基于时变终端滑模的任意迭代初态抑制控制EI北大核心CSCD

为解决迭代学习过程中的任意迭代初值和迭代收敛理论证明难的问题,本文构造了一种轨迹跟踪误差初值恒位于滑模面内的时变终端滑模面,将轨迹跟踪误差初值不为零的轨迹跟踪控制问题转换为滑模面初值恒为零的滑模面跟踪控制问题,建立了任意迭代初值与相同迭代初值的迭代学习控制理论连接桥梁.本文提出一种基于时变滑模面的比例–积分–微分(PID)型闭环迭代学习控制策略,基于压缩映射原理证明了迭代学习的收敛性,给出了迭代收敛条件.时变终端滑模面经有限次迭代学习收敛到零,达到轨迹跟踪误差最终稳定在时变滑模面内的目的;Lyapunov稳定理论证明了位于滑模面内的轨迹跟踪误差在有限时间内收敛到原点,达到轨迹局部精确跟踪目的.随机初态下的工业机器人轨迹跟踪控制数值仿真验证了本文方法的有效性和系统对外部强干扰的鲁棒性.     

机器人模糊迭代学习控制及其仿真研究

在机器人的轨迹跟踪的迭代学习控制中，迭代学习的学习律难以选择，本文结合自校正控制、模糊逻辑和迭代学习控制的基本思想，提出采用自适应模糊控制确定学习效率的方法，并采用Matlab软件的Simulink对该方法应用于机器人高精度的轨迹跟踪控制的情况进行了仿真研究，结果表明该方法具有学习控制律简单实用、跟踪精度高、学习速度快、鲁棒性强等优点。     

基于反向迭代学习控制的工业机器人应用研究

针对一类具有对称期望轨迹跟踪的工业机器人系统,提出一种新的迭代学习控制方法,即反向型迭代学习控制方法。通过利用这类轨迹固有的特征,将其以中心点为界分解为前后两个独立的轨迹,利用两段轨迹的镜像对称特征,不断交替优化调整下次迭代周期的控制量,使得跟踪当前轨迹的工业机器人系统每次迭代时不必再从轨迹的初始点学习,从而有效加快了系统的学习速度。对具有镜像对称特征的期望轨迹进行交替利用控制信息,实现了工业机器人对期望轨迹的快速跟踪、减小系统的跟踪误差,从而达到了机器人跟踪效率的较大提升。收敛性分析和机器人的仿真实例验证了所提控制方法的有效性。     

基于随机初态学习率的迭代学习控制

迭代学习算法广泛应用于机器人轨迹跟踪控制研究中.常规迭代学习算法要求每次迭代的初始条件都相同,针对一类强耦合非线性系统在有限时间内重复运动的特征,提出了一种带有任意初态学习率的迭代算法.这种算法允许迭代时初始状态处于任意位置,通过数学计算证明了系统在不同初始态条件下的迭代学习算法,系统输出可以完全跟踪期望轨迹.这种带有...     

机器人系统有限时间自适应迭代学习控制

研究任意初态下，机器人系统的有限时间自适应迭代学习控制方法。引入初始修正吸引子的概念，构造一个含有初始修正项的误差变量。针对定常机器人系统和时变机器人系统，采用Lyapunov-like方法，分别设计迭代学习控制器处理系统中不确定性。并且，采用未含/含限幅学习机制，保证闭环系统各变量的一致有界性和误差变量在整个作业区间一致收敛性。藉以实现跟踪误差在预先指定区间的完全跟踪。仿真结果验证所设计控制方法的有效性。     

超前采样时间迭代学习的下肢康复机器人轨迹跟踪控制

为了实现下肢康复机器人在康复训练过程中高精度的末端轨迹跟踪控制,提出了一种利用超前采样时间的鲁棒自适应迭代学习控制方法。所述超前采样时间迭代算法,是指利用之前运行批次在t+Δ采样时刻的髋膝关节力矩输出,优化调整下一次运行时刻t处的关节力矩给定。仿真结果表明,采用超前采样时间迭代控制,末端轨迹误差具有更快的收敛速度和跟踪精度,并且具有较好的抗干扰性能。     

初态学习下的迭代学习控制

提出一种新的初态学习律,以放宽常规迭代学习控制方法的初始定位条件．它允许一定的定位误差,在迭代中不需要定位在某一具体位置上,使得学习控制系统具有鲁棒收敛性．针对二阶LTI系统,给出了输入学习律及初态学习律的收敛性充分条件．依据收敛性条件,学习增益的选取需系统矩阵的估计值,但在一定建模误差下,仍能保证算法的收敛性．所提出的初态学习律本身及其收敛性条件均与输入矩阵无关．     

迭代学习初态问题研究及其在机器人中的应用

在迭代学习控制研究中,通常的一个假设是：系统每次迭代初态与理想初态相等。这个假设对于系统的稳定性分析是非常重要的,因为迭代初态扰动将直接影响到迭代学习控制的跟踪精度。针对此问题,本文提出了一种新的迭代学习控制方法：利用遗忘因子控制初态偏移的影响,在保证系统迭代收敛的前提下,同时对初态进行学习,使其最终趋于理想初态,从而实现非线性系统对期望轨线的严格跟踪。最后,本文所提出方法在机器人模型中的仿真应用表明了本文方法的有效性。     

一种机器人轨迹跟踪控制的迭代学习方法

本文提出了一种新的迭代学习策略并详细报告了在1台实验用机器人上的实验结果．这 个方法的特点是对于动力学参数未知的系统, 可以通过实验方便地确定满足收敛条件的学习 控制器参数． 因此,它具有实用价值, 并有可能将其使用范围推广到除机器人规迹控制外的 其它控制领域.     

抑制初态误差影响的自适应迭代学习控制

针对一类参数化高阶不确定非线性连续系统, 设计迭代学习控制算法, 以解决随机初态对系统跟踪性能产生负面影响的问题. 结合滑模控制思想以及部分限幅参数学习律, 控制算法在预设时间段内抑制随机初态偏差对系统跟踪性能的影响. 经过预设时间后, 随着迭代次数的增加, 系统的跟踪误差及其各阶导数一致收敛到零. 且在整个运行时间段内, 系统各个变量一致有界. 此外, 本文回避了非参数化不确定非线性系统在放宽迭代初值假设时常使用的Lipschitz假设条件, 而采用类Lyapunov函数分析法设计迭代学习控制器. 理论证明和仿真结果都说明了该算法的有效性.     

基于低通滤波器的不确定机器人迭代学习控制

针对不确定机器人系统轨迹跟踪问题,并更好地消除系统不确定性对控制性能的影响,提出一种基于低通滤波器的迭代学习控制方法。采用滑模变结构控制(SMC)以提高控制器对系统干扰和摄动的鲁棒性,并在控制器输出端引入低通滤波器(LPF)来消除滑模控制中出现的抖振现象。将系统的不确定项描述为周期性和非周期性两部分,通过采用迭代学习算法对周期性不确定部分进行迭代学习,采用RBF神经网络对非周期性不确定部分的未知上界进行自适应学习。该控制方法不仅对系统的不确定性和有界外部扰动具有鲁棒性,而且使得整个系统在迭代域中是全局渐近稳定的。严格的理论推导和仿真结果表明了该控制策略的有效性。     

任意初始位置机器人领航跟随型迭代学习编队

针对移动机器人编队形成与队形保持问题,提出了一种适用于任意初始位置条件下的迭代学习编队控制算法。采用领航-跟随型编队法,仅利用领航者的运动轨迹和期望的编队队形推导出跟随者的参考航迹,引入迭代学习控制（Iterative Learning Control,ILC）方法,设计跟随者的控制律,使跟随者随着每次迭代调节自身的线速度和角速度,与领航者一起以期望编队队形工作;引入对初始位置的学习,即同时进行编队队形的学习和编队初始位置的学习。解决了任意初始位置的多移动机器人形成并保持期望编队队形的问题。并在理论上分析了控制算法的可行性,仿真结果验证了控制算法的有效性。     

任意初值非线性不确定系统的迭代学习控制

为解决任意初态下的轨迹跟踪问题, 针对一类含参数和非参数不确定性的非线性系统, 提出基于滤波误差初始修正的自适应迭代学习控制方法. 利用修正滤波误差信号设计学习控制器, 并以Lyapunov方法进行收敛性能分析. 依据类Lipschitz条件处理非参数不确定性, 对于处理过程中出现的未知时变参数向量, 利用自适应迭代学习机制进行估计. 经过足够多次迭代后, 藉由修正滤波误差在整个作业区间收敛于零, 实现滤波误差本身在预设的作业区间也收敛于零. 仿真结果表明了本文所提控制方法的有效性.     

基于初次控制信号提取的迭代学习控制方法

在同一迭代学习控制(Iterative learning control, ILC)系统中, 选取一个合适的初次迭代控制信号相对于从零开始学习达到目标跟踪精度的迭代次数更少.本文针对线性系统研究从历次轨迹跟踪控制信息中通过期望轨迹匹配提取初次迭代控制信号的方法.首先提出了一种轨迹基元优化匹配算法, 在满足一定相似度的情况下, 通过轨迹分割、平移与旋转变换, 在轨迹基元库中寻找与当前期望轨迹叠合的轨迹基元组合轨迹; 进而, 依据线性叠加原理和轨迹叠合的平移矢量与旋转变换矩阵, 获取与期望轨迹叠合的轨迹基元控制信号; 在此基础上, 通过轨迹基元控制信号串联组合和时间尺度变换, 提取出当前期望轨迹的初次迭代控制信号.对于初次迭代控制信号在拼接处由边界条件差异引起的干扰, 给出了一种${H_\infty }$反馈辅助ILC方法.最后, 在$XYZ$三轴运动平台实现所提算法, 实验结果表明本文所提方法的有效性.     

基于迭代学习控制算法的网络机器人控制系统

针对网络机器人控制系统中存在的干扰等不确定性因素,首先对网络机器人控制系统和迭代学习控制理论进行研究。在此基础上,利用迭代学习控制不依赖于动态系统的精确数学模型等优点,将其运用到网络机器人控制系统中,在同时考虑其存在干扰的情况下,给出了系统模型及详细的算法设计过程。通过Matlab平台进行仿真,表明了该算法的有效性。     

任意初始状态下的学习控制

本文对线性时不变系统和一类非线性系统提出了一种新的学习控制方案,此方案包括两种学习,即同时进行系统的输入和初始状态的学习.因此在学习开始时对系统的初始状态无要求.仿真结果表明了这种方法的可行性.     

非线性系统在任意初值下的PID型迭代学习控制

针对一类在有限时间区间上重复运行的非线性系统,给出了一种可以解决迭代学习控制中任意初值问题的PID型迭代学习算法及其收敛条件。采用算子理论证明了该算法的收敛性,结果表明该算法不仅有效解决了迭代学习控制的初值问题,而且放宽了收敛条件。仿真分析及与PD型迭代学习控制算法的仿真结果的对比证明,非线性系统在任意初值条件下经过PID型迭代学习后跟踪精度显著提高,输出误差曲线更快速趋于零,表明了该算法的有效性。     

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。