任务空间内空间机器人的鲁棒复合自适应控制

对于本体姿态受控而位置不受控的空间机器人系统,其任务空间内自适应控制的难点在于系统的Jacobian矩阵与系统的动力学参数有关,因此当系统存在参数有确定性时,无法通过运动学关系式将任务空间轨迹精确地转换为关节空间轨迹。为解决任务空间内的轨迹跟踪操和任务,本文提出了一种鲁棒复合适应控制方法,证明了当系统存在参数不确定性及非参数不确定性（包括扰动、未建模动态）时,这种方法可以保证系统全局一致最终有界。仿真结果验证了算法的有效性。     

基于神经网络的自由漂浮空间机器人关节空间鲁棒跟踪控制

针对存在不确定性以及干扰的自由漂浮空间机器人关节空间轨迹跟踪问题,提出了一种基于鲁棒控制思想的神经网络鲁棒控制方法.对于控制器中由系统惯性参数不确定性引起的非线性不确定项,利用径向基函数(RBF)神经网络进行逼近,并且利用鲁棒控制器使系统镇定并保证从干扰到跟踪误差的增益小于或等于给定的指标.最后,对本文提出的控制方案进...     

并联机器人的鲁棒自适应控制

本文针对含有不确定性的液压并联机器人，提出了一种鲁棒自适应控制器，该控制器能够克服参数变化和负载扰动的不良影响，保证系统的鲁棒全局渐近稳定性的良好的踊跃动态性能，计算机仿真结果证明了该控制方案的有效性。     

应用于力矩受限自由漂浮空间机器人的神经网络自适应控制

在控制力矩受限情况下,为实现具有模型不确定性自由漂浮空间机器人的轨迹跟踪控制,文章设计了一种新的神经网络自适应控制策略;首先,用双曲函数对控制力矩输入进行限制;其次,设计一种神经网络自适应控制律,对输入力矩受限条件下的非线性系统模型进行在线逼近,同时,利用鲁棒项对神经网络逼近误差和外界干扰进行消除;最后,根据李雅普诺夫理论,证明了所设计控制策略能够使自由漂浮空间机器人系统渐进稳定;仿真实验表明,该控制策略在无需建立复杂系统模型的情况下,便能够对控制力矩进行有效限制,从而使自由漂浮空间机器人在控制力矩受限情况下得到较好的控制.     

不依赖模型的机器人鲁棒自适应跟踪控制

提出了一种新颖的鲁棒自适应控制策略，用于不确定性机器人的轨迹跟踪。它不需要任何模型知识，唯一需了解的是系统的阶数和输出的位置及速度状态。理论和仿真均证明，系统的不确定性诸如摩擦力、外部扰动及未建模动力学带来的不确定性影响，均可被设计的控制律补偿，最后可保证全局指数收敛或全局一致最后有界的结果。另外，本文还给出了跟踪误差的暂态测量。     

一种具有非线性观测器的分散式自适应鲁棒机器人控制新方案

本文提出一种新型的分散式自适应鲁棒机器人控制方案。它主要解决以下诸方面的问题:1)减少在线计算量;2)通过设置一个非线性观测器来及时修正模型信息,以适应负载及其他因素变化的需要,进而有效地减少所需控制值(尤其当系统处于平稳工作状态时,效果更加明显),相应地,也就减少了系统工作时的动能损耗。这一点对[1]中提出的机器人分散式变结构控制算法有较大改进;3)对系统的不确定性和扰动作用具有鲁棒性。     

机器人鲁棒神经网络控制与仿真

对于具有外界扰动和参数不确定性的机器人关节角轨迹跟踪问题,本文给出一个新的鲁棒神经网络控制算法。受Bayard(1988)和Sun(2001)工作的启发,用一个FLNN神经网络去学习一个已知的函数,同时,为了解决因神经网络隐层神经元输出持续激励(PE)性质的丢失而可能造成的参数飘移问题,与大量在文献中使用的神经网络权重调节法则σ-修正方法不同,本文给出了一个新的调节法则。基于此权重调节法则的鲁棒神经网络控制器既可保证网络权重有界从而克服了参数飘移问题,又能得到系统跟踪误差渐近收敛到零。数值试验表明,所提算法可行有效。     

非线性系统的神经网络鲁棒自适应跟踪控制

针对一类具有未知非线性函数和未知虚拟系数非线性函数的二阶非线性系统,提出了一种神经网络鲁棒自适应输出跟踪控制方法.用李雅普诺夫稳定性分析方法证明了本文的神经网络自适应控制器能够使受控系统内的所有信号均为有界.选择的神经网络权值调整规律可以防止自适应控制中的参数漂移.     

机器人鲁棒自适应分散控制

本文提出一种新颖的鲁棒自适应分散控制策略，用于不确定性机器人的轨迹跟踪．该控制器结构非常简单，由一个线性ＰＤ反馈＋补偿不确定动力学的非线性自适应反馈构成，能够有效的克服通常难于建模的摩擦力和外部扰动影响，而唯一需要了解的只是各关节输出的位置及速度状态，最后保证全局的渐近稳定．二自由度机器人的仿真证明了该法的有效性．     

不确定性机器人系统自适应鲁棒迭代学习控制

利用Lyapunov方法, 提出了一种不确定性机器人系统的自适应鲁棒迭代学习控制策略, 整个系统在迭代域里是全局渐近稳定的. 所考虑的机器人系统同时包含了结构和非结构不确定性. 在设计时, 系统的不确定性被分解成可重复性和非重复性两部分, 并考虑了系统的标称模型. 在所提出的控制策略中, 自适应策略用来估算做法确定性的界, 界的修正与迭代学习控制量一样的迭代域得以实现的. 计算机仿真表明本文提出的控制策略是有效的.     

不确定性自由漂浮空间机器人神经自适应控制

针对具有模型不确定性以及外部干扰下的自由漂浮空间机器人,采用一种整体逼近的神经网络自适应控制方法。该方法采用RBF神经网络对不同重力环境下系统模型的不确定项进行整体逼近,对系统的不确定项进行在线自适应学习。神经网络的逼近误差以及外界干扰由鲁棒项进行消除。该方法不依赖于系统模型,简化了控制系统的结构,在考虑重力等不确定项的情况下不用改变控制器也能进行控制,并且根据李亚普诺夫理论证明了所设计控制器使系统渐进稳定。在不同重力环境下进行了仿真,验证了控制方案的有效性。     

电驱动刚性机器人的鲁棒神经网络复合控制

采用逐步逆向的设计思想，提出一种新的电驱动刚性机器人轨迹跟踪的鲁棒神经网络复合控制策略，该策略不仅能有效地消除模型不确定性的影响，而且可避免复杂的求导运算以及对关节角加速度可测的要求。给出了控制器的具体组成和神经网络连接权的在线学习算法，理论表明该算法能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。     

A robust adaptive control of a parallel robot

The work presented in this article deals with the robust adaptive control tracking of a 6 degree of freedom parallel robot, called C5 parallel robot. The proposed approach is based on the coupling of sliding modes and multi-layers perceptron neural networks (MLP-NNs). It does not require the inverse dynamic model for deriving the control law. The MLP-NN is added in the control scheme to estimate the gravitational and frictional forces along with the non-modelled dynamic effects. The nonlinearity problem, present in neural networks, is resolved using Taylor series expansion. The proposed approach allows to adjust the parameters of neural network and sliding mode control terms by taking into account a reference model and the closed-loop stability in the Lyapunov sense. We implemented our approach on the C5 parallel robot of LISSI laboratory and performed experiments to observe its effectiveness and the robust behaviour of the controller against external disturbances.     

Dynamic modelling and adaptive robust tracking control of a space robot with two-link flexible manipulators under unknown disturbances

In this paper, both the closed-form dynamics and adaptive robust tracking control of a space robot with two-link flexible manipulators under unknown disturbances are developed. The dynamic model of the system is described with assumed modes approach and Lagrangian method. The flexible manipulators are represented as Euler–Bernoulli beams. Based on singular perturbation technique, the displacements/joint angles and flexible modes are modelled as slow and fast variables, respectively. A sliding mode control is designed for trajectories tracking of the slow subsystem under unknown but bounded disturbances, and an adaptive sliding mode control is derived for slow subsystem under unknown slowly time-varying disturbances. An optimal linear quadratic regulator method is proposed for the fast subsystem to damp out the vibrations of the flexible manipulators. Theoretical analysis validates the stability of the proposed composite controller. Numerical simulation results demonstrate the performance of the closed-loop flexible space robot system.     

Robust adaptive neural network control for environmental boundary tracking by mobile robots

The paper addresses the problem of environmental boundary tracking for the nonholonomic mobile robot with uncertain dynamics and external disturbances. To do environmental boundary tracking, a reference velocity is designed for the nonholonomic mobile robot. In this paper, a radial basis function neural network (NN) is used to approximate a nonlinear function containing the uncertain model terms and the elements of the Hessian matrix of the environmental concentration function. Then, the NN approximator is combined with a robust control to construct a robust adaptive NN control for the mobile robot to track the desired environment boundary. It is proved that the tracking error can be guaranteed to converge to zero in the ultimate. Simulation results are presented to illustrate the stability of the robust adaptive control. Copyright © 2011 John Wiley & Sons, Ltd.     

不确定机器人的自适应神经网络控制与学习

针对具有未知动态的电驱动机器人,研究其自适应神经网络控制与学习问题.首先,设计了稳定的自适应神经网络控制器,径向基函数(RBF)神经网络被用来逼近电驱动机器人的未知闭环系统动态,并根据李雅普诺夫稳定性理论推导了神经网络权值更新律.在对回归轨迹实现跟踪控制的过程中,闭环系统内部信号的部分持续激励(PE)条件得到满足.随着PE条件的满足,设计的自适应神经网络控制器被证明在稳定的跟踪控制过程中实现了电驱动机器人未知闭环系统动态的准确逼近.接着,使用学过的知识设计了新颖的学习控制器,实现了闭环系统稳定、改进了控制性能.最后,通过数字仿真验证了所提控制方法的正确性和有效性.     

机器人计算力矩不确定性的神经网络补偿控制

提出一种由计算力矩控制器和神经网络补偿控制器相结合的控制方案,探讨了用神经网络补偿机器人计算力矩不确定性的方法,推导了网络权值的自适应调整律,并证明了系统的稳定性和误差的收敛性.该方案结构简单、鲁棒性强,且神经网络补偿器有较好的适应性,无须事先知道机器人动力学参数和结构的精确值.对机器人轨迹跟踪的仿真结果表明,所提方案具有很好的鲁棒性和抗干扰能力.     

漂浮基空间机器人自适应RBF 网络终端滑模控制

主要研究漂浮基空间机器人对工作空间连续轨迹跟踪控制问题．针对系统动力学模型中非线性项未知，以及参数不确定性和外界扰动无法估计的情况，提出了基于自适应RBF网络终端滑模控制方法．该方法结合了非线性滑动流形与径向基函数特性，利用自适应RBF网络在线学习系统中的不确定性，使得无需精确的动力学模型亦能保证系统在有限时间内快速稳定．根据Lyapunov方法设计的自适应增益保证闭环控制系统具有全局稳定性，并且有效抑制抖振现象．针对6关节空间机器人的轨迹跟踪控制仿真表明，提出的自适应RBF网络终端滑模控制方法能够基于不完整动力学模型实现高精度轨迹跟踪，且误差在有限时间内快速收敛，系统抖振也得到了有效抑制．