欠驱动AUV模糊神经网络L2增益鲁棒跟踪控制

提出基于模糊神经网络欠驱动水下自主机器人(AUV)的L2增益鲁棒跟踪控制方法,该方法通过在线学习逼近动力学模型的不确定项.控制器克服了由于缺少横向推力对跟踪误差的影响,在考虑未知海流干扰情况下,实现了系统对模糊神经网络逼近误差的L2增益小于γ.利用Lyapunov稳定性理论证明了闭环控制系统误差信号一致最终有界.最后,通过精确模型参数和参数扰动仿真实验验证了该控制方法具有很好的跟踪效果和较强的鲁棒性.     

基于神经网络补偿的机器人稳定自适应控制

针对建模不精确的机器人,提出了一种基于神经网络补偿的机器人轨迹跟踪稳定自适应控制方法,文中通过设计神经网络补偿器和自适应鲁棒控制项,有效地补偿了模型的不确定性部分和网络逼近误差.由于算法包含有补偿神经网络逼近误差的鲁棒控制项,实际应用中对神经网络规模的要求可以降低;而且神经网络连接权是在线调整的,不需要离线学习过程.理论表明算法能够保证跟踪误差及神经网络连接权估计最终一致有界,仿真结果也验证了算法的有效性.     

基于RBF神经网络的作业型AUV自适应终端滑模控制方法及实验研究

研究了作业型AUV （自主水下机器人）的轨迹跟踪控制问题.实际作业中,水下机械手展开作业过程将引起AUV动力学性能变化,进而影响AUV轨迹跟踪控制;并且水流环境干扰亦将影响AUV轨迹跟踪控制.针对上述AUV轨迹跟踪控制问题,提出一种基于RBF （径向基函数）神经网络的AUV自适应终端滑模运动控制方法.该方法在李亚普诺夫稳定性理论框架下,采用RBF网络对机械手展开引起的AUV动力学性能变化和水流环境干扰进行在线逼近,并结合自适应终端滑模控制器对神经网络权值和AUV控制参数进行自适应在线调节.通过李亚普诺夫稳定性理论,证明AUV系统轨迹跟踪误差一致稳定有界.针对滑模控制项引起的控制量抖振问题,提出一种变滑模增益的饱和连续函数滑模抖振降低方法,以降低滑模控制量抖振.通过AUV实验样机的艏向和垂向的轨迹跟踪实验,验证了本文AUV系统控制方法和滑模降抖振方法的有效性.     

开架水下机器人生物启发离散轨迹跟踪控制

针对水下机器人常规反步跟踪控制的速度跳变问题,提出了基于生物启发模型的反步滑模混合控制方法.应用生物启发模型的平滑、有界输出特性,产生渐变的参考跟踪速度,克服了速度跳变问题,也满足了推进器推力约束.同时自适应滑模控制算法产生跟踪控制律,对于水下干扰及模型不确定影响具有鲁棒性,能够实现水下机器人稳定、准确的轨迹跟踪控制.所提方法的稳定性通过Lyapunov理论进行了证明,并将该方法对FALCON开架水下机器人进行水平面离散轨迹跟踪控制的仿真研究,实验结果表明了提出控制方法的有效性.     

力矩输入有界的柔性关节机器人轨迹跟踪控制

为解决柔性关节机器人在关节驱动力矩输出受限情况下的轨迹跟踪控制问题,提出一种基于奇异摄动理论的有界控制器.首先,利用奇异摄动理论将柔性关节机器人动力学模型解耦成快、慢两个子系统.然后,引入一类平滑饱和函数和径向基函数神经网络非线性逼近手段,依据反步策略设计了针对慢子系统的有界控制器.在快子系统的有界控制器设计中,通过关节弹性力矩跟踪误差的滤波处理加速系统的收敛.同时,在快、慢子系统控制器中均采用模糊逻辑实现控制参数的在线动态自调整.此外,结合李雅普诺夫稳定理论给出了严格的系统稳定性证明.最后,通过仿真对比实验验证了所提出控制方法的有效性和优越性.     

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.     

基于外环速度补偿的封闭机器人确定学习控制

针对未开放力矩控制接口的一类封闭机器人系统,提出一种基于外环速度补偿的确定学习控制方案.该控制方案考虑机器人受到未知动力学影响,且具有未知内环比例积分(Proportional-integral, PI)速度控制器.首先,利用宽度径向基函数(Radial basis function, RBF)神经网络对封闭机器人的内部未知动态进行逼近,设计外环自适应神经网络速度控制指令.在实现封闭机器人稳定控制的基础上,结合确定学习理论证明了宽度RBF神经网络的学习能力,提出基于确定学习的高精度速度控制指令.该控制方案能够保证被控封闭机器人系统的所有信号最终一致有界且跟踪误差收敛于零的小邻域内.在所提控制方案中,通过引入外环补偿控制思想和宽度神经网络动态增量节点方式,减小了设备计算负荷,提高了速度控制下机器人的运动性能,解决了市场上封闭机器人系统难以设计力矩控制的难题,实现了不同工作任务下的高精度控制.最后数值系统仿真结果和UR5机器人实验结果验证了该方案的有效性.     

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.     

基于视觉感知的海生物吸纳式水下机器人目标捕获控制

针对近海水产养殖环境下海生物目标的机器捕捞,设计了一款海生物吸纳式水下机器人.该水下机器人可以采取手动遥控吸取和视觉伺服控制吸取方式完成对海生物目标的机器捕捞.为了实现基于视觉感知的目标捕获控制,在摄像机平面坐标系上建立了水下机器人和目标之间的运动学关系,并在此基础上提出了自适应递归神经网络控制器.通过设计递归神经网络估计和补偿外界环境干扰,利用S面函数使水下机器人快速到达期望位置并保持稳定,结合递归神经网络和系统动力学模型设计鲁棒函数进一步提高非线性系统在视觉控制中的可靠性和稳定性.最后,在近海自然养殖条件下对海生物进行视觉跟踪控制实验,实现了对海生物目标的主动吸取控制,验证了该控制器的功能.     

柔性关节机操手的神经网络控制

本文在关节柔性较弱的情况下，对柔性关节机器人操作手的轨迹跟踪问题，提出了一种基于奇异摄动理论的机器人神经网络控制设计方法，在一般框架下证明了系统跟踪误差最终一致有界，并且可以通过选取增益矩阵使该误差界任意地小. 该方法克服了对模型参数线性化条件的要求，无需求解回归矩阵，因而具有很强的鲁棒性和模型推广能力. 数值试验表明，所提出的控制方法是可行且有效的.     

带有输出约束的水面船舶实际有限时间控制

考虑带有输出约束的水面船舶系统,提出一种自适应神经网络航迹跟踪实际有限时间控制算法.基于反步法设计有限时间控制律,构造障碍李雅普诺夫函数处理输出约束问题,采用神经网络逼近船舶模型中的不确定信息.在控制算法递推过程中,通过设计一个关于跟踪误差的可微幂函数来避免控制器中的奇异问题.借助李雅普诺夫稳定性分析理论,证明了航迹跟踪误差在有限时间内收敛到有界的邻域内.最后,以一艘1:70的比例模型船作为仿真对象,来验证所提出的航迹跟踪实际有限时间控制算法的有效性.     

考虑状态约束与执行器饱和的水下机器人轨迹跟踪控制

针对执行器饱和、模型参数不确定以及海流干扰等因素影响下的水下机器人,提出一种考虑状态约束以及执行器饱和的轨迹跟踪控制器.首先,构建水下机器人水平面轨迹跟踪误差方程;然后,对载体模型参数不确定性产生的模型误差以及海流干扰,设计一个非线性观测器进行估计并用于对控制器进行扰动补偿;接着,引入执行器饱和补偿系统、二阶滤波器以及滤波器误差补偿系统,设计命令滤波反步滑模控制器来控制水下机器人的水平面轨迹跟踪;最后,严格验证命令滤波反步滑模控制器的稳定性并进行数值仿真,验证所提出控制器的有效性.     

An efficient neural network approach to tracking control of an autonomous surface vehicle with unknown dynamics

This paper proposes an efficient neural network (NN) approach to tracking control of an autonomous surface vehicle (ASV) with completely unknown vehicle dynamics and subject to significant uncertainties. The proposed NN has a single-layer structure by utilising the vehicle regressor dynamics that expresses the highly nonlinear dynamics in terms of the known and unknown dynamic parameters. The learning algorithm of the NN is simple yet computationally efficient. It is derived from Lyapunov stability analysis, which guarantees that all the error signals in the control system are uniformly ultimately bounded (UUB). The proposed NN approach can force the ASV to track the desired trajectory with good control performance through the on-line learning of the NN without any off-line learning procedures. In addition, the proposed controller is capable of compensating bounded unknown disturbances. The effectiveness and efficiency are demonstrated by simulation and comparison studies.     

Control of a nonholonomic mobile robot using neural networks

A control structure that makes possible the integration of a kinematic controller and a neural network (NN) computed-torque controller for nonholonomic mobile robots is presented. A combined kinematic/torque control law is developed using backstepping and stability is guaranteed by Lyapunov theory. This control algorithm can be applied to the three basic nonholonomic navigation problems: tracking a reference trajectory, path following, and stabilization about a desired posture. Moreover, the NN controller proposed in this work can deal with unmodeled bounded disturbances and/or unstructured unmodeled dynamics in the vehicle. Online NN weight tuning algorithms do not require off-line learning yet guarantee small tracking errors and bounded control signals are utilized.     

基于L2干扰抑制的水下机器人三维航迹跟踪控制

为实现自治水下机器人(AUV)的三维航迹跟踪控制,考虑了非线性水动力阻尼对AUV系统的影响和外界海流干扰作用,提出了基于L2干扰抑制的鲁棒神经网络控制方法.该方法基于李雅普诺夫稳定性理论,设计神经网络控制器补偿非线性水动力阻尼和外界的海流干扰,再将神经网络的估计误差当做AUV系统的外部干扰用L2干扰抑制控制器予以消除.最后针对某AUV进行了螺旋线三维下潜跟踪控制仿真实验,结果表明设计的控制器可以较好地克服时变非线性水动力阻尼对系统的影响,并对外界海流干扰有较好的抑制作用,可以实现AUV三维航迹的精确跟踪.     

Geometric Methods for Modeling and Control of Free-Swimming Fin-Actuated Underwater Vehicles

In this paper, techniques from geometric mechanics and geometric nonlinear control theory are applied to modeling and construction of trajectory tracking algorithms for a free-swimming underwater vehicle that locomotes and maneuvers using a two-link actuated ldquotailrdquo and independently actuated ldquopectoral finrdquo bow planes. Restricting consideration of fluid forces to the simple effects of added mass and quasi-steady lift and drag, the resulting system model can be expressed in a control-affine structure. With particular choices of oscillatory actuation of the four system joints, maneuvers such as swimming forward, in and out of plane turning, surfacing, and diving can be constructed. Further, the vehicle and model can generate agile maneuvers such as snap turns. Trajectory tracking can then be produced using state error feedback. The methods are demonstrated both in simulation and in experiment using the University of Washington prototype fin-actuated underwater vehicle.     

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。     

不确定混沌系统的动态神经网络跟踪控制

针对不确定非线性混沌系统，提出了一种基于动态神经网络辨识器的自适应跟踪控制新方法，通过滑模控制技术在线调整动态神经网络辨识器权值，并在获取动态神经网络模型的基础上设计出优化控制器，实现混沌系统的轨道跟踪，对辨识误差和轨道跟踪误差进行分析并证明了它们的有界性，Lorenz混沌系统的仿真实验结果表明了控制策略的有效性。     

Adaptive output feedback tracking control for a class of uncertain nonlinear systems using neural networks.

This correspondence addresses the problem of designing robust tracking control for a class of uncertain nonlinear MIMO second-order systems. An adaptive neural-network-based output feedback tracking controller is constructed such that all the states and signals involved are uniformly bounded and the tracking error is uniformly ultimately bounded. Only the output measurement is required for feedback. The implementation of the neural network basis functions depends only on the desired reference trajectory. Therefore, the intelligent adaptive output feedback controller developed here possesses the properties of computational simplicity and easy implementation. A simulation example of controlling mass-spring-damper mechanical systems is made to confirm the effectiveness and performance of the developed control scheme.