下肢外骨骼机器人动力学参数辨识与步态跟踪

为了提高下肢外骨骼机器人步态轨迹跟踪的精度,对于下肢外骨骼二连杆动力学模型,提出一种静态与动态结合的参数辨识的实验方法,并结合穿戴者人体参数,得到人机协同系统精确的动力学模型。采用基于模型上界的滑模控制,并引入低通滤波器,进行MATLAB步态跟踪仿真。经仿真表明,髋关节和膝关节转矩的实验测量值与理论计算值的波形基本一致,动力学参数辨识结果正确;基于滑模控制的人机协同系统能够实现髋关节和膝关节对参考步态轨迹的精准跟踪,低通滤波器能够有效减小滑模控制引起的高频抖振。这为下肢外骨骼动力学参数辨识提供了一种解决方案,为基于模型的控制方法提供了一种参考模型,为下肢外骨骼人机协同系统的步态轨迹精准跟踪提供了一种参考方法。     

基于Simulink的下肢外骨骼机器人模糊PID控制与仿真分析

为研究下肢外骨骼的轨迹跟踪控制,结合人体生物学特点及户外助力要求,设计了一款可穿戴式下肢外骨骼机器人。针对PID控制在轨迹跟踪时无法消除扰动的问题,为实现下肢外骨骼的柔顺控制,设计了一种模糊PID控制算法。首先在Solid Works上进行外骨骼结构设计,然后将外骨骼模型导入Simulink中搭建动力学仿真模型,对髋、膝、踝六关节驱动输入正常人体行走的力矩信息,在仿真模型中分别用普通PID控制器与模糊PID控制器对比控制效果,并对比了步态输入曲线与实际跟踪曲线。通过仿真结果对比可知,模糊PID控制相较于普通PID控制具有响应速度快、抗干扰能力强等优点。     

基于RBF神经网络自适应控制的下肢外骨骼步态跟踪

针对开发研制的下肢外骨骼机器人控制策略的需要,提出一种基于RBF自适应控制的外骨骼控制方法.建立了关于外骨骼的动力学模型,采用RBF网络分别实现对下肢外骨骼模型动力学方程中的重力项、哥氏力及离心项、正定惯性矩阵的逼近建模;通过实验获取髋关节与膝关节于步行过程中的数据,实现了曲线的拟合并将其作为理想输入,通过对比PID、...     

基于RBF网络的轮胎侧向力模型

RBF神经网络相对于其他网络的特点是计算量小,收敛速度快,具有良好的非线性映射效果.采用人工神经网络中的径向基函数(RBF)神经网络,对车辆操纵稳定性仿真分析中的轮胎侧偏特性进行研究,建立轮胎侧向力神经网络模型.并与用于学习的实验数据进行比较,以验证这种模型的准确性,并以求为车辆动力学仿真和控制提供更好的手段.     

六足仿生机器人腿部动力学分析与控制

为了实现六足仿生机器人的多种运动模式,提高不同路况环境的适应能力,提出了一种带有变形关节的新型腿部结构.采用拉格朗日方法建立了用于控制机器人腿部的动力学模型,设计了计算力矩+RBF神经网络复合控制器,其中计算力矩是已建模的部分,神经网络补偿动力学模型中未建模部分、结构参数的测量误差以及外部扰动.采用MATLAB对腿部的轨迹跟踪控制进行仿真,结果表明了该控制器跟踪精度更高,具有优良控制性能.     

基于神经网络的复合学习方案及在机器人控制中的应用

利用基于神经网络的复合学习方案实现了机器人操作手末端执行装置的高精度轨迹跟踪.提出了通过对网络输出数据进行补偿以使网络在训练时快速收敛的方法,并推证了广义BP(误差向后传播)算法。它不需要机器人的动力学模型,仿真结果表明,该方法可适用于具有高度非线性和受各种不确定性干扰的复杂系统的控制中。     

一种基于模糊神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络,并将其应用于两关节机械手轨迹跟踪控制。该网络采用三角形隶属度函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理。这种模糊神经网络能够在线调节输出隶属度函数中心以及关节间耦合权值,使得控制器具有更好的学习与自适应能力。仿真结果表明,这种网络能很好的用于机器人的轨迹跟踪控制中,是一种行之有效的控制方法。     

动态约束下可重构模块机器人分散强化学习最优控制

基于ction-critic-identifier(ACI)与RBF神经网络,提出了一种外界动态约束下的可重构模块机器人分散强化学习最优控制方法,解决了存在强耦合不确定性的模块机器人系统的连续时间非线性最优控制问题。文中将机器人动力学模型描述为一个交联子系统的集合,基于连续时间MDPs性能指标,结合ACI与RBF神经网络,对子系统最优值函数,最优控制策略及总体不确定项进行辨识,使系统满足HJB方程下的最优条件,从而使可重构模块机器人子系统渐进跟踪期望轨迹,跟踪误差收敛且有界。采用Lyapunov理论对系统稳定性进行证明,数值仿真验证了所提出的分散控制策略的有效性。     

基于PCA -GA -RBF 网络的聚丙烯熔融指数预报模型

熔融指数是工业聚丙烯生产中决定聚丙烯牌号最重要的指标。但因缺乏在线分析仪, 指标获得时间 间隔长、滞后大, 使聚丙烯质量控制困难。提出了一种基于PCA-GA-RBF 的神经网络模型, 基于真实数据对聚丙 烯生产过程的熔融指数进行预报。其中, 主元分析法(PCA)用来提取过程特征参数, 剔除相关冗余信息;径向基 (RBF)神经网络用来逼近非线性过程;遗传算法(GA)用来优化RBF 网络的权值和网络层元数等结构参数。研究 结果表明了所提出的熔融指数预报模型的可靠性和准确性。     

基于RBF网络上界自适应学习的预警卫星滑模控制

分析了RBF(径向基函数)神经网络的基本结构和数学特性,对于预警卫星动力学系统的不确定性上界值无法测量和未知的情况,采用RBF神经网络可以对较强干扰上界进行自适应学习,并可降低控制和动力学带来的抖振。针对带有摆镜的预警卫星姿态控制问题,提出了一种基于神经网络扰动补偿的姿态滑模控制方法。针对RBF网络正交最小二乘(OLS)学习算法,采用RBF神经网络来学习不确定因素的上界值,并设计了预警卫星的姿态控制规律,解决了预警卫星动力学扰动补偿问题。利用数值仿真估算了基于RBF网络上界自适应学习滑模控制的预警卫星姿态控制系统的性能指标。     

基于PD方法的不确定机器人神经网络变结构控制

针对不确定机器人轨迹跟踪控制,提出基于PD方法自适应神经网络变结构控制律,利用RBF神经网络补偿系统参数不确定性,用滑模变结构控制器消除神经网络的逼近误差.仿真结果表明,该控制律能保证轨迹跟踪误差的快速收敛性及对参数不确定性和外部扰动的鲁棒性.     

一种基于细菌觅食算法的机械手臂控制器设计

针对机械臂控制系统需可靠、快速、准确跟踪设定值轨迹的要求,通过研究机械臂控制系统的非线性动力学模型,提出1种基于细菌觅食优化算法(BFO)优化PID控制器参数的控制方案。设计采用细菌觅食算法求解在线优化PID参数的流程,用于机器人手臂的跟踪控制。为更有效地考察机械手臂系统的跟踪控制性能,设定2个关节的期望轨迹分别为正弦和余弦函数。仿真结果表明,与传统PID方法相比,基于BFO算法优化的控制方案具有更优越的控制品质和较强的抑制干扰能力,能有效提高机械臂跟踪控制的快速性和准确性。     

一种轮式移动机器人滑模轨迹跟踪控制器设计及其参数优化方法

为实现轮式机器人轨迹跟踪控制,以双闭环控制方案为基础,在每个闭环子系统中设计滑模控制器,并将粒子群算法应用其中,优化控制器参数,达到更好的跟踪效果.通过仿真验证了所设计的控制器能够实现轨迹跟踪,并且相较于人工经验整定的参数,通过优化得到的参数使控制器的控制性能更加优越.     

基于RBF和模糊预测的AGV轨迹跟踪控制

针对AGV系统存在初始位姿误差,而且给定轨迹又不连续时,应用传统的轨迹跟踪控制方法,就会使其初始速度产生较大跳变的问题,基于径向基函数(RBF)神经网络的非线性动态系统在线建模,将模糊控制技术与预测控制技术相结合,提出基于反演(Backstepping)方法的速度控制器和基于RBF的模糊预测转矩控制器,实施AGV路径跟随和轨迹跟踪控制.仿真和实验结果表明,设计的速度控制器和转矩控制器使AGV系统不仅有较好的动态性能,而且具有较强的鲁棒性.     

BP和RBF网络的结构动力响应预测对比

主动控制中存在时滞效应,在线实时预测结构响应,可以解决这个问题。不同的神经网络对结构响应的预测效果是不同的,针对BP网络和RBF网络的不同特点,对它们的预测效果做了对比研究。仿真结果表明,RBF神经网络训练速度快、精度高,可及时为主动控制建筑结构响应提供较为准确的优化性能指标,从而为实现在线实时控制结构响应提供优良的保证。     

基于速度观测器的移动机器人轨迹跟踪控制

提出了一种无需纵向速度测量的新的移动机器人轨迹跟踪控制方法,可以采用速度观测器替代纵向测量装置来确定移动机器人的运动速度.设计了一种基于速度观测器的轨迹跟踪控制器.控制器设计是以轮式及履带式移动机器人模型及其所采用的驱动电机数学模型为基础,具有两种实用性能：（1）控制器不需要很精确的移动机器人模型参数和驱动电机参数,就可以很好地在一个闭环控制系统中减小跟踪误差;（2）在理论上仅需要通过一个设计参数的设置就能够有效地控制跟踪误差范围.     

Seam tracking control for mobile welding robot based on vision sensor

To solve the seam tracking problem of mobile welding robot, a new controller based on the dynamics of mobile welding robot was designed using the method of backstepping kinematics into dynamics. A self-turning fuzzy controller and a fuzzy-Gaussian neural network (FGNN) controller were designed to complete coordinately controlling of cross-slider and wheels. The fuzzy-neural control algorithm was described by applying the Gaussian function and back propagation (BP) learning rule was used to tune the membership function in real time by applying the FGNN controller. To make the tracking more quickly and smoothly, the neural network controller based on dynamic model was designed, which utilized self-learning and self-adaptive ability of the neural network to deal with the partial uncertainty and the disturbances of the parameters of the robot dynamic model and real-time compensate the dynamics coupling. The results show that the selected control input torques make the system globally and asymptotically stable based on the Lyapunov function selected out; the accuracy of the proposed controller tracing is within ±0.4 mm and can satisfy the requirements of practical welding project.     

基于变结构方法的机器手臂自适应控制

针对二自由度机器手臂的轨迹跟踪控制中出现的运动学模型参数可能发生改变以及外部状况变化和负荷变化等不确定因素,提出基于滑模变结构补偿方法的径向基神经网络自调节控制律,其中径向基神经网络抵偿了系统参数不确定性和外部扰动量,滑模变结构方法抵消了径向基神经网络的逼近误差,较好地消除了系统未知不确定性的影响。仿真结果表明,该控制律能保证轨迹跟踪误差的快速收敛性及对参数不确定性和外部扰动的鲁棒性。     

人工神经网络在乘员约束系统中的应用

建立正面碰撞乘员约束系统空间模型,通过实车碰撞试验验证了模型的正确性.结合均匀试验设计方法,分别建立3种人工神经网络拟合乘员伤害,网络结构经过优化和训练后使用遗传算法寻优,优化后的参数使得约束系统的保护性能得到显著改善.优化结果表明:RBF网络和GRNN网络对乘员约束系统的拟合效果较好,预测精度较高.