基于模糊强化学习的微创外科手术机械臂人机交互方法

为实现微创外科手术机器人的手术姿态调整,提出一种基于模糊强化学习的变导纳人机力交互模型.通过在线学习的方式将人的操作特性考虑到人机力交互过程之中,并能够自适应地调整导纳控制模型以响应操作者的控制意图.通过自行研制的微创外科手术机器人样机进行相关的实验验证,实验结果表明基于模糊Sarsa(λ)学习的变导纳控制模型可实现柔顺自然的机械臂摆位操作,能够满足力交互过程中各阶段的阻尼变化需求,具有较高的可控性和稳定性.     

康复机器人具有速度决策的每步限时学习控制方法

为了提高康复步行训练器人的智能性和安全性,提出一种运动速度决策的康复训练机器人限时学习迭代控制方法,目的是抑制训练者位姿不确定性和人机速度不协调对系统安全性能的影响.建立具有系统不确定偏移量的康复步行训练机器人动力学模型,通过比较康复训练机器人当前的运动速度和训练者的实际步行速度,提出机器人运动速度的决策方法,从而使康复者在主动训练模式下实现人机速度协调运动;进一步,利用机器人决策的运动速度和动力学模型建立跟踪误差系统,提出有限学习时间的迭代控制方法,并基于Lyapunov理论验证跟踪误差系统的有限时间稳定性.仿真对比分析和实验结果表明,所提出的速度决策方法和跟踪控制方法能使人机系统协调地进行主动模式的康复训练.     

上肢康复外骨骼机器人的模糊滑模导纳控制

为了辅助上肢运动功能障碍患者进行不同模式的康复训练,基于上肢康复外骨骼机器人系统,提出了一种模糊滑模导纳控制策略,实现训练过程的人机协调控制.首先,介绍了康复外骨骼的整体结构和实时控制平台.然后,分析了模糊滑模导纳控制算法的推导过程,并根据李亚普诺夫稳定性判据证明系统的稳定性.最后,在不同系统导纳参数条件下,分别进行被动训练模式和主动训练模式实验,并对比分析了实验过程中运动偏差、人机交互力以及肱二头肌表面肌电信号的变化特点.实验结果表明,选择合适的目标导纳模型可以优化康复训练强度与难度,提高人机交互柔顺性与患者参与度,满足不同瘫痪程度和康复进度患者的训练需求.     

人机不确定条件下康复步行训练机器人的部分记忆迭代学习限速控制

为了提高康复步行训练机器人的跟踪精度及安全性,提出了一种带有运动速度约束和部分记忆信息的自适应迭代学习控制方法,目的是抑制人机不确定性及速度突变对系统跟踪性能的影响.在考虑人机不确定性的基础上,建立了康复步行训练机器人的动力学模型.提出了基于模型预测的速度约束方法,通过限制每个轮子的运动速度,约束了机器人的实际运动速度.进一步,利用受约束的运动速度建立了动力学跟踪误差系统,提出了具有部分记忆信息的自适应迭代学习控制器设计方法,并验证了跟踪误差系统的稳定性.仿真对比分析和实验研究结果表明,文中提出的控制方法能抑制人机不确定性并使康复者在安全速度下完成步行训练.     

基于虚拟夹具的手术机器人导纳控制安全策略

针对人机协同手术全过程中医生不正确操作以及手术空间复杂性所导致的潜在安全问题,提出基于虚拟夹具的导纳控制安全策略.该策略针对人机协同手术中拖动引导阶段、精准定位阶段以及手术操作阶段的特点,结合导纳控制原理,分别设计了管道虚拟夹具、圆锥体虚拟夹具以及基于人工势场的禁止型虚拟夹具模型.在自主研发的手术机器人上模拟关节置换手术进行相应的实验验证,结果表明管道虚拟夹具可以在一定范围内有效地辅助机器人沿着轨迹运动;圆锥体虚拟夹具可以有效地减小医生拖动机器人时的定位误差,其定位误差为0.23 mm;禁止型虚拟夹具可以有效地避免机器人越过手术区域,从而保证机器人手术操作的安全.     

下肢康复机器人的主动柔顺自适应交互控制

为了更好地给患者提供稳定、舒适且具备主动柔顺性的康复训练环境,提出一种基于阻抗参数自适应调节的下肢康复机器人主动柔顺交互控制方案,该方案由外环的阻抗参数调节和内环的轨迹跟踪两部分构成.首先,针对康复训练过程中人体阻抗参数动态变化的问题,提出了模糊自适应阻抗参数调节器,将人机交互作用力、位置误差与速度误差作为输入,并采用模糊推理实时调整阻尼系数与刚度系数,实现对人体阻抗的自适应.其次,设计了间接自适应模糊控制器,合理构造模糊系统逼近未知非线性系统,对反映患者运动意图的设定轨迹进行稳定跟踪,利用李亚普诺夫分析方法证明了系统的稳定性.最后,通过仿真实验将本文方法与一般的固定期望阻抗参数方法对比,结果表明本文方法下的髋、膝关节轨迹的最大偏差分别降低53.43％和66.87％,验证了所提方法的可行性与有效性.     

速度受限的全方向康复步行训练机器人Backstepping补偿跟踪控制

全方向康复步行训练机器人需要跟踪医生指定的训练轨迹、针对运动过程中速度过快而影响康复者安全性问题,提出一种基于Backstepping补偿方法的速度受限型控制器设计方案,目的是保证康复者的安全训练.通过限制实际运动速度的幅值,并根据所提出轨迹跟踪误差和速度跟踪误差的实时补偿方法,实现了全方向康复步行训练机器人在安全速度下的轨迹跟踪.基于李亚普诺夫稳定性理论和LaSalle不变性原理,证明了补偿误差系统和跟踪误差系统的渐近稳定性.通过仿真结果对比分析,表明了所提控制器设计方法的有效性和可行性.     

一种基于肌电信号的自适应人机交互控制方法

针对踝关节康复机器人运动过程中的人机交互性问题, 本文提出一种基于肌电信号的鲁棒自适应人机交 互控制方法. 针对患者难以保持某一动作、肌电信号微弱等特点, 提出一种新的关节角度估计方法. 该方法充分利 用了踝关节运动时胫骨前肌与腓肠肌的拮抗关系, 将踝关节的动作类型与单个肌肉群的收缩进行关联, 利用归一化 的特征值完成运动意图的辨识和运动角度的估计. 为了保证人机交互的安全性, 提出一种刚度、阻尼参数在线自适 应调节的阻抗控制算法. 基于交互力矩对机器人末端的运动角度与运动速度实时进行调节, 使其对外表现出等效 柔性. 实验研究表明所提出的人机交互控制方法是有效的, 并具有一定应用前景.     

面向人机交互的下肢外骨骼导纳控制策略

针对下肢外骨骼运动中的人机共融问题,提出了由导纳控制外环和位置控制内环组成的双环控制策略。外环采用导纳控制策略,并设计了基于Sigmoid函数的变导纳模型,将人体主动力矩转化为关节角度以修正期望轨迹,使人的意图得到表达。内环采用基于径向基函数(RBF)神经网络的位置控制器,利用RBF神经网络能逼近任意非线性函数的特性,消除建模所带来的误差和干扰;采用改进的莱文贝格-马夸特(L-M)算法,提高RBF神经网络的紧凑性和收敛性,并设置合理的参数初始值,提高收敛速度。搭建MATLAB仿真平台,仿真结果表明,所设计的控制策略使下肢外骨骼的人机交互效果良好,对人体有良好的助行效果。     

机械臂自调整因子模糊PD迭代学习控制研究

大部分模糊控制器不具有适应控制对象变化的能力,基于此设计一种自调整因子模糊控制器,并针对机械臂长时间重复操作导致运动精确度下降这一类问题,结合迭代学习控制方法,提出一种自调整因子模糊PD迭代学习控制方法;以双关节机械臂为研究对象,利用Fuzzy工具箱编写模糊控制规则,通过系统产生的误差以及误差的变化率作为模糊控制器的输入量调整模糊系统中的量化因子和比例因子,实现模糊规则的更新和对迭代学习控制中的PD参数的实时调整,系统的自适应性得到提高,并在Simulink中进行机械臂的运动控制实验,仿真结果表明,所提控制方法最终产生的误差可以精确到0.0001 rad,同时在进行第2次迭代时关节角度和角速度误差收敛基本趋于零,整体的控制效果较好。     

基于任务表现的机器人辅助康复自适应控制策略

以机器人辅助的上肢协调康复训练为研究对象,提出一种基于任务表现的自适应控制策略,为肢体运动功能障碍患者提供个性化的机器人辅助,旨在提高患者的主动运动参与度,实现高效的康复训练.首先,介绍上肢末端式双边康复平台以及协调训练任务.然后,引入临床运动评估参数与协调训练指标,采用模糊神经网络模型建立多任务指标与机器人导纳控制参数间的映射关系.最后,通过受试者参与的协调训练实验对所提出方法进行了验证,并与相关文献中的人机交互策略进行了对比分析.实验结果表明,本文方法具有较好的任务指标追踪效果和人机交互平稳性,能够自适应为患者提供个性化的机器人辅助,有助于提高受试者的训练积极性.     

基于FBFN 的鲁棒仿生学习系统设计及在运动平衡控制中的应用

针对两轮直立式机器人的运动平衡控制问题,结合OCPA 仿生学习系统,基于模糊基函数,设计了一 种鲁棒仿生学习控制方案．它不需要动力学系统的先验知识,也不需要离线的学习阶段．鲁棒仿生学习控制器主要 包括仿生学习单元、增益控制单元和鲁棒自适应单元3 部分．仿生学习单元由模糊基函数网络（FBFN）实现,FBFN 不仅执行操作行为产生功能,逼近动力学系统的非线性部分,同时也执行操作行为评价功能,并利用性能测量机制 提供的误差测量信号,产生取向值信息,对操作行为产生网络进行调整．增益控制单元的作用是确保系统的稳定性 和性能,鲁棒自适应单元的作用是消除FBFN 的逼近误差及外部干扰．此外,由于FBFN 的参数是基于李亚普诺夫 稳定性理论在线调整的,因此进一步确保了系统的稳定性和学习的快速性．理论上证明了鲁棒仿生学习控制器的稳 定性,仿真实验结果验证了其可行性和有效性．     

基于模糊神经网络的抽油机故障诊断方法

将模糊逻辑与神经网络相结合,构造模糊神经网络,将神经网络输入层的确定性信息模糊化后变成模糊量,将故障征兆参数相对应的隶属度数值作为神经网络的输入,从而使神经网络更加适合设备故障描述,克服了神经网络对不精确信息表达的缺点。提出基于黄金分割法的变步长BP算法来训练神经网络,根据误差变化趋势动态调整学习速率,实现学习步长的自适应调整,提高网络收敛的速度,防止网络训练时陷入局部极小。将训练好的模糊神经网络应用于抽油机设备的故障诊断,取得良好效果。     

基于神经网络补偿的机器人稳定自适应控制

针对建模不精确的机器人,提出了一种基于神经网络补偿的机器人轨迹跟踪稳定自适应控制方法,文中通过设计神经网络补偿器和自适应鲁棒控制项,有效地补偿了模型的不确定性部分和网络逼近误差.由于算法包含有补偿神经网络逼近误差的鲁棒控制项,实际应用中对神经网络规模的要求可以降低;而且神经网络连接权是在线调整的,不需要离线学习过程.理论表明算法能够保证跟踪误差及神经网络连接权估计最终一致有界,仿真结果也验证了算法的有效性.     

柔性关节微操作机器人自适应模糊预测控制

对一种柔性关节微操作机器人系统提出了多输入多输出直接自适应模糊广义预测控制方法,此方法先基于机器人理论模型设计出广义预测控制器,再构造直接自适应模糊控制器逼近广义预测控制器,并用机器人视觉误差信息对控制器参数和广义误差向量估计值中的未知向量进行自适应调整,以增强对建模误差的鲁棒性,并证明了所设计的控制器可使微操作机器人跟踪时变参考轨迹时的广义误差估计值收敛到原点的小邻域内,以达到控制要求,仿真结果验证了此方法的有效性.     

基于可变学习率BP算法的空调控制系统的研究

通过分析控制器参数学习率和控制器性能之间的关系,设计一种基于可变学习速率反向传播算法VLRBP和模糊神经元网络的变频空调控制系统.该系统不仅可以通过反传误差信号训练控制器参数,而且可以根据网络的当前状态朝最优化方向调整控制器参数的学习率.实验结果表明,该控制系统不仅比传统的空调PID控制器和模糊控制器具有更好的控制性能,而且相比基于标准BP算法和动量BP算法的模糊神经网络控制系统,也具有更快的收敛速度和更好的控制精确度.     

基于模糊神经的柔性臂变负载控制方法

基于奇异摄动将单连杆柔性机械臂动力学模型分解为慢、快变子系统,传统方法分别采用PD控制和最优控制能取得较好控制效果,但负载不确定时,控制效果并不理想.提出对于慢变子系统,采用模糊神经、PD控制相结合的控制方法,对于快变子系统,采用模糊神经、最优控制相结合的控制方法.当负载变化时,采用模糊神经控制器根据实际负载对PD参数及最优控制参数进行调整,达到更优的控制效果.分别采用传统方法及本文提出的改进方法在变负载条件下作了仿真实验,结果表明后者的控制效果明显优于前者.给出了慢、快变子系统模糊神经控制器在变负载条件下训练参数的获取方法.     

基于模糊滑模的六足蛇形臂机器人的末端位姿控制

针对六足蛇形臂机器人的超关节极限和位形偏移量大、末端位姿的控制稳定性不好的问题,提出一种基于模糊滑模的六足蛇形臂机器人的末端位姿控制算法。在超冗余运动学逆解空间中建立蛇形臂机器人的运动学模型,采用修正的DH参数法进行六足蛇形臂机器人的末端位姿参数调节和融合处理,建立蛇形臂机器人的末端位姿力学控制模型,在末端跟随运动中采用外环滑模导纳控制方法进行末端位姿的自适应参数调节,采用滑模误差反馈调节方法确定六足蛇形臂机器人的末端位姿,实现六足蛇形臂机器人准确的姿态定位和参量解算,提高控制稳定性。仿真结果表明:采用该算法进行六足蛇形臂机器人的末端位姿控制的姿态校正性能较好,蛇形臂关节的空间位姿自适应调整能力较强,跟随运动准确,具有很好的位姿控制稳定性。     

基于deep Q-network双足机器人非平整地面行走稳定性控制方法

针对双足机器人在非平整地面行走时容易失去运动稳定性的问题,提出一种基于一种基于价值的深度强化学习算法DQN（Deep Q-Network）的步态控制方法。首先通过机器人步态规划得到针对平整地面环境的离线步态,然后将双足机器人视为一个智能体,建立机器人环境空间、状态空间、动作空间及奖惩机制,该过程与传统控制方法相比无需复杂的动力学建模过程,最后经过多回合训练使双足机器人学会在不平整地面进行姿态调整,保证行走稳定性。在V-Rep仿真环境中进行了算法验证,双足机器人在非平整地面行走过程中,通过DQN步态调整学习算法,姿态角度波动范围在3°以内,结果表明双足机器人行走稳定性得到明显改善,实现了机器人的姿态调整行为学习,证明了该方法的有效性。     

基于改进模糊神经网络的PID参数自整定

针对传统PID整定控制效果差且单纯神经网络整定存在参数学习和调整困难等问题,提出了一种基于改进模糊神经网络的PID参数整定方法。在该方法中,PID控制器的控制参数采用基于Mamdani模型的模糊神经网络进行自适应整定,模糊神经网络参数采用混沌遗传算法离线粗调和BP算法在线细调的方式进行学习和调整,仿真结果表明该整定策略动态响应快、误差控制精度高且网络中各节点及参数物理意义明确。最后分别从模糊规则数的变化及适应度函数的选取两方面提出两种优化方案,仿真结果表明增加模糊规则数或采用不同的适应度函数都有利于进一步减小控制误差。