基于改进遗传算法的机器人轨迹跟踪

机器人系统具有很强的藕合性和不确定性,外部扰动大。因此机器人系统的跟踪精度较低。为了提高跟踪精度,提出了了一种基于改进遗传算法的机器人高精度轨迹跟踪策略。首先分析了机器人中的二自由度机械臂的动力模型、然后在基础上利用改进遗传算法对机器人路径跟踪进行优化控制,最后搭建机器人轨迹跟踪的仿真平台对本设计方法进行仿真,仿真结果说明通过改进的遗传算法可以大幅提高机器人的轨迹跟踪精度。     

两台机器人共用一个编码器的在线跟踪系统

为实现两台工业机器人利用一个增量型编码器跟踪传送带工作,提出一种基于增量型编码器输出信号转换为机器人接收的信号类型,并分配给两台机器人的解决方法.详细介绍了增量型编码器的工作原理及该系统的详细架构,解决了两台机器人在共同区域跟踪作业的问题.为工业机器人在线跟踪方面提供一种解决方案.     

基于立体视觉与姿态识别的天轨机器人 跟踪伺服控制

针对双足机器人步态训练平台自动化程度低,调试步态的过程中单人操作时辅助机器人行走和状态信息实时观测协调困难的问题,该文提出了一套基于立体视觉和姿态识别的天轨机器人跟踪伺服系统。首先利用双目相机取景,对左右目相机画面进行匹配后获取图像中每个像素点的深度信息,基于获取到的带有深度信息的图像,对双足机器人的姿态进行识别,获取每个关节点的深度信息,根据关节深度信息判断双足机器人运动状态制定跟踪策略进行伺服控制,由于引入了姿态识别,可以根据双足机器人的姿态变化实现更高程度的自动化跟踪保护。实验结果表现出高自动化程度和高动态的跟踪表现。     

双机器人协调跟踪复杂边缘的运动规划

研究了双机器人协调跟踪平面复杂边缘任务中所涉及的运动规划问题。提出了一种简单、可行的双机器人笛卡儿空间内的协调任务分解策略。根据该策略,在一般笛卡儿空间内分析了双机器人的位置约束关系、提出了平面复杂曲线的基于曲线极大值的分段跟踪算法、对双机器人进行了关节空间的摆线轨迹规划。以正弦曲线为跟踪实例,通过仿真实验验证了分段跟踪算法的正确性。     

基于 PSO-BP 神经网络的分拣机器人视觉反馈跟踪

针对分拣机器人视觉反馈跟踪精度差、耗时较长的问题,研究基于粒子群算法-反向传播(particle swarm optimization-back propagation, PSO-BP)神经网络的分拣机器人视觉反馈跟踪方法,以提升视觉反馈跟踪效果。依据分拣机器人的视觉反馈信息,建立分拣机器人运动学模型,并求解分拣机器人机械臂输出位置和输入位置的误差函数;利用PSO算法优化BP神经网络的权值与偏置;在权值与偏置优化后的BP神经网络内,输入误差函数,预测分拣机器人视觉反馈跟踪控制量;利用预测视觉反馈跟踪控制量,在线调整增量式比例-积分-微分(proportional-integral-derivative, PID)的参数,输出高精度的分拣机器人视觉反馈跟踪控制量,实现分拣机器人视觉反馈跟踪。实验结果表明,该方法可有效视觉反馈跟踪分拣机器人机械臂的关节角;存在干扰情况下,在运行时间为10 s左右时,阶跃响应趋于稳定;有干扰情况下,视觉反馈跟踪的平均误差为0.09 cm,耗时平均值为0.10 ms;无干扰情况下,平均误差为0.03 cm,耗时平均值为0.04 ms。     

基于Backstepping时变反馈和PID控制的移动机器人实时轨迹跟踪控制

根据机器人的运动学模型，采用分层控制的思想将移动机器人的轨迹跟踪控制分为两部分：轨迹跟踪控制器和机器人速度PID控制器。基于Backstepping时变状态反馈方法和Lyapunov理论，引入具有双曲正切特性的虚拟反馈量，提出一种移动机器人全局轨迹跟踪算法：采用PID速度控制器以满足机器人驱动电机实时调速要求。考虑到机器人的动力学约束，引入受限策略以保证其运动平滑。在基于DSP的两轮驱动移动机器人上对算法进行了实时轨迹跟踪试验，取得了满意的控制效果。     

高压巡检机器人H_∞鲁棒控制器设计

针对巡检机器人易受恶劣作业环境及各种扰动影响难以控制的问题,基于机器人的动力学方程,通过设计合理的控制力矩,推导出机器人在有扰动情况下系统误差的状态空间模型,基于此模型利用线性矩阵不等式(LMI)和H_∞理论对机器人进行了鲁棒控制分析,设计了机器人鲁棒H_∞控制器,给出了H_∞控制器存在的条件和求取方法,求出了机器人的状态反馈控制器,最后在Matlab/Simulink环境下对机器人的机械臂进行了轨迹跟踪仿真,结果表明本文所设计的鲁棒控制器能够满足巡检机器人机械臂响应快速、跟踪准确、系统稳定、抗扰动效果好的设计要求。     

一种机器人轨迹跟踪的单输入模糊控制

提出一种利用复合结构终端滑模面作为输入的单输入模糊控制器设计方法,将这种控制方法应用于机器人跟踪控制系统,取得了满意的跟踪效果.模糊控制器中只有唯一的输入,因此,模糊控制规则数比普通模糊控制器大大减少,这样就使得模糊控制器的设计和调节更简单、更方便.同时这种模糊控制器由于具有准滑动模态的性质,体现出较好的鲁棒性,适合于机器人这种高度非线性的复杂控制系统.     

基于有限差分法的巡检机器人位姿伺服控制策略

巡检机器人柔性关节操作空间灵活，导致其轨迹跟踪及振动控制的难度较大，为保证巡检机器人高效、准确地完成既定巡检任务，提出基于有限差分法的巡检机器人位姿伺服控制策略。构建巡检机器人位姿伺服驱动系统动力学模型，设计基于有限差分法的巡检机器人位姿伺服控制器，执行巡检机器人关节轨迹跟踪及振动控制，实现巡检机器人位姿伺服控制。实验结果表明：巡检机器人关节角度均在0.2 s内完成关节位置指令跟踪，巡检机器人位姿变化的响应速度较快；该策略使用后不同关节的输出力矩变化平稳，关节振动极其微弱；巡检机器人在简单和复杂巡检环境下，均能以较小的能量和位姿变化范围完成控制指令。     

用于机器人示教的人体手臂运动捕捉方法研究

机器人示教是实现机器人轨迹跟踪的主要方式,其工作原理决定了机器人作业的复杂程度。而采用人体运动跟踪技术,可以简化机器人的示教程序,提高工作安全性。研究了基于MEMS的人体运动跟踪方式,选取包含加速计、陀螺仪、磁力计的九轴惯性传感器来检测人体手臂运动情况,采用传感器间的互补融合与空间关节位置叠加的方法,获得较高精度的末端位置数据,并通过固定方向直线运动与空间连续运动的实验来检测传感器对手臂运动捕捉的效果。实验结果表明,融合计算出的数据轨迹在短距离的情况下数据精度高,可以用于机器人的部分轨迹示教。     

一种基于延时补偿的电流跟踪控制新方法

提出一种基于π补偿Smith预估器和算法改进型神经网络的电流跟踪控制方案。π补偿预估器的引入有效地补偿了系统控制中的延时,提高了系统的稳定性能和响应速度;算法改进型神经网络用于优化PI控制器的参数,以提高系统的补偿精度。同时,利用ITAE准则给出π补偿预估器参数与PI控制器参数间的数学关系式。通过算法改进型神经网络可以同时优化两个控制器的参数,避免了将PI控制器参数与预估器参数分开独立识别的局面,并降低了PI控制器和π补偿Smith预估器对电网参数的敏感依赖性。当电网负载发生变化时,能够利用改进的神经网络算法实时地寻求到最优的控制器参数,达到理想的控制效果。仿真和实验验证了所提控制策略的有效性。     

基于RBF神经网络PID控制的列车ATO系统优化

针对在复杂环境下列车高速运行时,现有的Fuzzy-PID控制算法自适应性差在受到外界因素的干扰时会导致列车追踪误差较大的问题,提出了一种基于径向基(RBF)神经网络PID控制的列车速度控制算法。首先,在构建列车优化模型时,充分考虑列车经过电分相时必须处于惰行工况的特点,并且依据电分相和限速条件的特点将列车行驶过程中的区段进行了划分,简化了求解过程;然后使用RBF神经网络PID控制器对目标速度曲线进行追踪仿真,同时与现有的Fuzzy-PID控制器进行比较。实验结果表明,基于RBF神经网络PID控制算法能够实时有效的追踪目标速度曲线且追踪误差较小。     

基于RBF神经网络PID控制的列车ATO系统优化

针对在复杂环境下列车高速运行时,现有的Fuzzy-PID控制算法自适应性差在受到外界因素的干扰时会导致列车追踪误差较大的问题,提出了一种基于径向基(RBF)神经网络PID控制的列车速度控制算法。首先,在构建列车优化模型时,充分考虑列车经过电分相时必须处于惰行工况的特点,并且依据电分相和限速条件的特点将列车行驶过程中的区段进行了划分,简化了求解过程;然后使用RBF神经网络PID控制器对目标速度曲线进行追踪仿真,同时与现有的Fuzzy-PID控制器进行比较。实验结果表明,基于RBF神经网络PID控制算法能够实时有效的追踪目标速度曲线且追踪误差较小。     

神经网络算法的改进及其在有源电力滤波器中的应用

针对有源电力滤波器的电流跟踪控制问题,设计了一种基于改进梯度算法的BP神经网络自适应PI控制器。该控制器将神经网络技术与PI参数设计相结合,与传统的PI控制器相比,该控制器具有结构简单、易于在线调整等优点。同时,为了克服采用神经网络算法修正权值系数时,会存在局部极小、收敛速度慢的问题,对BP神经网络采用的梯度算法进行改进。利用代数法代替梯度下降法,从而解决了易出现局部极小问题,且使收敛速度更快。仿真实验表明,改进后的神经网络自适应PI控制器较传统的PI控制器有更快的响应速度和更高的补偿精度,从而使系统更稳定,而且电网电流的谐波畸变率更低。     

Neural‐hybrid control of systems with sandwiched dead‐zones

The control of systems that have sandwiched nonsmooth nonlinearities, such as a dead‐zone sandwiched between two dynamic blocks, is addressed. An adaptive inverse control scheme using a hybrid controller structure and a neural network based inverse compensator, is proposed for such systems with unknown sandwiched dead‐zone. This neural‐hybrid controller consists of an inner loop discrete‐time feedback structure incorporated with an adaptive inverse using a neural network for the unknown dead‐zone, and an outer‐loop continuous‐time feedback control law for achieving desired output tracking. The dead‐zone compensator consists of two neural networks, one used as an estimator of the sandwiched dead‐zone function and the other for the compensation itself. The compensator neural network has neurons that can approximate jump functions such as a dead‐zone inverse. The weights of the two neural networks are tuned using a modified gradient algorithm. Simulation results are given to illustrate the performance of the proposed neural‐hybrid controller. Copyright © 2002 John Wiley & Sons, Ltd.     

基于神经网络的学习控制及其在机器人中的应用

针对一类非线性系统的跟踪控制问题 ,首先提出了一种遗忘因子迭代学习控制算法 ,给出了算法收敛的充分条件 ,然后 ,利用神经网络原理 ,对要求跟踪的新的期望轨迹 ,在系统的历史控制经验基础上 ,用神经网络估计系统的期望控制输入 ,然后将其作为迭代学习控制器的初始控制输入 ,再由迭代学习律逐步改善控制输入 ,使系统的实际输出只需较少的迭代次数就能达到跟踪的精度要求。机器人系统的仿真结果表明了该算法的有效性。     

伺服系统在摩擦条件下的模拟复合正交神经网络控制

在数字复合正交神经网络的基础上提出一种模拟复合正交神经网络,并用于非线性伺服系统控制中.在带有非线性摩擦力矩的直流电机飞行模拟转台伺服系统中,控制系统是基于PD控制加神经网络前馈控制的并行控制方法,使用神经网络是用来消除非线性摩擦力矩的影响.通过数字复合正交神经网络的连续化算法处理获得了一种模拟复合正交神经网络,并作为前馈控制器.用并行控制与单一的PD控制对带有非线性摩擦力矩的直流电机伺服控制作了仿真研究.仿真结果表明复合控制比单一的PD控制具有实时性好、响应速度快、跟踪精度高,位置与速度跟踪控制获得了满意的效果.该模拟神经控制器能用于不确定对象的控制,为不确定系统控制提供了一种新的途径.     

永磁直线同步电机神经滑模控制仿真

分析了永磁直线同步电机的数学模型,给出了径向基(RBF)神经网络的结构和算法,设计出以切换函数为网络输入、以滑模控制器为网络输出的神经滑模控制器,软件仿真结果表明所设计的滑模控制器能进行自适应学习,可实现良好的伺服跟踪.     

永磁直线电机离散PID神经网络重复控制

针对永磁直线电机的非线性摩擦问题,提出了一种混合智能控制和重复控制设计方案实现永磁直线电机的跟踪控制。为了补偿摩擦力首先应用基于RBF神经网络控制器与PID控制器相结合来实现对周期信号的跟踪。为了进一步提高周期信号跟踪性能,在反馈控制回路中增加一个来源于Bzout恒等式特解的离散时间重复控制器。合成混合控制器(包括神经网络控制器、PID控制器和重复控制器)在直线电机运动控制中能够实现周期性参考输入信号跟踪及扰动抑制。仿真结果表明:控制器能够达到较好的控制效果。     

基于模糊神经网络滑模控制器的一类非线性系统自适应控制

虽然滑模控制具有控制简单和对不确定性与扰动不灵敏等优点，但是控制信号中的颤动是其应用中需解决的主要问题。该文首先针对一类非线性系统提出了一个新型控制器-模糊神经网络滑模控制器。新控制器不仅能消除颤动，而且比一般滑模控制器具有更强的鲁棒性。然而它与一般滑模控制器相比有较大的跟踪误差。为了解决这个问题，提出了结合滑控制器和模糊神经网络滑模控制器的自适应控制方法。这种自适应控制方案可以减小跟踪误差，增强系统的鲁棒性和消除控制信号中的颤动。仿真结果说明了控制方案的有效性。