Robot visual servoing with iterative learning control

This paper presents an iterative learning scheme for vision-guided robot trajectory tracking. First, a stability criterion for designing iterative learning controller is proposed. It can be used for a system with initial resetting error. By using the criterion, one can convert the design problem into finding a positive definite discrete matrix kernel and a more general form of learning control can be obtained. Then, a three-dimensional (3D) trajectory tracking system with a single static camera to realize robot movement imitation is presented based on this criterion.     

A Combined Adaptive Law for Fuzzy Iterative Learning Control of Nonlinear Systems With Varying Control Tasks

To deal with the iterative control of uncertain nonlinear systems with varying control tasks, nonzero initial resetting state errors, and nonrepeatable mismatched input disturbance, a new adaptive fuzzy iterative learning controller is proposed in this paper. The main structure of this learning controller is constructed by a fuzzy learning component and a robust learning component. For the fuzzy learning component, a fuzzy system used as an approximator is designed to compensate for the plant nonlinearity. For the robust learning component, a sliding-mode-like strategy is applied to overcome the nonlinear input gain, input disturbance, and fuzzy approximation error. Both designs are based on a time-varying boundary layer which is introduced not only to solve the problem of initial state errors but also to eliminate the possible undesirable chattering behavior. A new adaptive law combining time- and iteration-domain adaptation is derived to search for suitable values of control parameters and then guarantee the closed-loop stability and error convergence. This adaptive algorithm is designed without using projection or deadzone mechanism. With a suitable choice of the weighting gain, the memory size for the storage of parameter profiles can be greatly reduced. It is shown that all the adjustable parameters as well as internal signals remain bounded for all iterations. Moreover, the norm of tracking state error vector will asymptotically converge to a tunable residual set even when the desired tracking trajectory is varying between successive iterations.     

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.     

任意初态下的工业机器人迭代学习控制

对迭代初值为任意值的工业机器人轨迹跟踪控制系统,提出了一种基于滑模面的非线性迭代学习控制算法,使机器人轨迹能快速、精确跟踪上期望轨迹。基于有限时间收敛原理,构建了关于机器人轨迹跟踪误差的迭代滑模面,在滑模面内,机器人轨迹跟踪误差在预定时间内收敛到零。设计了基于滑模面的迭代学习控制算法,理论证明了随着迭代次数的增加,处于任意初态的轨迹将一致收敛到滑模面内,解决了迭代学习中的任意初值问题。数值仿真验证了该算法的有效性和抗干扰能力。     

Adaptive ILC algorithms of nonlinear continuous systems with non-parametric uncertainties for non-repetitive trajectory tracking

In this article, two adaptive iterative learning control (ILC) algorithms are presented for nonlinear continuous systems with non-parametric uncertainties. Unlike general ILC techniques, the proposed adaptive ILC algorithms allow that both the initial error at each iteration and the reference trajectory are iteration-varying in the ILC process, and can achieve non-repetitive trajectory tracking beyond a small initial time interval. Compared to the neural network or fuzzy system-based adaptive ILC schemes and the classical ILC methods, in which the number of iterative variables is generally larger than or equal to the number of control inputs, the first adaptive ILC algorithm proposed in this paper uses just two iterative variables, while the second even uses a single iterative variable provided that some bound information on system dynamics is known. As a result, the memory space in real-time ILC implementations is greatly reduced.     

基于强化迭代学习的四旋翼无人机轨迹控制

为进一步提升在未知环境下四旋翼无人机轨迹的跟踪精度,提出了一种在传统反馈控制架构上增加迭代学习前馈控制器的控制方法。针对迭代学习控制（ILC）中存在的学习参数整定困难的问题,提出了一种利用强化学习（RL）对迭代学习控制器的学习参数进行整定优化的方法。首先,利用RL对迭代学习控制器的学习参数进行优化,筛选出当前环境及任务下最优的学习参数以保证迭代学习控制器的控制效果最优;其次,利用迭代学习控制器的学习能力不断迭代优化前馈输入,直至实现完美跟踪;最后,在有随机噪声存在的仿真环境中把所提出的强化迭代学习控制（RL-ILC）算法与未经参数优化的ILC方法、滑模变结构控制（SMC）方法以及比例-积分-微分（PID）控制方法进行对比实验。实验结果表明,所提算法在经过2次迭代后,总误差缩减为初始误差的0.2%,实现了快速收敛;并且与SMC控制方法及PID控制方法相比,RL-ILC算法在算法收敛后不会受噪声影响产生轨迹波动。由此可见,所提算法能够有效提高无人机轨迹跟踪的准确性和鲁棒性。     

Observer-based Iterative and Repetitive Learning Control for a Class of Nonlinear Systems

In this paper, both output-feedback iterative learning control (ILC) and repetitive learning control (RLC) schemes are proposed for trajectory tracking of nonlinear systems with state-dependent time-varying uncertainties. An iterative learning controller, together with a state observer and a fully-saturated learning mechanism, through Lyapunov-like synthesis, is designed to deal with time-varying parametric uncertainties. The estimations for outputs, instead of system outputs themselves, are applied to form the error equation, which helps to establish convergence of the system outputs to the desired ones. This method is then extended to repetitive learning controller design. The boundedness of all the signals in the closed-loop is guaranteed and asymptotic convergence of both the state estimation error and the tracking error is established in both cases of ILC and RLC. Numerical results are presented to verify the effectiveness of the proposed methods.      

加速抑制随机初态误差影响的迭代学习控制

针对一类具有不确定性的多输入多输出非线性系统,提出一种迭代学习控制算法.该算法具有的特点是:针对任意初态情形,结合开环 D型迭代学习控制器的优点,在时间轴上设计了一个随迭代次数增加而缩短的时间段.在该时间段上,控制算法对状态偏差进行修正,以使系统输出在此段时间后跟踪期望输出,且系统跟踪误差收敛到一个界内.这个界仅由系统自身不确定性和不确定的外界干扰决定,与初态误差无关.当外界扰动为0,以及迭代次数趋于无穷时,经过上述时间段后,系统输出精确跟踪期望输出.理论证明和仿真结果都说明了该算法的有效性.     

误差约束严格反馈系统的迭代学习控制

针对一类严格反馈非线性系统, 本文提出误差跟踪学习控制算法, 旨在解决状态约束问题和系统的初值问 题. 文中构造了二次分式型对称障碍Lyapunov函数以及二次分式型非对称障碍Lyapunov函数, 并结合反推技术来分 别设计学习控制器. 两种控制方案里分别采用积分学习律和微分–差分学习律估计未知系数. 系统跟踪误差在控制 器作用下囿于预设的界内, 从而实现迭代过程中对状态的约束; 引入期望误差轨迹, 经迭代学习后, 两种控制方案均 能够实现状态误差在整个作业区间上对期望误差轨迹的完全跟踪, 并且实现系统输出在预指定作业区间上精确跟 踪参考信号. 数值仿真结果表明了控制方案的有效性.     

非参数不确定系统的有限时间迭代学习控制

针对任意初态情形,引入初始修正作用,研究一类非参数不确定时变系统能够达到实际完全跟踪性能的迭代学习控制方法. 采用Lyapunov-like综合,设计迭代学习控制器处理不确定性时变系统非参数化问题,其中含有有限时间控制作用,以实现在预先指定区间上的零误差跟踪. 并且,运用完全限幅学习机制,保证闭环系统中各变量的一致有界性以及跟踪误差的一致收敛性. 仿真结果表明了所提出控制方法的有效性.     

输入增益未知非参数不确定系统的准最优学习控制

为解决一类非参数不确定系统在任意初态且输入增益未知情形下的轨迹跟踪问题, 提出准最优误差跟踪学习控制方法.该方法综合准最优控制和迭代学习控制两种技术设计控制器, 在构造期望误差轨迹的基础上, 根据控制Lyapunov函数及Sontag公式给出标称系统的优化控制, 以鲁棒方法和学习方法相结合的策略处理非参数不确定性.闭环系统经过足够次迭代运行后, 经由实现系统误差对期望误差轨迹在整个作业区间上的精确跟踪, 获得系统状态对参考信号在预设的部分作业区间上的精确跟踪.仿真结果表明所设计学习系统在收敛速度方面快于非优化设计.     

非参数不确定系统状态受限误差跟踪学习控制方法

针对一类非参数不确定系统,提出误差跟踪学习控制方法,同时解决学习控制系统的初值问题和状态约束问题.利用障碍Lyapunov函数设计控制器,采用鲁棒方法与学习方法相结合的策略处理非参数不确定性,将滤波误差约束于预设的界内,并由此实现对系统状态在各次迭代运行过程中的约束.文中构造了一种期望误差轨迹,经过足够多次迭代后,所提控制方法使得系统误差在整个作业区间以预设精度跟踪期望误差轨迹,系统状态在部分作业区间精确跟踪参考信号.仿真结果表明了该控制方案的有效性.     

一类非线性系统的误差轨迹跟踪鲁棒学习控制算法

针对一类含非参数不确定性的非线性系统,提出一种鲁棒迭代学习控制算法,该算法放宽了常规迭代学习控制方法的初始定位条件,迭代初值可任意取值.基于类Lyapunov方法设计误差轨迹跟踪控制器,通过鲁棒限幅学习机制对不确定性进行估计和补偿,能够在整个作业区间上实现误差对给定期望误差轨迹的精确跟踪,期望误差轨迹根据迭代起始时刻的误差值设置.利用期望误差轨迹的衰减性状,可使系统误差在预设的时间点后收敛于原点的邻域内,邻域半径的大小可根据需要任意设置.理论分析和仿真结果表明了控制方法的有效性.     

Iterative Learning Control Using Information Database (ILCID)

This paper presents an iterative learning control using an information database (ILCID) for linear as well as nonlinear continuous time systems. It is proposed that a proper and efficient selection of the initial control input using the experience of previously tracked trajectories can improve the convergence rate of an iterative learning controller without modifying its control structure. The information database consists of previously tracked trajectories and their corresponding control inputs. For a new trajectory, the database can be searched for a trajectory similar to the new one by using a similarity index defined in this paper. Initial control input for the new trajectory then can be set by using the control input of the similar trajectory found from the database. It is shown by the simulations that the convergence rate of the iterative learning controller can be improved by using this technique.     

时滞非线性系统的采样迭代学习控制

针对一类输入时滞非线性系统, 提出了一种采样迭代学习控制算法, 该算法不含跟踪误差的微分信号, 给出了学习算法收敛的充分条件, 当不存在初始误差、不确定扰动时, 算法在采样点处能实现对期望输出信号的完全跟踪, 否则, 跟踪误差一致有界, 仿真结果表明了该算法的有效性.     

一类具有量化误差的多步长非线性采样系统的镇定

基于连续时间系统模型进行控制器设计,离散化后执行采样控制的方法,研究一类具有量化误差的多步长非线性采样系统的镇定问题.由于非线性因素而无法使用提升技术以及系统状态仅在采样时刻可检测的事实,控制器中不可检测的系统状态被以采样时刻的状态为初始状态的欧拉叠代近似所获得的近似状态所替换.在采样系统的保持周期可调节的情况下,运用此修正控制器来镇定整个多步长非线性采样系统,可得系统近似误差和采样量化误差可分离的结果;同时利用李雅普诺夫函数方法,克服近似误差和量化误差的双重影响,得到系统实用镇定的结果.最后,仿真例子验证了本文的结果有效.     

时变非线性系统迭代学习控制遗忘因子算法

针对迭代学习P型控制算法对初始偏差和输出误差扰动的敏感性问题,研究了一种带有遗忘因子的时变非线性系统的迭代学习控制方法.在有扰动的情况下,利用迭代学习过程记忆的期望轨迹,期望控制以及跟踪误差,通过有界学习增益和批次时变因子设计学习控制器,并基于算子理论给出了控制算法存在的充分必要条件及其收敛性分析,改善了系统的鲁棒性和动态特性.最后以注塑机的注射速度控制仿真验证了本文算法的有效性.     

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。     

非线性离散时间系统的最优终端迭代学习控制

仅利用系统的终端输出误差而不是整个输出轨迹,提出了一种最优终端迭代学习控制方法.控制信号可直接通过终点的误差信息进行更新.主要创新点在于控制器的设计和分析只利用系统量测的I/O数据而不需要关于系统模型的任何信息,并可实现沿迭代轴的单调收敛.在此意义上,所提出的控制器是数据驱动的无模型控制方法.严格的数学分析和仿真结果均表明了所提出方法的适用性和有效性.     

基于双率采样的智能车辆弯道轨迹跟踪控制

本文研究在双率采样下智能车辆弯道轨迹跟踪问题.首先,针对车辆车道保持的转向控制,建立相对路面误差的侧向动力学模型.其次,假设系统状态变量被分为两个子向量并分别由两类传感器以不同的采样周期采样,针对这类双率采样系统,充分考虑这两类传感器的采样时刻特征,设计一类基于采样时刻的切换控制器.然后,利用输入时滞方法,将最终的闭环系统建模为带有两个模态的切换时滞系统,并以线性矩阵不等式(LMI)形式给出闭环系统指数稳定性条件和切换控制器的设计方法.最后,在Matlab/Simulink环境下对汽车模型的路径跟踪控制进行仿真,验证本文所提方法的有效性,并与单率采样方法进行比较,说明本文方法相比于单率采样方法的优势.