基于神经网络的不确定机器人自适应滑模控制

提出一种机器人轨迹跟踪的自适应神经滑模控制。该控制方案将神经网络的非线性映射能力与变结构控制理论相结合,利用RBF网络自适应学习系统不确定性的未知上界,神经网络的输出用于自适应修正控制律的切换增益。这种新型控制器能保证机械手位置和速度跟踪误差渐近收敛于零。仿真结果表明了该方案的有效性。     

基于模糊神经网络的机器人滑模自适应控制

滑模控制（SMC）响应快,对系统参数和外部扰动呈不变性,可保证系统的渐近稳定性,但其缺点是控制存在很强的抖动;而模糊神经网络（FNN）具有模糊系统和神经网络共同的特点。将滑模控制和模糊神经网络控制有机结合,利用简单得到的学习信号对模糊神经网络进行在线学习,通过平滑切换函数实现直接自适应控制策略。对两连杆机械手的仿真研究表明,在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能有效减小滑模控制的抖动问题。     

PHANTOM Omni机器人的自适应模糊滑模控制

针对PHANTOM Omni机器人的位置轨迹跟踪问题,采用了一种基于模糊逻辑的自适应模糊滑模控制方案。利用滑模控制中的切换函数作为输入,根据模糊系统的逼近能力设计控制器,并基于李雅谱诺夫方法设计自适应律对控制器所需参数进行实时调节。仿真中将其与传统的滑模控制进行了比较,仿真结果表明：自适应模糊滑模控制能使PHANTOM Omni机器人更好地实现期望的位置轨迹跟踪并有效地减轻抖振现象,从而证明了该方法在PHANTOM Omni机器人上实施的可行性。     

机器人操作器的自适应模糊滑模控制器设计

针对机器人动力学系统提出了一种基于模糊逻辑的自适应模糊滑模控制方案.根据滑模控制原理并利用模糊系统的逼近能力设计控制器,基于李雅谱诺夫方法设计自适应律,证明了闭环模糊控制系统的稳定性和跟踪误差的收敛性.控制结构简单,不需要复杂的运算.该设计方案柔化了控制信号,减轻了一般滑模控制的抖振现象.仿真结果表明了所提控制策略的有效性.     

基于滑模位置控制的机器人灵巧手模糊自适应阻抗控制

提出一种基于滑模位置控制的模糊自适应阻抗控制策略。该控制方案通过模糊控制器实时地调整阻抗参数,不但可使系统稳定,而且具有良好的动态品质;同时内环的滑模位置控制器可增强系统的鲁棒性,最后以机器人灵巧手单关节为对象进行仿真研究,证明了该控制策略的有效性和可行性。     

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。     

SCARA机器人模糊自适应滑模控制

为了提高SCARA机器人的轨迹跟踪控制性能,提出了一种基于非奇异终端滑模面和改进的快速趋近律的滑模控制策略。设计了一种非奇异的快速终端滑模面,可在任意初始状态下收敛到平衡点;改进滑模控制的趋近律,在保证快速趋近的同时可有效抑制抖振,并采用双曲正切函数代替传统的符号函数,有效地消除了高频抖振。采用模糊控制调节趋近律参数,改善初始状态误差过大时引起的力矩冲击问题;基于SCARA机器人模型仿真实验表明,实验结果跟踪性能良好,输出力矩平滑。     

CTU机器人装载轨迹自适应模糊滑模控制方法

CTU料箱机器人在多层拣货期间会出现装载不稳定现象，为解决这一问题，该文提出CTU机器人装载轨迹自适应模糊滑模控制方法。对CTU料箱机器人实施动力学分析，依据分析结果规划CTU机器人装载轨迹路径，使机器人根据规划的最优路径实现自动化取货；为保持机器人在拣货期间的稳定性，利用构建的自适应模糊滑模控制模型消除CTU机器人在外界干扰下所产生的输入抖振现象，并结合设计的自适应控制律，完成CTU机器人装载轨迹平衡控制，从而实现CTU机器人装载轨迹自适应模糊滑模控制。实验结果表明，通过对该方法开展平衡能力及抗扰动性测试，验证了该方法的可行性。     

机器人滑模轨迹跟踪控制研究

传统的机器人滑模控制通常采用线性PD滑模和等速趋近率．本文基于指数趋近率并 采用PD+PID滑模策略进行机器人轨迹跟踪控制,即首先采用PD滑模,在达到该滑模后,再采 用PID滑模,取得了很好的效果,文章还对各种饱和函数减少抖振的效果进行了比较．     

下肢携行外骨骼系统模糊自适应位置控制研究

研究下肢携行外骨骼系统稳定性控制问题。下肢携行外骨骼系统支撑行走阶段位置控制存在稳定性、实时性不足,提高位置控制的速度及精度,使具有适应性和鲁棒性,为了克服具有实时重力补偿的传统方法,提出固定重力补偿的位置控制方法,并利用模糊推理逻辑可逼近非线性函数的特点,将模糊控制算法与具有固定重力补偿的传统PD控制算法相结合,提出了具有固定重力补偿的模糊自适应位置控制算法,应用到下肢携行外骨骼支撑行走阶段的位置控制中。仿真结果表明控制方法能够使外骨骼准确迅速跟踪人体运动,并能够显著减小人所施加的力矩,系统鲁棒性较强,能够适应负载的变化,证明是一种行之有效的控制方法。     

下肢康复外骨骼机器人模糊PID控制研究与仿真

下肢康复外骨骼机器人具有多输入多输出的结构,且不确定性与非线性都很高,经典PID控制已经不能很好地进行精确控制。结合经典PID控制与模糊控制,并加入了开关结构,最终采用开关式模糊PID控制来对机器人进行控制研究。使用ADAMS（Automatic Dynamic Analysis of Mechanical Systems）建立机器人模型,在Matlab/Simulink中建立控制图。驱动输入采用正常人体步态行走时的力矩信息,通过两个软件的联合仿真,得到跟随曲线与目标曲线的对比图及误差图。结果表明,开关式模糊PID控制具有良好的精度且响应速度较快。     

上肢康复外骨骼机器人的模糊滑模导纳控制

为了辅助上肢运动功能障碍患者进行不同模式的康复训练,基于上肢康复外骨骼机器人系统,提出了一种模糊滑模导纳控制策略,实现训练过程的人机协调控制.首先,介绍了康复外骨骼的整体结构和实时控制平台.然后,分析了模糊滑模导纳控制算法的推导过程,并根据李亚普诺夫稳定性判据证明系统的稳定性.最后,在不同系统导纳参数条件下,分别进行被动训练模式和主动训练模式实验,并对比分析了实验过程中运动偏差、人机交互力以及肱二头肌表面肌电信号的变化特点.实验结果表明,选择合适的目标导纳模型可以优化康复训练强度与难度,提高人机交互柔顺性与患者参与度,满足不同瘫痪程度和康复进度患者的训练需求.     

下肢负重外骨骼机器人的初步设计

研究设计了一种能够增强人体负重的下肢外骨骼机器人,该负重外骨骼机器人具有8个自由度,可实现髋关节的外展与内收、屈/伸运动;膝关节的屈/伸运动以及踝关节的弯曲运动;根据人体步态分析研究出各个关节的运动角度范围,结合目标负重进行结构优化设计;对机器人的结构进行简化,建立了外骨骼机器人的连杆模型,根据其几何关系,采用D-H准则对外骨骼机器人进行了数学建模;以计算机、六轴运动控制卡和STM32为核心构建了控制系统,结合ZMP (zero moment point)零力矩点稳定性判据及三次样条插值进行了步态规划,并将此步态规划应用于样机上;样机实验结果表明,此结构能够满足不同体型的人进行穿戴,并能够根据规划的步态轻松行走,验证了其结构和控制系统的合理性.     

基于BP神经网络补偿的下肢外骨骼位置控制

坐卧式康复外骨骼机器人可以帮助下肢功能障碍患者进行康复训练,为实现康复训练的位置控制目标,通过深入分析人机耦合关系,建立包括穿戴者、外骨骼在内的耦合运动学/动力学模型,提出了基于人机混合系统动力学模型的带前馈补偿项的PD控制算法,然而为了实现良好的运动轨迹跟踪性能,必须在位置控制算法中加入对不确定项的补偿,因此提出一种基于BP神经网络补偿的位置控制算法并通过仿真验证算法的高效性。     

下肢软质康复外骨骼机器人的模糊神经网络阻抗控制

针对脑卒中或交通意外等因素导致的运动功能障碍问题,设计了一种可用于康复训练的可穿戴式的软质膝关节外骨骼机器人．在重点介绍基于Hill肌肉模型的套索人工肌肉驱动系统设计和实时控制平台的基础上,分析了模糊神经网络阻抗控制算法的推导过程．最后,分别在定阻抗与变阻抗参数控制策略条件下,进行人机协同训练模式下的康复训练实验,并对比分析了康复外骨骼系统对受试者肌肉活性的影响．实验结果表明,定频率定幅值训练时的屈/伸扭矩分别增加了9.70%和9.06%,而变频率变幅值训练时的屈/伸扭矩提升了88.34%和57.68%．由此可知,选择符合人体生理肌肉刚度特性的阻抗模型可以改善下肢康复机器人系统的稳定性和安全性,提高人机交互的柔顺性和协调性．     

基于模糊自整定PID的下肢康复训练步态机器人变负载控制

针对下肢康复训练机器人中步态控制机器人的变负载问题,提出了基于模糊自整定PID的控制策略.首先推导了负载力模型,设计了模糊自整定控制器,基于Matlab/Simulink/SimMechanics建立了被控对象的动力学模型及整个控制系统的仿真模型,仿真结果表明所提出的控制策略是可行的,较经典PID控制具有超调小,响应速度快,稳态精度高等优点,能较好地跟踪规划运动曲线,满足系统控制性能要求.     

下肢康复机器人系统设计与协调控制算法

脑卒中、脊髓损伤、下肢退行性关节疾病等神经系统疾病会导致肢体功能障碍,需要进行有针对性和重复性的训练.本文设计了一款可以切换坐、立、躺三种模式的轮椅式下肢康复机器人,在机器人站立姿态的主动步行训练模式下,解算人体前进速度映射轮椅式底盘电机速度,实现了下肢功能障碍患者步态训练与机器人轮椅式车体的协调控制.实验结果表明,下肢外骨骼行走的速度曲线和轮椅式车体的速度曲线基本一致,实现人与机器人的协调控制.