基于递归模糊神经网络的机器人鲁棒H_∞跟踪控制

利用递归模糊神经网络来逼近机器人系统中的非线性函数,提出了一种具有自适应能力的H∞控制策略.该控制策略能够减弱机器人系统的外扰,并把模糊神经网络的重构误差对系统的影响控制在指定的范围内.同时又能保证闭环系统的所有信号都是有界的.为了验证基于递归模糊神经网络的H∞控制策略的有效性,将其与计算力矩控制方法进行比较,仿真结果表明,在存在外扰的情况下,所提出的控制策略具有比计算力矩控制方法更好的跟踪性能.     

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。     

非线性系统的神经网络鲁棒自适应跟踪控制

针对一类具有未知非线性函数和未知虚拟系数非线性函数的二阶非线性系统,提出了一种神经网络鲁棒自适应输出跟踪控制方法.用李雅普诺夫稳定性分析方法证明了本文的神经网络自适应控制器能够使受控系统内的所有信号均为有界.选择的神经网络权值调整规律可以防止自适应控制中的参数漂移.     

不确定性机器人系统自适应鲁棒迭代学习控制

利用Lyapunov方法, 提出了一种不确定性机器人系统的自适应鲁棒迭代学习控制策略, 整个系统在迭代域里是全局渐近稳定的. 所考虑的机器人系统同时包含了结构和非结构不确定性. 在设计时, 系统的不确定性被分解成可重复性和非重复性两部分, 并考虑了系统的标称模型. 在所提出的控制策略中, 自适应策略用来估算做法确定性的界, 界的修正与迭代学习控制量一样的迭代域得以实现的. 计算机仿真表明本文提出的控制策略是有效的.     

基于动态神经网络的鲁棒直接自适应控制

对未知仿射系统提出了用动态神经网实现鲁棒直接自适应的控制的策略，基于Ｌｙａｐｕｎｏｖ理论，获得一个稳定并且连续的学习，闭环系统被证明鲁棒稳定的，此方法不需要离热学习阶段也不要求初始的参数误差足够小。     

电液伺服结构试验系统的神经网络快速鲁棒跟踪控制*

针对结构试验系统的非线性和不确定性特性,提出一种神经网络并行自学习跟踪控制器,在满足试验系统实时性要求的条件下,通过神经网络在线建模和虚拟学习做到了控制器的在线自适应设计,并解决了实时训练样本不足的问题,实例仿真表明设计的控制系统具有良好的波形再现能力     

机器人鲁棒轨迹跟踪控制系统

根据鲁棒控制理论和机器人的动态特性,针对机器人系统中存在的不确定性因素,利用不确定性的上界设计了一种鲁棒控制器,并将之用于机器人的跟踪轨迹控制,给出了仿真实验结果并与PID控制的结果进行了比较,仿真实验结果表明所设计的鲁棒控制器与PID控制器相比,具有很好的动态特性和很强的鲁棒性。     

一种机器人轨迹的鲁棒跟踪控制

把基于拉格朗日方程的n关节机器人动力学模型,转化成了一线性状态方程.基于这种线性状态方程,利用李雅普诺夫函数方法分别针对机器人标称模型和有外界不确定性干扰时,设计前馈控制器和反馈控制器,使得机器人的实际运动轨迹在标称模型下,指数收敛于所给定的期望运动轨迹;在有外界不确定性干扰时,它与期望轨迹的误差是终值有界的.并且,针对后者所提出的控制律进行仿真.仿真结果表明,这种连续鲁棒控制律对于机器人系统存在外界不确定性干扰时是十分有效的.     

基于控制受限的机器人鲁棒自适应位置调节

针对实际的控制系统中输入为有界的情况,研究了机器人系统存在未知参数以及外界干扰时的位置调节问题.基于李雅普诺夫稳定性理论,通过构造存储函数的过程中引入双曲正切函数向量和适当的辅助函数向量,提出了一种有界的鲁棒自适应控制器.所提出的控制器不仅保证了闭环系统的鲁棒稳定性,同时也满足了从干扰信号到跟踪误差评价信号所定义的增益性能指标,即保证了干扰抑制的有效性.最后,由两连杆机器人进行的仿真结果验证了该控制器的可行性.     

基于动态神经网络的鲁棒自适应跟踪

研究了一类基于两层动态神经网的仿射型鲁棒适应跟踪问题，对于未知的仿射非线性系统，提出了新的鲁棒学习算法，该算法不需要知道 理想权值的界。     

基于扰动观测器的机器人自适应神经网络跟踪控制研究

为解决机器人动力学模型未知问题并提升系统鲁棒性,本文基于扰动观测器,考虑动力学模型未知的情况,设计了一种自适应神经网络（Neural network,NN）跟踪控制器.首先分析了机器人运动学和动力学模型,针对模型已知的情况,提出了刚体机械臂通用模型跟踪控制策略;在考虑动力学模型未知的情况下,利用径向基函数（Radial basis function,RBF）神经网络设计基于全状态反馈的自适应神经网络跟踪控制器,并通过设计扰动观测器补偿系统中的未知扰动.利用李雅普诺夫理论证明所提出的控制策略可以使闭环系统误差信号半全局一致有界（Semi-globally uniformly bounded,SGUB）,并通过选择合适的增益参数可以将跟踪误差收敛到零域.仿真结果证明所提出算法的有效性并且所提出的控制器在Baxter机器人平台上得到了实验验证.     

ESN网络在机器人轨迹跟踪控制中的应用

为了研究具有模型不确定性的机器人操作手的轨迹跟踪控制,采用一种新的递归神经网络——回声状态网络(ESN)设计了动态控制器.采用PID控制器补偿ESN网络的逆建模误差,并在网络训练过程中加入白噪声项,以保证动态系统的稳定性.最后针对两关节机械手的轨迹跟踪控制问题进行了数值仿真,仿真结果表明了该方法的有效性.     

机器人的非奇异终端神经滑模轨迹跟踪控制

针对具有不确定性的机器人系统,为提高系统的稳态跟踪精度,提出一种非奇异终端神经滑模轨迹跟踪控制方案.控制器采用改进的非奇异终端滑模面,并基于径向基函数神经网络自适应调整控制律的切换项,不但克服了在设计中需要知道系统不确定性的上界的限制,而且平滑了控制信号.可应用Lyapunov稳定性理论证明了系统的渐近稳定性和跟踪误差的渐近收敛性.仿真结果验证了控制方法不仅能够保证机器人系统轨迹跟踪控制的快速性和鲁棒性,而且有效地削弱了抖振,可见方案是可行且有效的.     

机械臂卷积神经网络滑模轨迹跟踪控制

针对工业技术的发展对于多关节机械臂的精度与快速控制高要求,提出了一种机械臂卷积神经网络滑模轨迹跟踪控制方法。分析机械臂动力学方程,提取其中的不确定部分,针对不确定部分,构建深度卷积神经网络对其进行补偿,将补偿部分引入到滑模控制律中,通过改进后的滑模控制实现对机械臂轨迹跟踪的精确控制,并通过构建Lyapunov函数论证了系统的稳定性。仿真结果显示该方法能够满足轨迹跟踪要求,且减小了抖振现象。通过与其余三种典型控制方法的对比,测试结果表明,该方法加快了轨迹跟踪误差的收敛,且跟踪精度有了明显的提高。     

基于迭代学习的农业车辆路径跟踪控制

由于农作物的播种、收获、除草和农药化肥喷洒具有周期性的特点,农业车辆在执行农田作业时具有较强的重复性. 基于迭代学习控制（Iterative learning control,ILC）方法研究农业车辆的路径跟踪问题,建立了农业车辆的两轮移动机器人运动学模型,设计了车辆路径跟踪的迭代学习控制算法,并基于压缩 映射方法理论上证明了算法的收敛性. 研究表明,迭代学习控制可有效利用农业车辆运行的重复信息,实现车辆期望路径有限区间内的高精度完全跟踪控制. 仿真示例验证了本文方法的有效性.     

移动机器人轨迹跟踪的参数自校正控制

根据移动机器人运动学模型,对两轮移动机器人的轨迹跟踪问题进行了研究。在动态反馈线性化的基础上,采用基于广义最小方差法实现参数的自校正并设计控制器,考虑到机器人的动力学约束,采取对移动机器人的线速度和角速度加以限制的控制策略,保证机器人的运动平滑。仿真结果表明了该方法的有效性和正确性。     

轮式机器人轨迹跟踪控制系统的设计

针对轮式机器人轨迹跟踪控制系统误差收敛速率低、精度和实时性差的问题,采用反演控制算法并结合李雅普诺夫稳定性分析方法对轮式机器人的轨迹跟踪系统进行了优化设计;建立了轮式机器人轨迹跟踪控制系统的运动学模型,并对该模型进行位置偏差分析;在反演控制算法中引入了分部虚拟控制量,并分析和设计了其他间接受控量,提高了算法运行的效率;采用李雅普诺夫收敛定理对系统的收敛性进行分析,根据分析的结果提出了算法更加简单的控制律;利用Matlab软件的Simulink库对设计的轨迹跟踪控制系统试验研究;结果表明,与基于李雅普诺夫直接法或者迭代学习算法设计的轮式机器人轨迹跟踪控制系统相比较,设计的控制系统具有跟踪精度高、收敛速度快、实时性好的优点。     

基于改进型BP网络的并联机器人自适应力控制

并联机器人力控制是并联机器人研究的一个热点和难点,引起了许多学者的关注,并取得了一定的成果。多数使用了传统的力控制研究方法。该文中,作者将神经网络引入并联机器人的力控制中,并介绍了一种改进型BP神经网络,以及其学习算法和网络的训练过程,并结合实际并联机器人6-SPS并联机器人,设计出基于改进型BP神经网络的并联机器人自适应力控制器,并进行了仿真和实验研究,通过研究表明所设计的控制器是可行和有效的。     

基于神经网络的自适应控制研究综述

神经网络与自适应控制相结合的研究,已成为智能控制的一个新的分支。自适应具有强鲁棒性,神经网络则具有良好的自学习功能和良好的容错能力,神经网络自适应控制由于较好地融合了两者的优点而具有强大的优势。该文综述了近年来神经网络自适应控制的研究现状,阐述了神经网络模型参考自适应控制及神经网络自校正控制两种典型的控触方案,并对神经网络自适应控制的应用作了介绍。在此基础上,对神经网络自适应控制存在的主要问题,如稳定性、鲁棒性及收敛性等问题作了积极有益的探讨。最后,展望了神经网络自适应控制未来的发展趋势,并指出了其研究方向。     

基于神经动力学的非完整移动机器人跟踪控制

主要研究了非完整移动机器人轨迹跟踪问题。基于后退控制和神经动力学生物激励模型,采用自适应参数调节的方法提出了一种新的跟踪控制器。该控制器能够生成平稳合理的速度,解决了以往大部分跟踪控制器所产生的速度突变问题,并且具有很好的鲁棒性。运用李雅普诺夫稳定性理论证明控制系统的稳定性。对连续、离散轨迹的仿真及与传统后退方法的比较分析验证了该方法的有效性。