基于RBF神经网络的多关节机器人固定时间滑模控制

针对具有典型非线性特性的多关节机器人轨迹跟踪控制问题,提出一种基于径向基函数(RBF)神经网络的固定时间滑模控制方法.首先,基于凯恩方法建立包括系统模型不确定性以及外部干扰在内的多关节机器人动力学模型;然后,根据机器人动力学模型设计一种固定时间收敛的滑模控制器, RBF神经网络用来逼近系统模型中的不确定性项,并利用Lyapunov理论证明该系统跟踪误差能在固定时间内收敛;最后,对特定型号的多关节机器人虚拟样机进行仿真分析,结果表明:与基于RBF神经网络的有限时间滑模控制器相比,所提出控制器具有良好的跟踪性能且能保证系统状态在固定时间内收敛.     

基于耗散理论的机器人神经网络鲁棒控制

为了更好地解决机器人系统中存在的参数不确定和外部干扰的鲁棒控制问题,提出一种基于耗散性理论的神经网络自适应鲁棒控制器,首先应用无源性理论对名义模型设计镇定控制器,然后利用RBF神经网络自适应学习系统的不确定部分,将神经网络逼近误差作为外部干扰,基于H∞控制理论使干扰对系统输出的影响抑制到所要求的最小程度,并用Lyapunov稳定性理论推导出RBF神经网络的权重矩阵调节律以及相关的鲁棒控制器,证明了系统的全局稳定性.仿真结果表明,这种控制器对机器人系统可能受到的干扰具有较好的抑制能力,提高了系统的鲁棒性,实现了系统轨迹的快速准确跟踪,又能很好地消除控制器的抖振,进而提高机器人工作性能.     

机器人轨迹跟踪的自适应模糊神经网络控制

研究机器人跟踪轨迹控制问题,针对模型未知的机器人系统,为提高跟踪精度和控制性能,提出了一种基于T-S型模糊RBF神经网络的H∞轨迹跟踪控制方法,用模糊神经网络为模型未知的机器人系统建模,克服了系统鲁棒性差,对机动目标跟踪性能差等缺点。然后设计自适应控制器,将H∞控制理论与模糊神经网络有机地结合起来,借助鲁棒补偿项将建模误差及外部干扰衰减到期望的程度以下,而控制器与改进Elman神经网络的结合,便于处理建模有界干扰以及非结构化的未建模的动力学,并进行仿真。仿真结果表明了所提出的控制算法的可行性。     

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.     

神经网络滑模控制下肢外骨骼机器人的轨迹跟踪

针对下肢外骨骼机器人行走稳定性与步态轨迹跟踪控制问题,对下肢外骨骼机器人三连杆模型进行动力学建模与轨迹仿真。通过拉格朗日法建立下肢外骨骼机器人的动力学模型,设计了神经网络自适应滑模控制算法。引入神经网络,对下肢外骨骼机器人步态轨迹跟踪系统的不确定项进行逼近,在控制器中采用了改进的趋近律,使用李雅普诺夫稳定性理论进行了稳定性分析,并通过MATLAB对改进后的控制算法进行了仿真验证。仿真结果表明,采用该算法对具有关节摩擦和外界环境干扰的下肢外骨骼机器人进行轨迹跟踪时,具有较好的跟踪效果;通过改进的趋近律,能削弱系统的抖振。相比于基于计算力矩法的滑模控制,该控制算法有更好的跟踪效果,能应用到下肢外骨骼机器人行走的稳定性和步态轨迹跟踪控制中。     

基于神经网络的机器人运动模型辨识及其实验研究

针对机器人楚模中不确定因素的影响，采用神经网络辨识机器人输入输出间的非线性关系，建立机器人的运动学模型，为了提高神经网络的辨识速度，基于Elman动态递归网络，通过增加网络输入输出的部分信息，提出一种新的动态神经网络结构——状态廷迟输入动态递归神经网络(SDIDRNN)，提高了网络的学习速度和稳态精度。以PowerCube^TM模块化机器人为研究对象，把根据机器人返回的关节位置信息和利用OPTOTRAK3020三维运动测量系统测得的机器人末端位置信患作为SDIDRNN的学习样本，对包含各种影响因素的机器人运动模型进行辨识，得到了满意的结果，说明了该神经网络的优越性。     

基于非线性增益递归滑模的船舶轨迹跟踪动态面自适应控制

针对三自由度全驱动船舶存在模型不确定和未知外部环境扰动的情况,设计出一种基于非线性增益递归滑模的船舶轨迹跟踪动态面自适应神经网络控制方法.该方法综合考虑船舶位置和速度误差之间关系设计递归滑模面,引入神经网络对船舶模型不确定部分进行逼近,设计带σ-修正泄露项的自适应律对神经网络逼近误差与外界环境扰动总和的界进行估计,并应用一种非线性增益函数构造动态面控制律,选取李雅普诺夫函数证明了该控制律能够保证轨迹跟踪闭环系统内所有信号的一致最终有界性.最后,基于一艘供给船进行仿真验证,结果表明,船舶轨迹跟踪响应速度快、精度高,所设计控制器对系统模型参数摄动及外界扰动具有较强的鲁棒性.     

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。     

基于模糊补偿的康复机器人的自适应滑模控制研究

针对下肢外骨骼机器人不确定模型及摩擦因素的轨迹运动控制问题,提出了一种基于模糊补偿的自适应滑模控制(FCASMC)方法。首先利用滑模控制思想设计非线性滑模面,设计滑模控制器实现系统的稳定性;接着采用模糊控制方法对其机器人中关节运动存在的未知摩擦项进行模糊补偿与逼近,减少未知摩擦项和外扰动等因素下对系统带来的稳定性影响;最后还采用了鲁棒项来消除补偿逼近误差所带来的影响,也可减少滑模方法所带来的抖振问题,从而使整个系统的稳定性进一步提高。最后,基于Lyapunov定理对所设计的控制器进行稳定性证明和仿真。仿真结果表明,设计的控制器可以很好地对不确定摩擦项进行补偿,机器人的关节运动轨迹跟踪能实现全局跟踪,提高了在今后实际工程中的应用研究价值。     

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。     

神经网络自适应滑模控制的不确定机器人轨迹跟踪控制

提出一种针对机器人跟踪控制的神经网络自适应滑模控制策略。该控制方案将神经网络的非线性映射能力与滑模变结构和自适应控制相结合。对于机器人中不确定项,通过RBF网络分别进行自适应补偿,并通过滑模变结构控制器和自适应控制器消除逼近误差。同时基于Lyapunov理论保证机器手轨迹跟踪误差渐进收敛于零。仿真结果表明了该方法的优越性和有效性。     

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...     

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。     

一类互联机器人系统的鲁棒分散跟踪控制

研究互联机器人系统在受到模型不确定性和外部干扰情况下的鲁棒轨迹跟踪问题.针对系统中存在的不确定动力学问题,在不确定项的连续界函数已知的情况下,基于Lyapunov设计方法提出一种鲁棒分散控制器的设计方法,实现互联机器人系统位置和速度的渐近跟踪.仿真算例表明了该方法的有效性.     

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。     

非完整移动机器人的神经网络鲁棒自适应控制

在非完整移动机器人轨迹跟踪问题中,针对机器人运动学与动力学模型的参数和非参数不确定性,提出了一种混合神经网络鲁棒自适应轨迹跟踪控制器,该控制器由运动学控制器和动力学控制器两部分组成;其中,采用了参数自适应的径向基神经网络对运动学模型的未知部分进行了建模,并采用权值在线调整的单层神经网络和自适应鲁棒控制项构成了动力学控制器;基于Lyapunov方法的设计过程保证了系统的稳定性和收敛性,仿真结果证明了算法的有效性。     

基于雅可比预测的机器人无模型视觉伺服定位控制

针对未知相机标定及目标3D几何模型,研究机器人无模型视觉伺服定位方法.引入状态空间,建立机器人“视觉空间-运动空间”雅可比非线性映射的状态方程和观测方程,提出神经网络联合卡尔曼滤波雅可比预测算法,网络在线动态补偿系统近似误差与参数估计误差,实现最小均方差条件下的雅可比预测;以李雅普诺夫稳定性准则构建雅可比预测的无模型图像视觉伺服控制方案,避免了相机标定和目标建模.“眼在手”六自由度机器人定位比较实验表明,图像空间特征轨迹平滑稳定在相机视场中,笛卡尔空间机器人末端运动平稳,无震荡回退,定位精度在10个像素范围内.     

基于模糊CMAC的移动机器人轨迹跟踪控制

针对受非完整约束的移动机器人的轨迹跟踪问题,提出了一种基于模糊CMAC的轨迹跟踪控制策略。该策略利用模糊CMAC神经网络逼近移动机器人动力学模型的非线性和不确定,同时与速度误差结合起来构成力矩控制器,并用滑模项来补偿不确定性扰动对系统的影响。李亚普诺夫稳定性定理保证了系统的稳定性和跟踪误差的渐近收敛,仿真结果进一步验证了所提方法的有效性。     

具有H_∞性能的机械手神经自适应跟踪控制

针对非线性不确定机械手系统的轨迹跟踪控制问题,提出一种具有H∞性能的神经自适应控制算法;该算法为机械手系统分别设计了主控制器和监督控制器;主控制器由神经网络控制为基础,基于滑模控制原理得到神经网络权值的自适应律;基于李亚普诺夫稳定性理论和鲁棒控制设计的监督控制器,补偿自适应神经网络对系统不确定项学习的误差,同时使系统具有H∞性能;通过二自由度机械手模型进行仿真实验,仿真结果验证了方法的有效性。     

基于观测器的非线性系统神经网络鲁棒控制

提出一类不依赖于模型的状态观测器，通过分析其根轨迹和极点要求配置合适的参数，该观测器本身是一个能提取高阶微分的高阶微分器．基于Lyapunov稳定性理论设计了使闭环系统渐近稳定，对模型变化和扰动具有鲁棒性的神经网络自适应控制器．该控制器不仅考虑了闭环系统的输出和设定输入误差的微分，而且考虑了误差的高阶微分，从而提高了控制品质．最后通过仿真例子验证了所提出理论的正确性．