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.     

随机时滞系统的神经网络输出反馈动态面控制

针对一类具有未知控制方向的随机时滞系统设计自适应神经输出反馈控制器.首先,利用状态观测器估计不可测量的系统状态;其次,选择合适的Lyapunov-Krasovskii函数消除未知延迟项对系统的影响,利用Nussbaum-type函数处理系统的未知控制方向问题,通过神经网络逼近未知的非线性函数,以及用动态表面控制(DSC)解决控制器设计中出现的复杂性问题;最后,通过Lyapunov稳定性理论,构造一个鲁棒自适应神经网络输出反馈控制器,可以保证闭环系统中所有信号在二阶或四阶矩意义下一致最终有界,跟踪误差能收敛到零值小的领域内.仿真实例验证了所提出方法的有效性.     

不确定非线性系统的模糊鲁棒跟踪控制

提出了一种基于T-S模糊型的鲁捧自适应跟踪控制方法.整个控制方案在结合所有的局部线性状态反馈控制器的基础上,引入了基于自适应神经网络的鲁棒控制器.所提出的模糊自适应鲁棒控制器设计方法不需要求取李亚普诺夫方程的公共解,不要求系统的不确定性项满足任何匹配条件或约束条件所提出的带有补偿项的完全自适应RBF神经网络,通过在线自适应调整RBF神经网络的权重、函数中心和宽度,提高了神经网络的学习能力,可以有效地对消系统的未知不确定性的影响.同时通过自适应补偿项来在线估计神经网络的近似误差边界,弥补了神经网络的不足.所提出的方案保证了闭环系统的稳定性,有效地提高了系统的鲁棒性和跟踪性能.仿真实例表明了所提出方法的有效性.     

基于神经网络的不确定移动机器人鲁棒自适应跟踪控制

针对含运动学未知参数以及动力学模型不确定的非完整轮式移动机器人轨迹跟踪问题,基于Radical Basis Function(径向基函数)神经网络,提出了一种鲁棒自适应控制器.首先,考虑移动机器人运动学参数未知的情况,提出了一种含自适应参数的运动学控制器,用以补偿参数不确定性导致的系统误差;其次,利用神经网络控制技术,对于机器人在移动中动力学模型不确定问题,提出了一种具有鲁棒性的动力学控制器,使得移动机器人可以在不知道具体动力学模型的情况下跟踪到目标轨迹;最后利用Lyapunov稳定性理论证明了整个系统的稳定性.通过数值仿真验证了所设计的控制器的可行性.     

具有零动态的SISO仿射非线性系统的神经网络自适应跟踪控制

针对具有零动态的SISO仿射非线性系统提出了一种神经网络直接自适应跟踪控制方法.采用梯度下降算法最小化未知理想控制器与神经网络控制器的误差代价函数以获得参数自适应律,控制器中无需另加鲁棒控制项.基于Lyapunov稳定性定理证明了在该控制器的作用下能保证输出跟踪误差及相应闭环系统的所有状态最终一致有界及神经网络参数的收敛性.仿真结果验证了该文方法的有效性.     

任意切换下高能随机系统的神经网络预设控制

针对一类不确定高能随机非线性系统,开展自适应神经网络backstepping控制研究,并保证在任意切换信号下的预设跟踪性能.该高能系统假定系统动态和任意切换信号未知.首先,利用预设性能控制,保证跟踪控制性能;其次,RBF神经网络用来克服未知系统动态,仅用到单一自适应更新参数,从而克服过参数问题;最后,基于公共的Lyapunov稳定性理论提出自适应神经网络控制策略,并减少了学习参数.最终结果表明所设计的公共控制器能保证所有闭环信号半全局最终一致有界,并能在任意切换下保证预设的跟踪性能.仿真结果进一步表明所提出方法的有效性.     

控制增益为未知函数的不确定系统预设性能反演控制

对一类控制增益为未知函数的不确定严格反馈系统的预设性能反演控制进行研究.首先,提出一种新的变参数约束方案,放宽了对初始跟踪误差已知的限制,并通过误差转化将不等 式约束的受限系统转化为非受限系统.随后,通过引入积分型Lyapunov函数,避免了因控制增益未知而引起的系统奇异问题.最后,综合应用自适应技术、径向基函数(Radial basis function,RBF)神经网络和反演控制技术完成了控制器的设计,系统中的未知函数利用RBF神经网络直接进行逼近.所设计的控制器能够满足预设性能的要求,且保证闭环系统所有的状态量有界.仿真研究证明了控制器设计方法的有效性.     

一种简化的自适应神经网络输出反馈镇定

针对一类输出反馈非线性时滞系统,提出一种简化的自适应神经网络镇定算法.所设计的状态观测器和控制器不依赖于时滞.不同于现有的结果,系统的时滞项假定完全未知,仅采用一个神经网络补偿所有未知非线性函数,因此控制器设计更加简单,而且最终的闭环系统被证明是半全局渐近稳定的.仿真结果进一步验证了该控制方案的有效性.     

控制方向未知的不确定系统预设性能自适应神经网络反演控制

对一类控制方向未知的不确定严格反馈非线性系统的预设性能自适应神经网络反演控制问题进行了研究.系统中含有时变非匹配不确定项且控制方向未知.首先,提出了一种新的误差转化方法,放宽了对初始误差已知的限制;随后,利用径向基函数(radial basis function,RBF)神经网络及跟踪微分器分别实现了对未知函数和虚拟控制量导数的逼近,并综合运用Nussbaum函数和反演控制技术设计了控制器.所设计的控制器能保证系统内所有信号有界且输出误差满足预设的瞬态和稳态性能要求.最后的仿真研究验证了控制器设计方法的有效性.     

基于神经网络的一类非线性系统自适应输出跟踪

针对一类未知非线性系统,提出了一种输出反馈控制方法.首先,在假设系统状态已知情况下设计状态反馈控制器,实现跟踪性能;然后,在系统状态不完全可测的情况下,通过设计高增益观测器对系统的状态进行估计,实现输出反馈控制器设计,证明了所设计的输出反馈控制器可以获得状态反馈控制器的性能.     

GBF-CMAC和滑模控制的柔性结构系统控制

针对一类不确定系统的跟踪控制,设计了一种将GBF-CMAC（cerebellar model articulation controller with Gauss basis function）与滑模控制相结合的控制系统。利用符号距离和分层结构减少了神经网络所需存储器的数量,并提出了一种神经网络参数的自适应学习律。将设计的控制器用于含有不确定性和欠驱动结构的高阶柔性直线结构系统的跟踪控制,并与一般滑模控制和积分滑模控制进行了比较。实验结果表明,所设计的控制器不仅具有较好的鲁棒性,而且改善了滑模控制存在的抖振问题。同时通过调整神经网络的参数对抖振进行控制,实现了抖振和跟踪性能之间的最优选择。     

基于强化学习神经网络的车速跟踪控制

提出一种用于汽车排放试验中驾驶机器人对车速跟踪控制的新方法.该控制方法基于神经网络并结合强化学习的自适应能力,通过神经网络的在线学习对车速进行跟踪控制.利用试验汽车所获得的数据,首先开发出用于车速控制的神经网络模型.然后基于强化学习神经网络结构设计神经网络控制器以取得车速跟踪的自适应控制.在仿真研究中,使用神经网络车速控制模型替代实际汽车来训练初始控制器,并用开发与训练好的自学习神经网络控制器用于汽车车速跟踪控制.结果表明,所开发的神经网络控制器具有良好的车速跟踪性能,控制效果明显.     

Direct adaptive neural control of nonlinear systems with extreme learning machine

A direct adaptive neural control scheme for a class of nonlinear systems is presented in the paper. The proposed control scheme incorporates a neural controller and a sliding mode controller. The neural controller is constructed based on the approximation capability of the single-hidden layer feedforward network (SLFN). The sliding mode controller is built to compensate for the modeling error of SLFN and system uncertainties. In the designed neural controller, its hidden node parameters are modified using the recently proposed neural algorithm named extreme learning machine (ELM), where they are assigned random values. However, different from the original ELM algorithm, the output weight is updated based on the Lyapunov synthesis approach to guarantee the stability of the overall control system. The proposed adaptive neural controller is finally applied to control the inverted pendulum system with two different reference trajectories. The simulation results demonstrate good tracking performance of the proposed control scheme.     

基于神经网络的水下机器人三维航迹跟踪控制

本文研究了水下机器人三维航迹跟踪控制问题.在充分考虑了模型中不确定水动力系数和外界海流干扰的基础上,提出了基于神经网络的自适应输出反馈控制方法.控制器由3部分组成:基于动态补偿器的输出反馈控制项、神经网络自适应控制项和鲁棒控制项.神经网络所需的自适应学习信号由线性观测器提供.基于Lyapunov稳定性理论证明了控制系统的稳定性.最后针对某AUV进行了空间三维航迹跟踪控制仿真实验,结果表明设计的控制器可以较好地克服时变非线性水动力阻尼对系统的影响,并对外界海流干扰有较好的抑制作用,可以实现三维航迹的精确跟踪.     

无刷直流电机的模糊神经网络控制设计

在无刷直流电机(BLDCM)的控制上,传统PID等控制方法存在或多或少的不足.在模糊PID控制的基础上提出了一种模糊神经网络PI控制器的设计方法.该方法结合了模糊逻辑与神经网络,使得模糊控制器模拟了人的控制功能,不仅对环境变化有较强的适应能力,还拥有自学习能力.相比模糊PID控制,其具有计算量小、稳定性强等特点.对BLDCM进行建模与分析;在BLDCM数学模型的基础上,分别设计模糊PID控制器和模糊神经网络PI控制器;对设计的控制器进行仿真验证并分析.实验结果表明,模糊神经网络PI控制具有跟踪性能好、超调小、响应快、脉动小等优点,其动静态特性均优于模糊PID控制.     

高速列车速度跟踪神经网络PID控制器的设计

高速列车速度跟踪控制系统是一个复杂的非线性系统,难以取得高精度的跟踪性能。为了减少速度跟踪误差,设计了高速列车神经网络PID控制器。首先建立了描述列车运行过程的单位移多质点模型,该模型考虑了列车的基本阻力和附加阻力以及车厢之间的相互作用力。然后阐述了BP神经网络PID控制,并设计了列车速度跟踪控制器,根据速度误差用神经网络PID控制决定牵引力和制动力。最后与模糊控制和常规PID控制进行了仿真对比,结果表明,神经网络PID控制具有很小的速度跟踪误差和优越的速度跟踪性能,可以满足列车正点运行的需求。     

Prescribed performance adaptive neural tracking control for strict-feedback Markovian jump nonlinear systems with time-varying delay

A prescribed performance adaptive neural tracking control problem is investigated for strict-feedback Markovian jump nonlinear systems with time-varying delay. First, a new prescribed performance constraint variable is proposed to generate the virtual control that forces the tracking error to fall within prescribed boundaries. Combining with the approximation capability of neural networks and backstepping design, the adaptive tracking controller is designed. The designed controller is independent on time delay by constructing appropriate Lyapunov functions to offset the unknown time-varying delays. It is proved that the closed-loop system is uniformly ultimately bounded in probability, and that both steady-state and transient-state performances are guaranteed. Finally, simulation results are given to illustrate the effectiveness of the proposed approach.     

Adaptive neural output feedback tracking control for a class of nonlinear systems

In this paper, an adaptive neural output feedback control scheme based on backstepping technique and dynamic surface control (DSC) approach is developed to solve the tracking control problem for a class of nonlinear systems with unmeasurable states. Firstly, a nonlinear state observer is designed to estimate the unmeasurable states. Secondly, in the controller design process, radial basis function neural networks (RBFNNs) are utilised to approximate the unknown nonlinear functions, and then a novel adaptive neural output feedback tracking control scheme is developed via backstepping technique and DSC approach. It is shown that the proposed controller ensures that all signals of the closed-loop system remain bounded and the tracking error converges to a small neighbourhood around the origin. Finally, two numerical examples and one realistic example are given to illustrate the effectiveness of the proposed design approach.     

Robust wavelet network control for a class of autonomous vehicles to track environmental contour line

We address the problem of environmental contour line tracking for a class of autonomous vehicles. A reference velocity is designed for the autonomous vehicles to do contour line tracking. Based on Lashall invariance principle, an ideal controller is designed for the vehicle with ideal model and ideal information about the environmental concentration function to track the desired contour line. For the vehicle with possibly modeling uncertainty, we combine a neural controller containing a wavelet neural network (WNN) identifier with a robust control to construct a robust adaptive WNN control for the vehicle to track the desired environmental contour line. Then we give theoretical proof of the efficiency of the designed robust adaptive WNN control. Simulation results and conclusion are presented and discussed.     

一类机械臂系统自适应有限时间有界H∞跟踪控制

考虑一种电机驱动的单连杆机械臂系统在受到输出约束时的自适应有限时间H∞跟踪控制问题.一个有限时间有界H∞性能的新概念被提出,并结合障碍Lyapunov函数(BLF)、神经网络自适应技术、有限时间控制理论和H∞控制理论,提出了一种该系统在输出受限条件下的自适应神经有限时间有界H∞跟踪控制器设计方法,避免了许多有限时间控制...