模糊小波基神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络控制器并用于机器人轨迹跟踪控制.这种模糊神经网络利用了小波基函数作为隶属函数,可在线根据误差调整隶属函数的形状,使模糊神经网络具有更强的学习和适应能力.仿真与实验结果表明这种网络能很好的用于机器人的轨迹跟踪控制,具有很好的性能.     

一种基于模糊神经网络的机器人控制

采用高斯函数作为模糊隶属函数,将模糊控制与神经网络相结合。利用神经网络实现模糊推理,运用了一种模糊高斯基函数神经网络,并用于两关节机器人的轨迹跟踪控制。仿真结果表明,该网络对机器人轨迹跟踪控制具有很好的效果,是一种行之有效的控制方法。     

基于FNN的覆冰机器人越障机械臂轨迹跟踪控制

覆冰机器人除冰时要跨越各种障碍物。采用卡尔曼滤波学习算法,将自适应模糊神经网络控制器用于覆冰机器人越障时的机械臂轨迹跟踪控制,解决了BP算法实时性差的问题。经过仿真实验论证,该方法对覆冰机器人越障时的机械臂轨迹跟踪控制具有很好的效果,表明控制策略和理论分析的可行性。     

机器人末端臂轨迹跟踪自适应控制设计

本文提出了新颖的机器人末端臂轨迹跟踪自适应控制方法。该方法与已有的神经网络模型不同之处在于数据首先利用运动学反解求出机器人各关节旋转的角度,然后应用径向基函数自组织进行神经网络学习生成模糊规则,利用监督学习算法(SLA)、最小二乘法(LMS)、反向传播算法(BP)和聚类分析的方法在线优化控制规则以及隶属函数的参数。仿真结果表明,该方法不但规则生成的时间少,有效的防止了规则数爆炸,而且在机器人轨迹跟踪控制的应用中效果好。     

基于控制器输出误差方法的自适应模糊控制及其在机器人轨迹跟踪控制中的应用

本文提出一种自适应模糊控制器并将之用于机器人轨迹跟踪控制 ,该控制器采用控制器输出误差方法 (COEM) ,根据控制器的输出误差而不是对象的输出误差来在线地调整模糊控制器的参数 ,无须对对象进行辩识 .仿真结果表明该控制器用于机器人轨迹跟踪控制具有很好的性能 ,是一种有效的控制器     

机械手自适应模糊控制器设计

本文提出了一种自适应模糊控制器用于机械手轨迹跟踪控制,该控制器通过对训练数据的聚类分析提取典型数据送入神经网络学习,得到的控制规则更加适用,在线控制时可以自动调整神经网络的结构以及隶属函数的参数。仿真实验表明该控制器能够对机械手实时控制,而且精度较高。     

基于模糊神经网络的冗余度变几何桁架机器人自适应控制

本文提出了一种基于模糊神经网络（FNN）的机器人位置自适应控制方法．利用模糊 神经网络模型来辨识冗余度变几何桁架机器人的逆动力学模型,用常规反馈控制器完成外部 干扰的补偿和闭环控制．并以四重四面体变几何桁架机器人为例进行仿真计算,表明该控制 方法具有良好的轨迹跟踪精度和抗干扰能力．     

腿轮式机器人的自适应模糊控制

提出了一种基于模糊神经网络(FNN)的腿轮式机器人轨迹跟踪控制方法．在利用常规P D控制器提取初始模糊规则的基础上,利用专家经验对初始规则进行补充,最后再利用误差的 反向传播算法对参数进行在线的自适应调整．仿真计算证明该方法具有良好的轨迹跟踪精度 和抗干扰能力．     

基于遗传算法优化的机器人模糊控制系统

本文提出一种基于遗传算法优化的模糊控制系统并将之用于五自由度关节型机器人轨迹跟踪控制,该系统将五关节的位置误差和误差变化率作为模糊控制器的输入,输出为五关节的转矩,同时采用先进的遗传算法在线优化调整控制器参数,既避免建立复杂的机器人数学模型,又能达到精确的控制效果.仿真结果表明该控制系统用于机器人轨迹跟踪控制具有很好的性能,较好地实现了机器人的实时智能控制,并大幅提高了其控制的自适应性和鲁棒性,最后给出相关的实验和结论.     

模糊CMAC的柔性空间机器人轨迹跟踪自学习控制

针对不确定自由漂浮柔性空间机器人系统,采用模糊CMAC神经网络自学习控制策略来解决轨迹跟踪控制问题.首先建立漂浮基空间机器人的动力学方程,然后利用具有快速学习能力的模糊CMAC神经网络来逼近非线性柔性臂的逆动力学模型.网络参数采用改进的有监督的Hebb学习规则进行自适应在线调整,并通过关联搜索进行自学习和自组织,其误差代价函数由PID控制器提供.仿真结果表明,这种模糊CMAC逆模PID控制器能够达到较高的控制精度,具有一定的工程应用价值.     

Adaptive fuzzy neural network finite-time command filtered control of n-link robotic systems with actuator saturation

The finite time tracking control of n-link robotic system is studied for model uncertainties and actuator saturation. Firstly, a smooth function and adaptive fuzzy neural network online learning algorithm are designed to address the actuator saturation and dynamic model uncertainties. Secondly, a new finite-time command filtered technique is proposed to filter the virtual control signal. The improved error compensation signal can reduce the impact of filtering errors, and the tracking errors of system quickly converge to a smaller compact set within finite time. Finally, adaptive fuzzy neural network finite-time command filtered control achieves finite-time stability through Lyapunov stability criterion. Simulation results verify the effectiveness of the proposed control.     

Tracking control of a closed-chain five-bar robot with two degrees of freedom by integration of an approximation-based approach and mechanical design

The trajectory tracking problem of a closed-chain five-bar robot is studied in this paper. Based on an error transformation function and the backstepping technique, an approximation-based tracking algorithm is proposed, which can guarantee the control performance of the robotic system in both the stable and transient phases. In particular, the overshoot, settling time, and final tracking error of the robotic system can be all adjusted by properly setting the parameters in the error transformation function. The radial basis function neural network (RBFNN) is used to compensate the complicated nonlinear terms in the closed-loop dynamics of the robotic system. The approximation error of the RBFNN is only required to be bounded, which simplifies the initial "trail-and-error" configuration of the neural network. Illustrative examples are given to verify the theoretical analysis and illustrate the effectiveness of the proposed algorithm. Finally, it is also shown that the proposed approximation-based controller can be simplified by a smart mechanical design of the closed-chain robot, which demonstrates the promise of the integrated design and control philosophy.     

基于扰动观测器的机器人自适应神经网络跟踪控制研究

为解决机器人动力学模型未知问题并提升系统鲁棒性,本文基于扰动观测器,考虑动力学模型未知的情况,设计了一种自适应神经网络（Neural network,NN）跟踪控制器.首先分析了机器人运动学和动力学模型,针对模型已知的情况,提出了刚体机械臂通用模型跟踪控制策略;在考虑动力学模型未知的情况下,利用径向基函数（Radial basis function,RBF）神经网络设计基于全状态反馈的自适应神经网络跟踪控制器,并通过设计扰动观测器补偿系统中的未知扰动.利用李雅普诺夫理论证明所提出的控制策略可以使闭环系统误差信号半全局一致有界（Semi-globally uniformly bounded,SGUB）,并通过选择合适的增益参数可以将跟踪误差收敛到零域.仿真结果证明所提出算法的有效性并且所提出的控制器在Baxter机器人平台上得到了实验验证.     

An adaptive neural network switching control approach of robotic manipulators for trajectory tracking

In this paper, an adaptive neural network (NN) switching control strategy is proposed for the trajectory tracking problem of robotic manipulators. The proposed system comprises an adaptive switching neural controller and the associated robust compensation control law. Based on the Lyapunov stability theorem and average dwell-time approach, it is shown that the proposed control scheme can guarantee tracking performance of the robotic manipulators system, in the sense that all variables of the closed-loop system are bounded and the effect due to the external disturbance and approximate error of radical basis function (RBF) NNs on the tracking error can be converged to zero in an infinite time. Finally, simulation results on a two-link robotic manipulator show the feasibility and validity of the proposed control scheme.     

Intelligent complementary sliding-mode control with dead-zone parameter modification

This paper proposes an intelligent complementary sliding-mode control (ICSMC) system which is composed of a computed controller and a robust controller. The computed controller includes a neural dynamics estimator and the robust compensator is designed to prove a finite L₂-gain property. The neural dynamics estimator uses a recurrent neural fuzzy inference network (RNFIN) to approximate the unknown system term in the sense of the Lyapunov function. In traditional neural network learning process, an over-trained neural network would force the parameters to drift and the system may become unstable eventually. To resolve this problem, a dead-zone parameter modification is proposed for the parameter tuning process to stop when tracking performance index is smaller than performance threshold. To investigate the capabilities of the proposed ICSMC approach, the ICSMC system is applied to a one-link robotic manipulator and a DC motor driver. The simulation and experimental results show that favorable control performance can be achieved in the sense of the L₂-gain robust control approach by the proposed ICSMC scheme.     

基于自结构动态递归模糊神经网络的无人机姿态控制*

针对无人机非线性、强耦合等特点,提出了基于该自结构动态递归模糊神经网络的姿态控制系统,给出了基于Lyapunov函数的系统稳定性证明。对四层模糊神经网络进行了优化和改进,设计了自结构动态递归模糊神经网络,该网络可以根据系统状态在线更新权值、创建/删除节点、优化网络结构。仿真表明：该控制方法的突出优点是,在兼顾考虑了系统中的不确定性因素、非线性因素及外部干扰并存的情况下,保证系统的稳定性和跟踪性能;同时此网络结构比固定结构的模糊神经网络响应速度快,因此更具优越性。     

基于模糊神经网络的机器人滑模自适应控制

滑模控制（SMC）响应快,对系统参数和外部扰动呈不变性,可保证系统的渐近稳定性,但其缺点是控制存在很强的抖动;而模糊神经网络（FNN）具有模糊系统和神经网络共同的特点。将滑模控制和模糊神经网络控制有机结合,利用简单得到的学习信号对模糊神经网络进行在线学习,通过平滑切换函数实现直接自适应控制策略。对两连杆机械手的仿真研究表明,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,又能有效减小滑模控制的抖动问题。     

机械手运动轨迹最优化模糊控制系统框架

提出了新颖的最优模糊聚类神经网络模型对机械手运动轨迹进行控制。该模型与已有的神经网络模型不同之处在于数据首先利用聚类算法对原始数据进行提取优化,然后又进一步优化控制规则以及隶属函数的参数,最终达到模糊聚类神经网络模型的最优化。该模型不但可以缩短规则生成的时间,有效地防止了规则数爆炸,而且在机械手运动控制的应用中效果良好。