机器人轨迹跟踪自适应控制

本文提出一种新的自适应控制算法,用于补偿机器人动力学方程中的非线性项和消除关节间的耦合。这种简单有效的控制算法,保证了系统在一定的参数变化范围内具有渐近稳定性和良好的控制精度。     

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。     

基于神经网络的机器人轨迹跟踪控制

针对机器人模型未知情况，讨论了用神经网络和反馈控制实现机械手的跟踪控制。提出一种基于参考误差的投影算法来训练网络权值，训练后网络输出能逼近期望的前馈力矩，并从理论上证明跟踪误差的收敛性。仿真结果表明方案具有较好的跟踪性能和较强的抗干扰能力。     

具有H_∞跟踪性能的机器人自适应PID控制

针对非线性不确定机器人系统的轨迹跟踪控制问题,提出一种鲁棒自适应PID控制算法.该控制器由主控制器和监督控制器组成.主控制器以常规PID控制为基础,基于滑模控制思想设计PID参数的自适应律,根据误差实时修正PID参数.基于Lyapunov函数设计的监督控制器补偿自适应PID控制器与理想控制器之间的差异,使系统具有设定的H_∞的跟踪性能.最后,两关节机器人的仿真实验结果表明了算法的有效性.

Abstract：

A robust adaptive PID control algorithm is proposed for trajectory tracking of robot manipulators with nonlinear uncertainties.The controller is composed of a main controller and a supervisory controller.The main controller is designed based on the traditional PID controller.The parameters of the PID controller are updated online according to the system running errors with the adaptation law based on the sliding mode control.The supervisory controller is proposed to compensate the error between the adaptive PID controller and the ideal controller in the sense of the Lyapunov function with the specified H_∞ tracking performance.Finally, the simulation results based on a two-joint robot manipulator show the effectiveness of the presented controller.     

基于控制器输出误差方法的自适应模糊控制及其在机器人轨迹跟踪控制中的应用

本文提出一种自适应模糊控制器并将之用于机器人轨迹跟踪控制 ,该控制器采用控制器输出误差方法 (COEM) ,根据控制器的输出误差而不是对象的输出误差来在线地调整模糊控制器的参数 ,无须对对象进行辩识 .仿真结果表明该控制器用于机器人轨迹跟踪控制具有很好的性能 ,是一种有效的控制器     

模糊小波基神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络控制器并用于机器人轨迹跟踪控制.这种模糊神经网络利用了小波基函数作为隶属函数,可在线根据误差调整隶属函数的形状,使模糊神经网络具有更强的学习和适应能力.仿真与实验结果表明这种网络能很好的用于机器人的轨迹跟踪控制,具有很好的性能.     

机器人轨迹跟踪的一种自适应神经鲁棒控制

针对不稳定机器人轨迹跟踪问题,提出了一种基于神经网络的自适应鲁棒控制。该控制方案由一个PD反馈和一个神经动态补偿器组成,其特点是不需要系统不确定性上界的先验知识,而且避免了求解惯性矩阵逆,通过利用一个RBF神经网络自适应学习系统不稳定性的未知上界,从而可以有效克服系统不确定性的影响,保证机器人系统的输出跟踪误差渐近收敛于0。     

模糊学习控制在SCARA机器人轨迹跟踪中的应用

模糊学习控制以模糊控制提供反馈机制为主体,辅以迭代学习控制提供前馈补偿机制,来实现对期望轨迹的完全跟踪.把模糊学习控制应用于SCARA机器人的轨迹跟踪.仿真试验表明,该方法具有简单实用、跟踪精度高、学习速度快等优点.     

不确定性机器人的自适应跟踪控制

提出了一种自适应的控制策略，用于不确定性机器人的轨迹跟踪，该控制器结构简单，且无需计算回归矩阵，通过对二自由度的机器人的信真，证明该方法能使跟踪误差快速趋近于零。     

四轮移动机器人智能预瞄轨迹跟踪控制

针对后轮驱动四轮移动机器人存在非完整约束、模型复杂等特点,提出一种基于多预瞄点的轨迹跟踪混合控制算法。该算法设计从仿人驾车的角度出发,根据不同路况通过模糊控制在线调节机器人的速度、预瞄点个数和预瞄距离。采用免疫控制方法在线整定PID控制器的参数。从控制稳定性角度出发提出轨迹偏离度评价指标。仿真结果表明该控制器的有效性。     

改进的BPnn在移动机器人轨迹跟踪中的应用

针对BPnn（BP神经网络）在复杂多输入情况下,样本训练速度慢,不能满足实时性要求的缺点,提出了一种把神经网络分割成若干子网分别进行训练来获取更高计算效率的方法。将改进的BPnn应用于移动机器人在未知参数和不确定干扰下的轨迹跟踪控制问题中,提出了一种运动控制器和动力学控制器相结合的改进的计算力矩控制方法,用后退算法设计运动学控制器,用改进的BPnn优化动力学控制器。通过MATLAB数值仿真证明了算法的有效性和正确性。     

机器人末端臂轨迹跟踪自适应控制设计

本文提出了新颖的机器人末端臂轨迹跟踪自适应控制方法。该方法与已有的神经网络模型不同之处在于数据首先利用运动学反解求出机器人各关节旋转的角度,然后应用径向基函数自组织进行神经网络学习生成模糊规则,利用监督学习算法(SLA)、最小二乘法(LMS)、反向传播算法(BP)和聚类分析的方法在线优化控制规则以及隶属函数的参数。仿真结果表明,该方法不但规则生成的时间少,有效的防止了规则数爆炸,而且在机器人轨迹跟踪控制的应用中效果好。     

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。     

载人机器人平顺轨迹规划及自抗扰跟踪控制方法

针对公共环境载人机器人的安全性和乘载舒适性需求,提出一种机器人平顺轨迹规划及改进自抗扰跟踪控制方法,重点解决避险和平稳运动两种工况下机器人轨迹扰动问题;首先,设计了基于障碍物密度及其危险性的在线速度空间优化方法,获得符合安全和舒适度要求的轨迹;其次,采用扩张状态观测器观测机器人轨迹跟踪过程中内外扰动并实施补偿;再次,引入非线性反馈控制律自动调整反馈增益,减少超调并提高自抗扰控制器稳定性;对不同场景数值模型仿真表明,提出的轨迹规划方法可以满足机器人作业的安全性、舒适性需求;改进自抗扰跟踪控制器效果明显优于传统ADRC和自适应PID,具有较强的抗干扰能力和较快速的跟踪性能.     

一种改进的移动机器人轨迹跟踪迭代学习方法

通过对轮式移动机器人轨迹跟踪优化问题的研究,提出了一种适应性强、收敛速度快且跟踪误差小的迭代滤波学习控制方法,充分发挥了迭代学习控制和Kalman滤波算法的优势,通过引入状态补偿项和设计新的迭代学习增益矩阵对迭代学习律进行了改进。改进的迭代学习控制能够更快速、更精确、更有效地跟踪期望的圆轨迹。采用离散的Kalman滤波器对干扰和噪声进行滤波,抑制了干扰和噪声对轨迹跟踪的影响,使该控制算法更适合于工程应用。计算机实验和仿真表明该方法具有较好的轨迹跟踪能力。     

机械臂轨迹跟踪控制--基于EC-RBF神经网络的机械臂模型参考自适应控制

针对机械臂运动轨迹控制中存在的跟踪精度不高的问题,采用了一种基于EC-RBF神经网络的模型参考自适应控制方案对机械臂进行模型辨识与轨迹跟踪控制。该方案采用了两个RBF神经网络,运用EC-RBF学习算法,采用离线与在线相结合的方法来训练神经网络,一个用来实现对机械臂进行模型辨识,一个用来实现对机械臂轨迹跟踪控制。对二自由度机械臂进行仿真,结果表明,使用该控制方案对机械臂进行轨迹跟踪控制具有较高的控制精度,且因采用EC-RBF学习算法使网络具有更快的训练速度,从而使得控制过程较迅速。     

基于模糊径向基函数神经网络的PID控制算法仿真研究

在传统的PID控制算法基础上,提出了一种基于模糊RBF神经网络的PID控制算法。该算法将RBF神经网络学习能力强与模糊理论的推理能力强的特点结合起来,在线调整比例、积分、微分三个控制参数,仿真结果表明,该算法的控制品质优于常规PID控制,具有较强的自适应能力和鲁棒性。     

机器人自适应PID饱和输出反馈控制

针对机器人系统在仅有位置传感、驱动器饱和、存在建模不确定性及干扰等条件下的轨迹跟踪控制问题,提出了一种新的自适应PID控制方案。采用高精度滤波器估计机器人关节速度,采用带饱和函数的控制器限制输出力矩,采用自适应PID控制器补偿建模不确定性和干扰。通过Lyapunov直接法,证明系统的稳定性。最后以两关节机器人为例,给出仿真实验结果,验证了算法的有效性。