机械手轨迹控制在自适应滑动模下的微机实现

本文针对具有两个回转关节的机械手,实现了自适应滑动模控制方法,试验结果证实了系统的良好跟踪性能和鲁棒性能。     

基于函数滑模控制器的机械手轨迹跟踪控制

提出一种基于函数滑模控制器(FSMC)的控制策略,用于不确定机械手的轨迹跟踪控制。首先,由动力学模型和滑模函数得到系统的不确定项;然后,利用RBF神经网络逼近系统不确定项,由于神经网络逼近存在误差,而且在初始阶段误差较大,设计函数滑模控制器和鲁棒补偿项对神经网络逼近误差进行补偿,以克服普通滑模控制器容易引起的抖振问题,同时提高系统的跟踪控制性能。基于李亚普诺夫理论证明了闭环系统的全局稳定性,仿真实验也验证了方法的有效性。     

基于函数滑模控制器的机械手轨迹跟踪控制

提出一种基于函数滑模控制器(FSMC)的控制策略,用于不确定机械手的轨迹跟踪控制。首先,由动力学模型和滑模函数得到系统的不确定项;然后,利用RBF神经网络逼近系统不确定项,由于神经网络逼近存在误差,而且在初始阶段误差较大,设计函数滑模控制器和鲁棒补偿项对神经网络逼近误差进行补偿,以克服普通滑模控制器容易引起的抖振问题,同时提高系统的跟踪控制性能。基于李亚普诺夫理论证明了闭环系统的全局稳定性,仿真实验也验证了方法的有效性。     

基于VC++的并联机械手轨迹规划及算法

介绍了新型3p6ss并联机械手轨迹的规划和算法.该项目以vc 为基础,利用OpenGL进行实体仿真建模后,优化仿 真软件,研究可交互性轨迹算法,用c语言编程,实现轨迹的可操控性,可选择性.利用mathmatica计算实体机械手轨迹及相 应驱动电机转数.文章同时给出了仿真结果.     

基于混合径向基神经网络的建模及其逆模控制研究

传统的基于机理或局部线性化模型的控制策略不足以解决越来越复杂的控制问题,而神经网络用于控制也存在泛化能力差等缺陷,因此本文提出一种将被控对象已知机理和RBF神经网络结合起来实现逆模控制的方法.一方面能发挥神经网络非线性逼近的强大功能,另一方面利用被控对象已知机理信息指导神经网络的收敛方向,改进神经网络的泛化能力.由此方法设计的逆模控制器,在保证控制精度的前提下,速度远快于标准径向基神经网络逆模控制器,且对扰动、时延、非线性及对象参数的摄动有较强的适应能力,具有良好的控制品质.     

工业机器人自适应逆模控制

本文提出一种关节型机器人的自适应逆模控制结构,采用机器人关节的等效线性系统的逆系统模型和满足可实现性条件的滤波器来构造相应的控制器,并由自适应机构在线建立和修改逆模的参数,使机器人的实际运行轨迹渐近地再现希望轨迹。仿真实验结果表明:采用本方案构造的控制系统响应速度快,跟随精度高、抗干扰能力强。此外,系统结构简单,易于实现。     

基于神经网络的内模控制在机械手控制中的研究

采用内模控制与神经网络相结合的方法来解决机械手的控制问题,使机械手沿着一定的期望轨迹运行。神经网络对机械手建模,使其作为内模控制中的模型,训练方法采用前馈网络的BP学习算法。单个神经元使用静态模型,输入神经元之间的延迟引入系统的动态。仿真结果表明,该方法具有有效性和实用性。     

基于神经网络的带补偿作用的机器人逆动力学机制

本文提出了一种新的基于神经网络的机器人逆动力学控制方案，不需要机器人的模型知识，利用神经网络实现外部扰动的补偿和闭环控制。该方法具有良好的跟踪精度和抗干扰性能。     

基于RBF神经网络逆系统的机械手解耦控制策略

针对机械手系统具有非线性时变、多变量、强耦合的特点,提出一种基于RBF神经网络逆系统的机械手解耦控制策略。首先证明了系统的可逆性,进一步通过神经网络在线逆辨识建立机械手的神经网络逆系统模型,并将辨识得到的逆模型作为控制器模型与机械手系统串联,构成伪线性复合系统,实现了将具有强耦合特性的多变量输入/输出机械手系统解耦成单个独立的伪线性对象。最后以两关节机械手为仿真对象进行了仿真,仿真结果验证了本方案的有效性和可行性。     

基于GA优化RBF神经网络的机器人轨迹规划

针对机器人在不确定环境下末端执行器运动轨迹的准确性及平稳性问题,采用基于遗传算法(GA)优化径向基函数(RBF)神经网络的轨迹规划方法对Kinova Mico2机器人进行轨迹规划研究。介绍了机器人的相关参数及坐标系、建立了D-H矩阵和运动学模型。提取机器人实际抓取物品的直线轨迹并等分插补,用GA优化并实时在线更新RBF神经网络的权值,以更优的权值参数建立新的RBF网络。研究结果表明:相比优化前,基于GA优化RBF的规划轨迹逼近误差小且平滑稳定,仿真结果较为稳定,轨迹规划的可行性满足机器人实际抓取工作的需要。     

基于神经网络补偿的机械臂轨迹控制策略的研究

建立了二维机械臂的动力学方程,分析了控制机械臂轨迹应考虑的不确定量.考虑到机械臂动力学模型的非线性和参数的不确定性,提出了采用神经网络作为补偿器的机械臂轨迹控制策略.该策略结构简单,采用标称值确定神经网络初始权值,易于工业实现.仿真研究表明了所提控制策略的有效性及神经网络补偿器的泛化能力和自适应能力.     

神经网络在移动机器人路径规划中的应用研究

移动机器人路径规划可分为两种类型:(1)全局路径规划;(2)局部路径规划。本文分析了Kohonen神经网络算法及其识别机理,提出了Kohonen神经网络和BP神经网络结合起来进行路径规划的方法,最后给出了具体的算法,探讨了在神经网络技术中引入学习机制的特点。     

机械臂卷积神经网络滑模轨迹跟踪控制

针对工业技术的发展对于多关节机械臂的精度与快速控制高要求,提出了一种机械臂卷积神经网络滑模轨迹跟踪控制方法。分析机械臂动力学方程,提取其中的不确定部分,针对不确定部分,构建深度卷积神经网络对其进行补偿,将补偿部分引入到滑模控制律中,通过改进后的滑模控制实现对机械臂轨迹跟踪的精确控制,并通过构建Lyapunov函数论证了系统的稳定性。仿真结果显示该方法能够满足轨迹跟踪要求,且减小了抖振现象。通过与其余三种典型控制方法的对比,测试结果表明,该方法加快了轨迹跟踪误差的收敛,且跟踪精度有了明显的提高。     

一种球形机器人运动轨迹规划与控制

阐述一种非完整欠驱动系统的控制设计和运动规划策略 ,研制出一种全新的全方位行走机器人 ,由于其具有特殊的灵活性 ,可应用于各种不同的场合 .     

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。     

基于神经网络的机器人二阶滑模控制

本文提出了一种基于神经网络与二阶滑模控制融合的控制策略用于非线性机器人控制,设计了一种新颖简易的二阶滑模控制方法,有效地避免了常规变结构控制的抖震问题,并采用神经网络辨识未知的机器人的非线性模型,通过Lyapunov直接法设计网络的权值更新率,确保了系统闭环全局渐近稳定性。最后,通过仿真验证了算法的有效性。     

基于神经网络的带补偿作用的机器人逆动力学控制

本文提出了一种新的基于神经网络的机器人逆动力学控制方案，不需要机器人的模型知识，利用神经网络实现外部扰动的补偿和闭环控制．该方法具有良好的跟踪精度和抗干扰性能．     

两电机变频系统神经网络广义逆内模控制

为了提高非线性强耦合的两电机变频调速系统的解耦控制性能和鲁棒性能,提出了基于神经网络广义逆系统的二自由度内模控制方法。先对原系统数学模型进行广义逆存在性分析,进而推导出原系统的广义逆数学模型,再用动态神经网络逼近广义逆模型,从而串接在原系统之前组成广义伪线性复合系统,实现系统的解耦线性化与开环稳定,有利于系统的综合。然后对广义伪线性系统引入二自由度内模控制,保证系统的鲁棒稳定性。最后基于S7-300的平台,做了相关的试验研究。结果表明,该方法不但能够很好地实现系统的解耦,而且当系统存在建模误差和负载扰动的情况时,仍能使系统保持高性能的控制。     

基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制（GPC）相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络“黑箱”的功能达到对非线性系统的预测控制。以机器人为控制对象进行仿真,取得了较好的控制效果。