轨迹跟踪级联机器人编队控制方法

提出一种轨迹跟踪级联机器人编队控制方法. 该方法有效结合距离-角度(??-??) 控制和距离-距离(??-??) 控制方案, 并利用无迹卡尔曼滤波算法对Leader-Follower 级联机器人系统的状态进行估计; 根据状态估计结果设计输入-输出动态反馈控制规律, 使得跟随机器人(Follower) 准确跟踪领航机器人(Leader), 确保编队的稳定性和较快的收敛性, 并达到理想的编队控制效果. 仿真实验验证了所提出方法的可行性.

     

一类非完整移动机器人编队控制方法

针对大部分两轮非完整移动机器人轮轴中心与几何中心不重合的特点, 提出一种多机器人协调编队控制算法. 构造队形参数矩阵确定编队形状, 根据领航机器人和相关队形参数生成虚拟机器人, 把编队控制分解为跟随机器人对虚拟机器人的轨迹跟踪. 建立虚拟机器人与跟随机器人之间误差系统模型, 利用Lyapunov 理论设计相应控制器, 从而实现队形保持和变换. 应用microsoft robotics developer studio 4(MRDS4) 搭建3D 仿真平台, 设计3 组实验, 结果进一步验证了所提出方法的有效性.

     

机器人系统终端滑模重复学习轨迹跟踪控制

针对非线性机器人系统的轨迹跟踪问题, 提出一种终端滑模重复学习混合控制方案. 该方案综合了重复学习控制和终端滑模技术的特性, 能够有效跟踪周期性参考信号, 抑制周期性和非周期性动态的干扰, 具有较强的鲁棒性和良好的轨迹跟踪性能, 且算法的实现不需要完全已知系统模型信息. 应用Lyapunov 稳定性理论证明了闭环系统的全局渐近稳定性. 三自由度机器人系统数值仿真结果验证了所提出的终端滑模重复学习控制的有效性.

     

分布式离散多智能体系统在固定和切换拓扑下的编队控制

研究多智能体系统在分布式采样控制下固定拓扑和时变通信拓扑时的追踪和编队问题. 首先分析目标系统 在没有输入时的稳定性; 然后分别给出在固定和时变通信拓扑下使各智能体完成追踪和编队的控制协议, 并给出了系统稳定时采样间隔需满足条件的充分性和必要性证明; 最后通过仿真研究验证了所提出算法的有效性.

     

非线性系统RBF神经网络多步预测控制

针对较强非线性的控制问题, 提出一种以RBF 神经网络为模型的多步预测控制方法. 构建多步预测模型, 并给出预测误差关于控制序列的雅可比矩阵的计算方法. 利用Levenberg-Marquardt(L-M) 算法设计滚动优化策略, 过误差修正参考输入的方法实现了反馈校正, 证明了控制系统的稳定性. 仿真结果表明所提出的控制方法效果较好.

     

基于腿部关节控制的仿人机器人偏摆力矩控制方法

针对机器人步行过程中产生的偏摆力矩影响步行稳定性的问题, 提出一种全新的基于腿部关节控制的偏摆力矩控制方法. 分析了偏摆力矩产生的原因及步行过程中垂直方向上的力矩平衡条件; 根据仿人机器人连杆模型和力矩平衡条件, 将偏摆力矩控制问题转化为带约束条件的二次规划问题, 推导出支撑腿腿部关节角度控制的表达式, 设计了腿部关节自适应控制器以提高轨迹跟踪性能, 并给出了稳定性证明. 仿真结果表明, 该方法能较好地克服偏摆力矩的影响, 使机器人实现稳定的步行.

     

非线性迭代学习算法在机器人上肢康复中的应用

针对上肢康复机器人轨迹跟踪控制中存在的患者痉挛扰动非线性及不确定性问题, 结合康复机器人系统执行具有重复性的特点以及迭代学习算法特有的性质, 提出一种非线性迭代学习控制算法, 改进了机器人常用的线性动力学控制系统, 使得在模型信息不精确以及只有角度信息可测的情况下, 也能获得良好的轨迹跟踪性能; 应用Lyapunov 稳定性理论和LaSalle 不变性原理证明了闭环系统的全局渐近稳定性. 仿真结果表明, 所提出的非线性迭代学习控制具有良好的控制性能.

     

不确定分数阶时滞系统的鲁棒稳定性判定准则

基于退化分析方法提出一种判定准则, 用于分析不确定分数阶时滞系统的稳定性. 介绍一种分数阶积分算子的有理逼近方法, 在此基础上采用整数阶系统逼近分数阶系统, 从而将难以判定的分数阶系统稳定性问题转化为由逼近偏差作为不确定项的整数阶系统稳定性问题进行处理. 利用积分不等式法研究逼近系统稳定性, 得到LMI 形式的稳定性判据. 仿真结果表明, 所提出方法能够有效分析这类系统的稳定性.

     

基于一阶特征模型的自适应跟踪控制方法

基于特征建模理论, 针对一类可由一阶特征模型描述的被控对象, 设计一种新的自适应跟踪控制方法. 通过参数整合, 将系统特征压缩到一个时变参数中, 进一步减少需估计的参数, 更利于工程应用. 利用李雅普诺夫方法, 分析闭环系统的稳定性. 最后, 通过数学仿真验证了所提出方法的有效性.

     

多智能体系统编队控制相关问题研究综述

首先梳理了编队控制研究的脉络, 介绍了3 种经典的编队控制方法, 即跟随领航者法、基于行为法和虚拟结构法的研究思想; 接着综述了近年来发展的, 包容了上述3 种方法且基于图论的编队控制理论的研究成果, 包括多智能体系统图论的建模, 基于代数图论和基于刚性图论的多智能体编队控制律设计、编队构型变换等方面的研究成果; 然后从图论结果出发, 回顾了与编队控制密切相关的一致性、聚集/同向、群集/蜂拥和包络控制的最新进展; 最后, 为了促进多智能体系统在实际中的应用, 指出了多智能体编队控制研究中有待解决的若干问题.

     

基于H∞性能的不确定多速率系统鲁棒预测控制

研究含有不确定性的输入多采样率控制系统的鲁棒预测控制问题,提出了基于Hoo性能的鲁棒预测控制算法.该算法采用线性矩阵不等式(LMI)的方法,得出闭环多采样率系统具有H∞性能指标的上界γ,并给出保证闭环系统鲁棒稳定的判据.仿真结果表明了该算法的有效性.     

基于扩张状态观测器的分散模型预测控制

针对复杂关联系统中分散控制方法无法有效解决子系统间的耦合和干扰问题, 提出一种基于扩张状态观测器的分散模型预测控制算法. 首先将复杂关联系统分解为多个状态维数较低、控制变量较少的子系统, 并为每个子系统设计本地预测控制器; 然后, 采用扩张状态观测器对子系统的耦合项以及干扰项进行估计, 进而利用估计值对子系统进行前馈补偿, 从而降低复杂关联系统的计算复杂度, 提高系统的稳定性和抗干扰能力; 最后, 利用液位控制系统验证了所提出算法的有效性.

     

基于MLD模型的预测控制可行性与约束优先级研究

混合逻辑动态(MLD)框架为处理约束预测控制不可行和优先级问题提供了新的方法,但其优化算法求解计算量大,求解时间长.通过在目标函数中引入新的惩罚项改进优化算法,将混合整数二次规划(MIQP)问题转化为二次规划(QP)进行求解,减少了计算工作量,提高了求解效率.通过在Wood-Berry塔上的仿真分析,获得了良好的控制性能,分析结果表明了该方法的有效性.     

一种参数优化的非线性离散系统鲁棒迭代学习控制方法

针对带有扰动的一类离散非线性系统的鲁棒迭代学习控制问题, 设计一种基于参数优化的迭代学习控制算法. 该算法能够保证在有初始状态误差和状态、输出扰动的情况下使闭环系统具有鲁棒BIBO 稳定性, 系统输出能够单调收敛于给定输出轨迹的邻域内; 在没有初始状态误差和扰动的情况下能够以零稳态误差跟踪给定输出轨迹. 最后通过仿真分析验证了所提出算法的有效性.

     

基于鲁棒控制Lyapunov 函数的非线性预测控制

针对一类约束不确定性非线性仿射系统,提出一种可保证闭环系统鲁棒镇定的非线性模型预测控制算法.利用鲁棒控制Lyapunov函数得到改进的Sontag公式,并以此为基础,构造一种计算有效的单自由度鲁棒预测控制器.以Matlab语言为仿真工具,对一开环不稳定振荡器进行了仿真研究,结果表明,利用该控制算法得到的闭环系统不仅渐近稳定于原点,而且所得控制量和系统状态都满足系统约束,从而验证了控制算法的有效性.     

基于RVM的非线性预测控制及在聚丙烯牌号切换中的应用

针对由被控对象非线性和优化目标函数非凸性带来的建模与实时优化问题求解的困难,提出一种基于相关向量机(RVM)的非线性多步模型预测控制算法.采用RVM建立非线性预测模型,并将差分进化算法引入非线性预测控制中发挥其伞局最优、鲁棒、快速收敛等优点,在线求解多变量、多约束的非线性规划问题.利用实际生产数据进行聚丙烯牌号切换仿真,结果表明,该算法可大幅度减少切换时间,降低过渡料产量,提高经济效益.     

基于标准神经网络模型的非线性系统分布式无线网络化控制

针对采用标准神经网络模型(SNNM)描述的非线性系统,提出一种基于无线控制网络(WCN)的全分布式控制方法.采用置信因子模拟WCN中无线通信链路的不确定性,利用Lyapunov理论和Lur’e系统方法,将无线网络化控制系统(WNCS)的稳定性分析转化为一个具有线性矩阵不等式(LMI)约束的凸优化问题;使用CVX工具包求解该凸优化问题,得到了保证闭环系统全局渐近稳定的WCN配置参数.仿真结果验证了所提出控制策略的正确性和有效性.     

基于区间特性和变量软约束的模型预测控制算法

针对传统的区间模型预测控制算法的性能指标函数设计复杂, 以及被控变量进入区间后稳态轨迹变化幅度大的缺点, 提出一种区间特性和变量软约束的模型预测控制算法. 该算法仅利用期望输出区间的上下限, 通过预测输出与区间的等式关系构造区间跟踪偏差项, 同时利用预测输出和操作变量的增量二次型构造变量软约束项, 减小区间内的稳态轨迹的变化幅度, 上述两项合称为软约束区间跟踪性能指标项. 以回转窑模型为被控对象进行仿真, 表明了算法的有效性.

     

一类非线性动态系统基于强化学习的最优控制制

提出一类非线性不确定动态系统基于强化学习的最优控制方法. 该方法利用欧拉强化学习算法估计对象的未知非线性函数, 给出了强化学习中回报函数和策略函数迭代的在线学习规则. 通过采用向前欧拉差分迭代公式对学习过程中的时序误差进行离散化, 实现了对值函数的估计和控制策略的改进. 基于值函数的梯度值和时序误差指标值, 给出了该算法的步骤和误差估计定理. 小车爬山问题的仿真结果表明了所提出方法的有效性.