一种基于模糊控制的分数阶自适应导纳控制方法

针对下肢康复外骨骼机器人在主动康复训练中运动柔顺性不足的问题,提出一种基于模糊控制的分数阶自适应导纳控制方法。该方法是先在导纳控制模型中,惯性项、阻尼项和刚度项的阶数由整数变为分数,同时通过设置不同分数阶参数对比分析,找到最佳分数阶参数,用于人机交互控制中,可以有效提高康复机器人系统的平稳性和柔顺性。然后将实际人机交互力与期望交互力的偏差转化为位置偏差,以此来修正期望轨迹,其中位置控制器采用PID控制,实现位置跟踪。再利用模糊推理实时地调整导纳控制器的阻尼与刚度参数,相比固定导纳参数更能顺应人体运动意图,改善人机协调性,实现下肢康复外骨骼机器人的自适应主动柔顺控制。在Matlab/Simulink平台对分数阶自适应导纳参数控制器进行仿真实验,与固定导纳参数控制器进行对比分析。仿真结果显示,该方法可以有效降低轨迹跟踪误差,提高跟踪精度,使得人机之间的协同程度更高,同时降低人机交互力,有效改善运动柔顺性,保证患者的安全,避免肌肉二次损伤。     

基于屏障 Lyapunov 函数的上肢康复机器人 自适应主动交互训练控制

针对上肢运动功能障碍患者进行辅助康复训练,搭建了一套上肢康复外骨骼机器人系统,并提出一种基于屏障Lyapunov函数的增广神经网络自适应导纳控制策略。首先,介绍了上肢康复外骨骼的机械机构及其控制系统。然后,推演了控制器的设计过程并进行了Lyapunov稳定性证明。最后,分别进行了不同控制内环的轨迹跟踪被动训练实验和不同导纳参数下基于人机交互力的主动交互训练实验,同时分析比对了主动训练时的人机交互力与轨迹偏差的变化关系。被动训练实验结果证明了增广神经网络对人机模型动力学的逼近效果,其轨迹跟踪峰值误差为模糊PID控制器的53%。主动交互训练实验证明了通过调整导纳参数可实现在相同训练任务下不同强度的康复训练以匹配不同康复阶段下的患者。     

手术机器人的模糊神经网络变阻抗控制策略研究

针对手术机器人在颅颌面手术过程中无法有效跟踪期望位置和接触力的问题，提出一种基于模糊神经网络的变阻抗控制策略。首先，利用模糊PID位置控制模块对机器人运动至手术切口位置的期望轨迹进行跟踪控制。其次，通过基于神经网络的变阻抗控制模块建立起机械臂与目标之间的力/位置动态关系，该模块可对机器人辅助手术过程中的力跟踪偏差进行及时的自适应修正，以实时补偿环境动态变化带来的影响，提高了环境交互的安全性以及力跟踪的准确性。最后，对提出的控制方法进行验证，结果表明，在动态变化的手术环境下，相比传统定阻抗参数控制方法，该方法拥有更好的跟踪控制效果。     

基于参数自适应神经动力力学的轮式机器人轨迹跟踪控制

轮式机器人具有复杂多变的非线性、强耦合以及时变的动力学特点,采用传统的机器人轨迹跟踪控制容易产生较大的速度突变,导致机器人在控制过程中产生抖振现象,为此提出了一种基于参数自适应神经动力力学的轮式机器人轨迹跟踪控制方法。通过运动学分析并建立轮式机器人的位姿误差模型,采用神经动力学设计机器人轨迹跟踪控制器;分析比较不同参数取值与控制量之间的关系,设计了一种参数自适应方法进一步提高轨迹跟踪控制器的性能;最后,通过对所设计的控制方法进行了仿真实验。实验结果表明,所设计的控制方法能够保证机器人拥有较小的速度突变,在出现误差情况下能够以较快速度收敛,在轨迹跟踪上拥有较高的精度。     

柔性和摩擦力不确定条件下RBF神经网络自适应轨迹跟踪方法

提出一种基于径向基神经网络(Radial basis function, RBF)的力/位置混合自适应控制方法并用于机器人轨迹跟踪控制,解决机器人柔性末端执行器轨迹跟踪过程中柔性和摩擦力模型难以精确描述的问题。RBF神经网络是一种高效的前馈式神经网络,具有其他前向网络所不具有的非线性逼近性能和全局最优特性,并且网络结构简单,训练速度快。设计一种基于RBF神经网络非线性逼近能力来估计模型中的不确定参数的自适应控制器,给出控制器中神经网络权值更新规则,并证明所设计控制器输出力和位置误差的最终一致有界性。将该控制器应用于风管清扫机器人仿真试验,结果表明该自适应控制器能很好地用于柔性和摩擦力不确定条件下轨迹跟踪控制,与传统自适应控制方法相比具有更精确的跟踪特性和更强的鲁棒性。     

不确定关节机器人模型的神经网络补偿自适应控制

为了达到关节机器人轨迹跟踪控制的目的,针对由于机器人结构参数、作业环境干扰及结构共振模式等不确定性因素造成的机器人不确定性动力学模型,将该模型分解为名义模型和建模误差两部分,其中的建模误差采用RBF神经网络进行补偿和估计,得到其估计信息。RBF神经网络的权值通过Lyapunov稳定性分析和自适应算法进行调节。机器人的神经网络补偿自适应控制解决了机器人这类不确定模型的轨迹跟踪控制问题。对3关节机器人实验验证结果表明,3关节均在约4 s时跟踪期望轨迹,并且跟踪误差渐近趋近于0,并且RBF神经网络能很好地逼近由不确定性因素引起的建模部分。     

未知时变环境下机器人自校正阻抗控制研究

针对未知、时变环境下机器人力位控制需求,基于非线性接触动力学模型进行了阻抗控制的位置自校正修正算法研究.通过建立基于Hunt-Crossley非线性接触动力学模型的阻抗控制系统,构建了在刚性或柔顺作业环境下机器人末端位置与接触力之间的动态关系;在自校正控制系统中引入自扰动递推最小二乘辨识算法,以接触力误差最小为设计指标,设计了阻抗控制的位置自校正修正算法,在预测控制同时进行接触动力学参数在线跟踪辨识,解决了在材料力学特性未知或存在时变的环境下,力跟踪的实时性和准确性问题;仿真实验模拟了环境力学特性参数事先未知且在不同作业区域间存在差异的应用场景,结果表明,该算法能够实时进行阻抗控制的自适应位置调整,保证了力位跟踪控制的快速响应性和收敛性,稳态力跟踪误差控制在2％以内,环境力学特性发生变化时的控制调整时间仅约7个采样周期,相较对比算法减少约70％.     

一种并联机器人误差综合补偿方法

针对并联机器人轨迹规划和轨迹跟踪过程中,同时存在机构误差引起的期望轨迹与理想轨迹之间的偏差和非线性摩擦、负载变化等扰动因素引起的动态误差,提出一种并联机器人误差综合补偿方法:在轨迹规划过程中,基于并联机器人位姿误差模型将位姿误差补偿转化为驱动杆参数组合优化问题,进而利用粒子群算法寻优驱动杆参数,修正并联机器人期望轨迹;在轨迹跟踪过程中,设计基于自适应迭代学习控制算法的动态误差补偿策略,实现对期望轨迹的有效跟踪。在Stewart平台下基于ADAMS和Matlab进行仿真试验,在轨迹规划和轨迹跟踪过程中,分别修正期望轨迹偏差并补偿轨迹跟踪动态误差,实现并联机器人误差综合补偿。进一步,基于混联机床进行工件加工试验,验证方法对于提高并联机器人工作精度的有效性。     

宏微并联机器人系统自适应交互PID监督控制

500m口径球面射电望远镜(Five hundred meter aperture spherical radio telescope,FAST)的馈源支撑与指向跟踪机构由宏微并联机器人系统构成,大跨度柔索驱动的宏并联机器人保证系统的大工作空间,精密电动缸驱动的Stewart平台作为微并联机器人保证系统的末端精度并扩展其伺服带宽。为了降低宏并联机器人的柔性对末端定位精度的影响,提出基于并联机构学原理的三维机动目标解耦跟踪预测算法,对馈源舱的运动进行跟踪预测。引入自适应交互算法解决PID参数的实时调整,设计自适应交互PID监督控制器,根据馈源舱的预测运动和馈源平台的目标轨迹产生电动缸规划级控制量。此外,在电动缸执行级采用带前馈的数字伺服滤波器实现电动缸的高精度轨迹跟踪。FAST50m缩尺模型试验表明,结合解耦预测算法对馈源舱的运动预测,自适应交互PID监督控制器效果良好,能够确保宏微并联机器人系统在以期望的跟踪速度运行时,获得完全满足控制要求的定位精度和指向精度。     

蛇形机器人跟踪误差预测的自适应轨迹跟踪控制器

为了满足蛇形机器人轨迹跟踪运动的精度需要,消除外界干扰对机器人跟踪误差的影响,提出了一种蛇形机器人跟踪 误差预测的自适应轨迹跟踪控制器。 所提出的控制器实现了机器人干扰变量、摩擦系数和控制参数的预测,并用预测值和虚拟 控制函数来补偿系统的控制输入,抵消了蛇形机器人在轨迹跟踪过程中的侧滑角,避免了干扰变量对机器人带来的负面影响, 提高了轨迹跟踪的误差稳定性与控制精度。 在建立蛇形机器人模型后,利用积分形式的侧滑角补偿项改进了视线法,并设计了 蛇形机器人的自适应轨迹跟踪控制器。 使机器人的位置误差在 10 s 内实现收敛,角度误差小于 0. 03 rad,预测值误差在 5 s 内 收敛。 通过仿真实验,验证了所提出的控制器的有效性和优越性。     

基于位置阻抗的机器人接触碰撞控制研究

针对机器人分钢过程中末端与环境接触瞬间冲击振荡和力的不稳定性问题,提出了一种基于鲁棒自适应的位置阻抗控制方法。该方法通过内环的PD自适应控制器来跟踪期望轨迹,通过外环的阻抗控制器实现机器人末端与环境之间接触力的稳定性控制,实现了机器人由自由空间到约束空间快速、平稳的过渡和力的稳定性控制。在ADAMS与MATLAB/Simulink中搭建了联合仿真平台,对比分析了控制前后接触力的变化,联合仿真结果表明控制方法的有效性。     

PI Ziegler-Nichols预测控制在机器人位置伺服控制中的应用

针对机器人姿态变换时伺服电机位置控制中惯量和负载转矩的变化,提出了一种PI Ziegler-Nichols预测并行控制策略。设计了PI Ziegler-Nichols控制器与预测控制器,PI Ziegler-Nichols控制可对传统PI控制器的比例、积分系数进行在线调整,抑制了参数变化和负载扰动,预测控制在误差较大时能够提高收敛速度并具有较好的跟踪能力。仿真结果表明,并行控制策略具有较好的稳定性和动态跟踪精度,当系统参量产生变化时,PI Ziegler-Nichols预测控制器可自适应调整,在机器人伺服系统中可实现较好的位置控制精度和较快的响应速度。     

自适应模糊算法优化的足球机器人轨迹跟踪

为了提高足球机器人在运动控制过程中的轨迹跟踪性能和稳定性,将自适应模糊PID算法用于机器人运动控制环节中,对PID参数进行实时调整。建立足球机器人在场地上的控制系统模型,分析机器人在轨迹跟踪中由驱动方向、角度等时变因素导致的实际轨迹发生偏移的问题,分别在MATLAB-Simulink和SimRobot仿真平台对优化算法的性能进行仿真,同时与传统的PID控制进行对比。实验结果表明,自适应模糊PID算法相比传统的PID控制器在最大跟踪误差和平均跟踪误差方面分别减少20.18%和29.34%,同时提升了系统的稳定性。该控制算法提升了足球机器人的轨迹跟踪性能,满足机器人在运动过程中的动力学和控制要求,易于在工程中应用。     

混合驱动柔索并联机器人自适应迭代学习控制

以一种兼容混合驱动机构与柔索并联机构特点的新型混合驱动柔索并联机器人为研究对象,对其动力学建模及轨迹跟踪控制进行了研究;应用Lagrange方法建立了混合驱动柔索并联机器人系统的动力学模型;针对具有非线性、时变特性以及带有可重复时变干扰的混合驱动柔索并联机器人动态系统模型,设计了一种控制增益随迭代次数变化的自适应迭代学习控制策略,并采用Lyapunov函数证明了该控制器的稳定性;数值仿真结果表明,在该控制器的作用下,混合驱动柔索并联机器人控制系统能够完成高精度跟踪期望轨迹,进一步验证了所建系统动态模型的正确性及控制策略的有效性。     

基于神经网络的一类不确定非线性系统自适应H∞跟踪控制

基于神经网络针对一类具有输入不确定性的非线性系统提出了一种H∞自适应跟踪控制方法.控制器由等效控制器、H∞控制器及参数自适应控制器三部分组成.H∞控制器用于减弱外部及神经网络的逼近误差对跟踪性能的影响,参数自适应控制器用于抑制输入干扰对跟踪性能的影响.所设计的控制器不仅保证了整个闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出一个算例验证了该方法的有效性.     

未知环境下机器人力/位自适应模糊控制

机器人力控制是机器人研究的一个热点和难点。在未知环境中为实现精确的接触力控制,需要力控制器能够适应环境的变化。提出一种基于神经网络训练模糊控制规则的自适应模糊控制器应用于机器人的力控制中来适应机器人末端接触环境的变化,首先用递推最小二乘算法根据机器人对未知环境的动态响应来在线估计环境参数,然后选择一个合适的模糊控制规则调整因子对力控向量进行控制。仿真试验研究表明所设计的控制器是可行和有效的。     

基于神经网络的一类不确定非线性系统自适应H∞跟踪控制

基于神经网络针对一类具有输入不确定性的非线性系统提出了一种H∞自适应跟踪控制方法.控制器由等效控制器、H∞控制器及参数自适应控制器三部分组成.H∞控制器用于减弱外部及神经网络的逼近误差对跟踪性能的影响,参数自适应控制器用于抑制输入干扰对跟踪性能的影响.所设计的控制器不仅保证了整个闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出一个算例验证了该方法的有效性.     

迭代学习在工业机械手自适应控制中的应用

针对机器人运动控制模型中存在的未知项建模误差,提出了基于迭代学习与滑模控制的机器人组合自适应控制方法.将机器人动力学方程以状态回归量的形式表示,使时变参数与物理参数分离,通过设计的参数自适应律,实现了对未知参数的在线估计.将跟踪误差限制在滑模面上,实现了对目标轨迹的有效跟踪.仿真实例表明,提出的组合控制算法在机器人轨迹跟踪中具有一定的可行性.     

串联弹性驱动器的设计及力矩控制研究

为了改善机器人在人机交互过程中力矩柔顺性问题,对机器人关节中的串联弹性驱动器（Series Elastic Actuator,SEA）进行了改进,从而提高了SEA驱动器中弹性体受力与变形的线性特性。在力矩控制器的设计中,采用了基于数据驱动控制的无模型自适应控制算法（MFAC）,并利用BP神经网络算法实现控制器参数的在线自整定。该数据驱动控制算法在不需要建立受控系统精确数学模型的情况下,即可实现串联弹性驱动器（SEA）的力矩控制。既简化了控制器设计的难度,避免了机器人关节建模的复杂性和未建模的动态误差,又提高了控制系统对负载扰动的鲁棒性。为了验证控制方法的有效性,对SEA驱动器进行仿真分析。仿真结果验证了所设计的控制方法对SEA力控具有良好的跟随性,能够实现机器人与人、环境之间的安全物理交互。     

未知环境下基于模糊神经网络的机器人力控制研究

机器人力控制是机器人研究的一个热点和难点.在未知环境中为实现精确的接触力控制,需要力控制器能够适应环境的变化.本文将模糊神经网络引入到机器人的力控制中来适应未知环境的变化,首先用一个神经网络根据机器人对未知环境的动态响应来对未知环境进行分类,然后选择一个合适的模糊神经网络力控制器对其控制.实验研究表明所设计的控制器是可行和有效的.