互作用带来的舒适度和柔顺性差等问题,采用一种基于阻抗模型的柔顺控制方法。将人与机器人之间的交互视为一种虚拟的阻抗模型,即二阶质量-弹簧-阻尼模型,并基于该阻抗模型进行康复机器人的柔顺控制研究。该柔顺控制策略由外环阻抗控制器和内环PID控制器组成,外环的阻抗控制器通过将人机交互力作用在阻抗模型上,实现根据人体意图对运动轨迹进行改变,而内环的PID控制器主要实现对生成的期望轨迹进行稳定跟踪。通过实验证明了基于阻抗模型的卧式康复机器人柔顺控制的有效性。     

基于神经网络的水下灵巧手阻抗控制

水下灵巧手抓取物体时,物体与指尖存在力控制问题,但是由于动力学模型、被抓取物体位置和刚度的不确定性,采用传统阻抗控制方法不具有鲁棒性.文中基于位置型阻抗控制方法,提出采用神经网络对手指动力学模型、物体刚度和物体位置误差进行补偿.对补偿策略进行了详细的推导,并通过仿真实验验证了该方法的补偿效果,结果表明基于神经网络的位置型阻抗控制器具有较强的鲁棒性.     

基于集成概率模型的变阻抗机器人打磨力控制

工业机器人对工件柔顺打磨作业的适应性差，为此设计机器人柔顺浮动力控末端执行器，基于集成贝叶斯神经网络模型的强化学习，提出主动自适应变阻抗的机器人打磨力控制方法.所提方法根据打磨作业的接触环境信息，利用自助法获取小量数据的多次采样样本，训练集成贝叶斯神经网络模型以描述机器人打磨系统与工况环境交互作用，采用协方差矩阵自适应进化策略（CMA-ES）求解最优阻抗参数.构建机器人打磨系统虚拟样机平台，开展叶片工件的打磨仿真实验，验证所提方法的有效性.实验结果表明，所提方法在十几次训练后，能够将打磨力的绝对跟踪误差减小至较小值，较好地实现了机器人打磨系统的主动自适应变阻抗打磨力控制，提高了机器人打磨力控制的柔顺性和鲁棒性.     

液压驱动四足机器人变刚度力跟踪控制

针对液压驱动机器人在变刚度条件下力控制问题,建立了液压驱动四足机器人系统的阻抗模型和带有弹性负载的阀控缸模型.分析系统刚度变化对系统性能的影响,指出常规控制策略在精确足力跟踪控制中的不足,结合变刚度条件下阻抗模型和电液位置伺服系统的特点,提出实现精确足力跟踪的模糊自适应PID位置内环控制和模糊阻抗外环控制的复合控制策略.在半实物仿真平台上进行变刚度条件下的足力跟踪实验,仿真结果表明：在变刚度条件下,足力跟踪曲线最大超调及稳态误差均小于5%,调整时间基本相同,验证了所提控制策略的有效性.     

应用深度强化学习的压边力优化控制

为改善板料拉深制造的成品质量,采用深度强化学习的方法进行拉深过程的压边力优化控制. 提出一种基于深度强化学习与有限元仿真集成的压边力控制模型,结合深度神经网络的感知能力与强化学习的决策能力,进行压边力控制策略的学习优化. 基于深度强化学习的压边力优化算法,利用深度神经网络处理巨大的状态空间,避免了系统动力学的拟合,并且使用一种新的网络结构来构建策略网络,将压边力策略划分为全局与局部两部分,提高了压边力策略的控制效果. 将压边力的理论知识用于初始化回放经验池,提高了深度强化学习算法在压边力控制任务中的学习效率. 实验结果表明,与传统深度强化学习算法相比,所提出的压边力控制模型能够更有效地进行压边力控制策略优化,成品在内部应力、成品厚度以及材料利用率3个质量评价指标的综合表现优于传统深度强化学习算法. 将深度强化学习中的策略网络划分为线性部分与非线性部分,并结合理论压边力知识来初始化回放经验,能够提高深度强化学习在压边力优化控制中的控制效果,提高算法的学习效率.     

下肢助力外骨骼机器人自适应阻抗控制研究

当前用于人体运动增强的下肢助力外骨骼系统获得越来越多的关注。获取高精度跟随控制是下肢助力外骨骼机器人研制的主要挑战。针对当前基于位置的控制算法需要复杂的外骨骼动力学模型的问题,该文提出了基于增强学习的变参数阻抗控制算法。首先介绍了HUALEX助力外骨骼系统并对HUALEX建立简单动力学模型。基于此,提出一种基于增强学习的自适应阻抗控制算法,验证了阻抗参数对控制效果的影响,并通过仿真实验验证了该算法的有效性。     

基于自抗干扰的装配机器人阻抗控制技术

为了提升机器人装配作业的精确性和柔顺性,提出改进型自抗扰阻抗控制策略.该策略通过自抗扰控制器生成新期望力来调整机器人末端工具坐标系的位置,实现精确的力跟踪.通过扰动观测器观测环境信息并补偿控制系统的期望力,提高控制系统对环境参数的适应性.引入阻抗模型改进扰动观测器,使观测器的响应速度增大,力跟踪的精度提高.基于六自由度机器人的精密轴孔装配实验结果表明,与传统阻抗控制相比,基于自抗扰控制（ADRC）的阻抗控制能够在较小的接触力误差下完成装配,且基于改进型自抗扰控制的阻抗控制的力平均误差比改进前自抗扰控制减小12.0%～28.2%.     

基于自适应边界能量法的柔顺力控制研究

阻抗控制方法是有效的机器人接触控制方法,但是该方法只能在预估的环境参数范围内保证系统的稳定性。针对这一问题,该文提出一种新的自适应边界能量（Energy Boundary Method-EBM）方法,通过在线估计控制参数提高系统整体性能,保证系统的稳定性。在该控制方法下,系统在与超出预估范围内的不确定环境相接触时,仍可保持期望的稳定接触力,同时具备较强的鲁棒性。为证实该方法的可行性及有效性,以气液联控柔顺力控制系统为例,进行理论及仿真研究,理论性能及仿真结果分析证明了该方法的有效性。     

机器人打磨自适应变阻抗主动柔顺恒力控制

为解决工业机器人打磨过程中存在复杂时变非线性耦合与不确定性扰动导致机器人柔顺恒力打磨自适应调节能力不足的问题，首先给出了一种可实现沿轴向平移与旋转运动解耦的力控末端执行器，其次设计了一种自抗扰控制器和一种粒子群神经网络变阻抗控制器分别作为内环控制和外环控制，在此基础上，提出了一种机器人自适应变阻抗主动柔顺恒力控制方法，用于在线自适应优化阻抗参数，动态调节打磨力修正量，实现机器人打磨作业自适应主动柔顺恒力控制。最后采用Lyapunov稳定性理论分析证明了所提出方法的闭环稳定性。通过机器人打磨系统虚拟样机联合仿真实验和机器人平台实物实验，验证了所提出方法的有效性。实验结果表明，所提方法能够较好实现静态与动态期望打磨力跟踪，减小了打磨力波动、力超调量以及打磨初期打磨工具处的冲击力，提高了打磨力控制系统抗扰动稳定性、恒力跟踪性能和动态响应能力，对复杂多变工况机器人打磨作业具有较强的适应性与鲁棒性。     

非线性系统的梯度变分迭代自学习控制

研究了一类非线性系统的梯度变分迭代自学习算法,以提高此类非线性系统的控制品质.梯度变分迭代自学习算法是针对符合某一类范式的周期性或重复性输出控制的非线性系统而设计的一种自寻优自学习算法.该算法针对一类非线性系统的数学描述模型,给出了性能指标函数,通过梯度变分的方法寻找性能指标函数梯度的负方向,并利用迭代自学习得到性能指标函数的最小值,使系统收敛于目标输出.将该算法应用于极端环境模拟装置的压力控制系统,取得了比传统控制算法更高的效率与更快的收敛速度.梯度变分迭代自学习算法是符合一类数学模型的非线性系统的一种高效控制算法.     

基于模型预测的迭代学习控制器设计

针对具有非重复性干扰项的重复操作过程,提出了基于模型预测的迭代学习控制算法。其中,迭代学习控制器以前馈形式作用于重复过程.算法在时间轴方向基于跟踪误差暂态模型,采用模型预测控制的反馈校正,来抑制当前随机干扰,提高系统的跟踪性能.在重复次序方向利用P型迭代学习控制克服重复干扰.仿真结果表明了该方法的有效性.     

永磁同步电机伺服系统自适应迭代学习控制

针对执行重复性任务的永磁同步电机伺服系统,由于参数摄动、随机扰动等不确定因素影响导致的跟踪精度下降,误差发散问题,提出一种自适应迭代学习控制方法.该方法在PD型反馈控制的基础上增加自适应迭代项对控制律中未知参数进行迭代学习,减少不确定因素对系统性能的影响.建立了含有不确定性扰动的系统模型和PMSM自适应迭代学习控制系统,并且基于Lyapunov稳定性理论,分析了该方案的收敛性.结果表明,与传统PD型ILC相比,该方法收敛速度更快,跟踪精度更高,可有效改善系统的性能.     

基于速度闭环的自适应力位控制算法

针对力觉主手力控制中接触刚度时变的特殊要求,提出了一种含有速度闭环的自适应力/位混合控制算法.通过构造系统特定的标量函数,证明可以通过选择合适的自适应参数更新律,使得在该控制律和更新律的共同作用下追踪力误差是有界的,力误差的导数是平方可积的.利用Barbalat引理证明了该控制算法具有全局渐近稳定性.给出了主手力控制系统的体系结构,并对不同频率正弦力信号进行了跟踪实验.实验结果表明:对于同样频率的力信号,所提出的方法跟踪误差小于常规阻抗控制方法,整个控制系统稳定并具有良好的控制特性.实验分析了控制律中各关键参数对控制品质的影响.     

基于学习自动机阵列的模糊规则学习方法

研究在线学习模糊控制规则的方法．建立基于多维学习自动机阵列的模糊控制器模型,提出在学习自动机阵列中按照贡献分配奖励的学习算法．在没有任何预置知识和规则的前提下,该控制器能通过与被控对象的交互动作建立自身的规则库．对机械手自学习视觉伺服控制的仿真结果验证了该方法的有效性．     

基于扰动观测器的机械臂阻抗复合控制研究

针对机械臂系统模型中存在未知扰动的问题,提出了基于扰动观测器的机械臂阻抗复合控制方法.针对二阶阻抗动态模型,采用由扰动观测器(DOB)、阻抗控制器和位置控制器构成的复合控制策略,其中扰动观测器用来估计机械臂模型中的未知扰动,阻抗控制器用于修正输入角度,位置控制器对修正后的角度进行跟踪控制.复合控制保证阻抗误差可以收敛到一个小的邻域,最终实现期望二阶阻抗模型的动态跟踪.仿真算例验证了该控制方法的有效性.     

欠驱动假手手指抓取力的研究

为了满足欠驱动手进行复杂作业的需要,基于欠驱动原理建立了手指对物体的抓取力模型和基于力的阻抗控制策略.对应于任一手指姿态,抓取力模型可以准确得到基关节抓握力矩和手指各指节抓取力的关系;采用基于力的阻抗控制策略,实现了基关节抓取力控制.实验证明,手指能够稳定地抓取鸡蛋这样比较滑、容易碎、形状复杂且有一定质量,需要稳定和平衡抓取力的物体,其成功率达80%以上.而这是单纯用手指的基关节力控制很难做到的(成功率只有不到20%).手指抓取力模型和阻抗控制策略的建立大大增强了假手进行复杂作业,抓取复杂物体的能力.     

基于Q学习的变体无人机控制系统设计

针对变体无人机的控制问题,给出了Q学习控制方法。首先根据设计任务要求设计控制律控制变体无人机按给定航路完成飞行。同时根据飞行环境和飞行任务的变化,利用Q学习方法控制变体飞行器相应地改变外形(平直翼、小前掠翼、大前掠翼),使变体飞行器能始终保持最优飞行状态,以满足在变化很大的飞行环境里执行多种任务(如巡航、机动、盘旋、攻击等)的要求。仿真结果验证了该方法的正确性和有效性。     

基于模糊控制的上肢康复机器人变导纳控制

传统固定参数的导纳模型无法对上肢康复机器人的柔顺性实时调节,而现有变参数导纳模型需要结合实际康复需求进行改善。为此,以自主研发的串并混联的末端牵引式上肢康复机器人为研究对象,结合模糊控制与导纳控制,提出了一种面向实际康复需求的新型变导纳控制策略,制定了4条有利于康复效率与安全的模糊规则。该策略利用交互力误差及其变化率作为模糊控制输入,实时改变导纳模型的参数,实现柔顺性自主调节。仿真和实验结果验证了所提出的变导纳模型控制策略可行性和所制定的4条模糊规则的有效性。在患者可适应训练强度的场景中,相较于固定导纳模型,变导纳模型追踪给定路径时产生的冗余路径最多可降低56.13%,提高了康复训练效率;当康复运动超出患者可承受范围时,变导纳模型可提前0.5 s改变追踪路径,提高了康复的安全性。