多关节机器人的模糊神经滑模控制

针对含有建模误差和不确定干扰的多关节机器人轨迹跟踪控制,提出了一种模糊神经滑模控制方法.该方法采用全局快速终端滑模面,保证了系统能够从任意初始状态在有限时间内到达滑模面和平衡点.采用模糊神经网络自适应地补偿系统的建模误差和外界干扰,保证了滑模控制在滑模面的运动.文中利用李亚普诺夫稳定性判据推导出了控制器的控制律和模糊神经网络的目标函数,通过模糊神经网络的在线学习.削弱了滑模控制的抖振.仿真结果表明了其有效性.     

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。     

多关节机器人的神经滑模控制

针对含有建模误差和不确定干扰的多关节机械臂轨迹跟踪控制,提出了一种神经滑模控制方法。该方法采用全局快速终端滑模面保证了系统状态能够在有限时间内到达滑模面和平衡点。采用径向基函数神经网络自适应地补偿系统的建模误差和外界干扰,保证了滑模控制在滑模面的运动。利用李亚普诺夫稳定性判据推导出了控制器的控制律和神经网络的目标函数,通过神经网络的在线学习,削弱了滑模控制的抖振。仿真结果表明了其有效性。     

自适应神经网络四旋翼无人机有限时间轨迹跟踪控制

针对带有模型不确定性和未知外部干扰的四旋翼无人机轨迹跟踪控制问题,提出一种基于径向基(radial basis function, RBF)神经网络的自适应全局快速终端滑模控制方法,确保系统对期望轨迹的有限时间跟踪。该方法考虑到全局快速终端滑模控制在实际应用中的适应性和抖振问题,利用RBF神经网络替代等效控制量,以神经网络的在线学习能力补偿系统内部的不确定性和未知的外部干扰,有效地降低了系统的抖振;根据Lyapunov方法导出的自适应律在线调整神经网络权值,以保证闭环系统的稳定性。通过一系列仿真算例和飞行实验验证了该方法的有效性与可行性,结果表明:该控制方法相对于滑模控制的抖振更小,具有更好的收敛性和抗干扰能力,同时对模型的参数摄动具有更强的鲁棒性。     

作业型水下机器人纵、横倾姿态自适应区域控制方法

本文主要研究作业型自主式水下机器人(AUV)的纵、横倾姿态自适应区域控制问题.在实际作业中,机械手作业干扰和环境不确定性等因素将影响作业过程的艇体姿态控制,进而影响运动、作业的精度.针对此姿态稳定性控制问题,提出一种基于RBF(径向基函数)神经网络的水下机器人姿态自适应区域控制方法.针对系统模型的不确定因素,采用RBF神经网络对其进行在线估计,引入滑模控制项对估计误差进行在线补偿;针对RBF神经网络控制参数的取值问题,设计网络权值、径向基中心与方差的在线调整律,对控制参数进行自适应学习,以适应机器人艇体的不同姿态变化;针对艇体姿态的快速稳定收敛需求,在区域控制器中加入PI(比例-积分)环节,缩短姿态调节时间、降低稳态误差.基于李亚普诺夫稳定性分析,从理论上证明区域控制误差一致渐近稳定.最后,通过作业型水下机器人样机的纵、横倾姿态控制实验,验证了本文方法的有效性.     

多关节机器人的自适应模糊滑模控制

针对多关节机械臂轨迹跟踪控制,提出了一种基于全局快速终端滑模面的自适应模糊滑模控制方法。该方法通过设计合适的自适应律,采用模糊自适应控制调节滑模控制的切换控制增益,实现了对建模误差和不确定干扰的自动跟踪,削弱了抖振。系统不需要对建模误差和干扰进行预估计,并且通过对控制器结构的简化,降低了模糊控制器的维数,减少了计算量。利用李亚普诺夫定理证明了控制系统的稳定性,仿真结果表明了其有效性。     

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．     

空间三关节机器人模糊积分滑模控制

研究提高关节机器人轨迹跟踪控制的性能,由于关节机器人运动中产生振动,影响系统的稳定性能。为解决上述问题,提出了一种反馈线性化的自适应模糊积分滑模控制方法。在上述方法的基础上,对机器人非线性动力学模型反馈线性化。为了进一步提高滑模控制的精度,设计了一种积分滑模面的滑模控制器,可以减弱积分滑模控制的抖振。通过设计一个模糊控制器,根据积分滑模面的大小自适应地调节积分滑模控制的切换部分,达到削弱抖振的目的。利用李亚普诺夫定理证明了控制系统的稳定性。仿真结果表明,改进方法有效地提高了关节机器人跟踪控制性能。     

一种水下探伤机器人动力定位控制方法

水下探伤机器人在执行任务时,机械臂作业过程以及风浪、水流等干扰将会引起机器人模型参数的变化,继而影响水下机器人动力定位控制。针对上述水下探伤机器人动力定位过程中模型不确定问题,提出一种基于模型逼近的RBF神经网络的自适应滑模控制方法,采用RBF神经网络对机械臂作业过程引起的水下机器人模型参数的变化及波浪等扰动进行在线逼近。将此方法应用到动力定位控制系统中,分别在平稳环境和扰动环境下,通过水下探伤机器人艏向及垂向的动力定位实验,验证了系统控制方法的有效性。     

基于神经网络和模糊补偿的水下机械臂控制

针对水下机械臂动力学模型建模复杂且滑模控制的抖振问题,利用Lagrange法和Morison方程精准建立二连杆串联水下机械臂的动力学模型,对模型中参数的不确定项使用4个RBF神经网络分别进行逼近,并且对摩擦项使用模糊控制进行补偿的方法,精准迅速地实现了对水下机械臂控制系统跟踪控制。通过进行仿真分析,基于神经网络和模糊补偿控制的方法与滑模控制、整体RBF神经网络控制和分块RBF神经网络控制相比,控制系统的平均误差分别降低了85.5%、71.8%、93.1%。结果表明,此方法有效降低了控制系统的跟踪误差,并同时提高了稳态性和抗干扰性。     

基于RBF神经网络的机械臂自适应控制方法

针对机械臂受内部摩擦和时变扰动等不确定性因素的影响,其轨迹跟踪控制系统的跟踪精度会下降,且影响系统的稳定性,提出一种基于径向基函数神经网络的自适应控制方法。首先,利用RBF神经网络采用离线训练和在线学习的方式对机械臂的动力学模型进行辨识;其次针对机械臂控制系统中的摩擦,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。针对时变扰动和神经网络逼近误差设计鲁棒项,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行稳定性分析;最后,仿真实验结果证明提出的控制方法具有较高的跟踪精度、抗干扰能力和较强的鲁棒性。     

机械臂自适应反演超螺旋全局终端滑模控制

针对机械臂系统存在的系统参数摄动、非线性摩擦及外部干扰等不确定问题,提出一种自适应反演超螺旋全局终端滑模轨迹跟踪控制方法。该方法基于反演法、Lyapunov理论和全局快速终端滑模理论设计控制器,保证系统稳定性及全局收敛性,增强系统的鲁棒性。为解决系统集总扰动上界未知的问题,采用自适应技术设计切换控制律,抵消不确定性的影响,同时引入超螺旋算法抑制滑模控制固有的抖振现象。最后,通过理论分析和仿真算例验证了该控制器的有效性与可行性。     

Robust chattering-free sliding mode control of space robot in task space

This paper studies the tracking control problem of a free-floating space robot in a task space. Considering the model uncertainties and external disturbance, a robust sliding mode controller is proposed using the Lyapunov direct method and dissipative theory. To eliminate the chattering phenomenon, an radial basis function （RBF） neural network is applied to replace the discontinuous part of the control signal. A novel on-line learning method of the weights and parameters of the RBF neural network established using Lyapunov function assures the stability of the system. It is proved that the proposed controller can guarantee that the L2 gain from disturbance to tracking error is lower than the given index y. Simulation results show that the control method is valid.     

基于RBF神经网络滑模控制的车辆横向控制研究

针对车辆横向控制系统中滑模控制器存在的抖振现象对转向机械结构带来的损耗问题,提出了一种基于RBF神经网络的滑模控制算法。利用RBF神经网络较强的自学习能力实时在线调节滑模控制器的切换项增益参数,增强系统的抗干扰能力与动态性能。将车辆实际参数代入仿真数学模型中,在Simulink仿真环境中进行对比仿真实验,仿真结果表明:该控制算法跟踪性能好,能够有效降低滑模控制器的抖振,满足车辆横向控制要求。     

考虑扰动与输入饱和的机械臂连续非奇异快速终端滑模控制

针对机械臂控制过程中由于扰动与输入饱和造成的控制精度低的问题,提出一种连续非奇异快速终端滑模控制算法.首先,针对输入饱和问题,设计饱和补偿系统以消除输入饱和特性;其次,为避免滑模控制的抖振问题,设计二阶模型不确定与扰动估计器(UDE)对扰动项进行估计;同时,为进一步提高控制精度,采用自适应方法对扰动估计误差进行控制;在...     

非同轴两轮机器人自平衡与转向闭环控制

针对车速、车身侧倾角和前轮转角变化较大工况下的非同轴两轮机器人在基于前轮转角的自平衡控制中,因动力学模型准确性对自平衡控制带来的影响,设计了基于RBF神经网络模糊滑模控制的自平衡控制器,利用RBF神经网络的逼近特性,对动力学模型中非线性时变的不确定部分进行自适应逼近,从而提高动力学模型的准确性,并借助模糊规则削弱滑模控制中产生的系统抖振;以及因前轮转角用于自平衡控制中难以实现转向闭环控制,建立了基于纯跟踪法的轨迹跟踪控制器,并设计利用车身平衡时车身侧倾角与前轮转角的耦合关系,将转向闭环控制中的目标前轮转角替换为目标车身侧倾角,从而将自平衡控制器与轨迹跟踪控制器相结合,在保证车身平衡行驶的前提下,实现带有轨迹跟踪的转向闭环控制。实验结果表明,凭借动力学模型的较高准确性,RBF神经网络模糊滑模自平衡控制器具有鲁棒性好、超调量低和响应迅速的优点,并且利用车身平衡后车身侧倾角与前轮转角耦合关系,实现转向闭环控制是可行的,具有良好的轨迹跟踪效果。