基于RBF神经网络的多关节机器人固定时间滑模控制

针对具有典型非线性特性的多关节机器人轨迹跟踪控制问题,提出一种基于径向基函数(RBF)神经网络的固定时间滑模控制方法.首先,基于凯恩方法建立包括系统模型不确定性以及外部干扰在内的多关节机器人动力学模型;然后,根据机器人动力学模型设计一种固定时间收敛的滑模控制器, RBF神经网络用来逼近系统模型中的不确定性项,并利用Lyapunov理论证明该系统跟踪误差能在固定时间内收敛;最后,对特定型号的多关节机器人虚拟样机进行仿真分析,结果表明:与基于RBF神经网络的有限时间滑模控制器相比,所提出控制器具有良好的跟踪性能且能保证系统状态在固定时间内收敛.     

基于FNN的轮式机器人路径跟踪研究

针对目前轮式机器人在路径跟踪时容易出现的偏离期望路径甚至打滑、侧翻失去控制等问题,对轮式机器人结构及其路径跟踪特点进行了分析,构建了轮式机器人运动学模型,设计了一种基于模糊神经网络(FNN)的行进路线和行驶速度分级控制的路径跟踪方法.第一级中模糊神经网络利用机器人位姿信息确定行进路线即转弯半径,第二级根据前方路径情况和转弯半径调节机器人行驶的角速度和线速度.仿真实验表明,所设计的模糊神经网络能够对所期望的路径进行快速准确地拟合,且鲁棒性强;轮式机器人路径跟踪过程稳定,不会出现失控现象.     

进化强化学习及其在机器人路径跟踪中的应用

研究了一种基于自适应启发评价(AHC)强化学习的移动机器人路径跟踪控制方法.AHC的评价单元(ACE)采用多层前向神经网络来实现.将TD(λ)算法和梯度下降法相结合来更新神经网络的权值.AHC的动作选择单元(ASE)由遗传算法优化的模糊推理系统(FIS)构成.ACE网络的输出构成二次强化信号,用于指导ASE的学习.最后将所提出的算法应用于移动机器人的行为学习,较好地解决了机器人的复杂路径跟踪问题.     

一种引入通信的多移动机器人编队方法*

提出以视觉跟踪为基础并引入通信进行多机器人的编队控制方法,根据需要编写了一种新的通信协议,采用闭环l-Φ实现编队算法.这种多机器人编队控制避免了视觉系统的局限,能够更好地在复杂未知环境中协作完成任务,解决了编队控制的无反馈和实时性不高的问题,使得机器人能够准确迅速地进行跟踪和通信编队,一起顺利达到目标点.试验结果证明了该方法的有效性.     

基于模糊PD型输入迭代学习的工业机器人轨迹跟踪控制

针对工程应用中工业机器人的内置控制器在确定其结构和控制参数后一般不能修改的问题,提出一种基于机器人内置控制器的模糊比例—微分(PD)型输入迭代学习轨迹跟踪控制方法。利用跟踪误差及其导数构建控制律,控制参数采用模糊增益调整型进行自整定,无需根据轨迹反复调整,并将迭代学习量叠加到轨迹输入中,通过更新实际轨迹输入来提高目标轨迹的跟踪精度。MATLAB/SIMULINK仿真和六自由度工业机器人实验结果表明:提出的方法能够在不影响机器人内置控制器稳定性的基础上,实现更高精度的轨迹跟踪。     

具有多层感知器力矩补偿的机器人自抗扰控制

本文针对机器人系统的控制特性, 提出了一种基于自抗扰控制(ADRC)的关节控制算法, 该算法可以克服 传统控制算法中存在的如系统抗干扰能力弱, 控制性能受限于建模精度, 动态性能与稳态性能难以兼顾, 控制律设 计较为复杂等问题. 针对受控系统特性给出了一套实际控制器的完整设计方法与参数整定方法, 并根据控制性能指 标设计优化函数完成了最优控制参数的优化, 在系统参数辨识的基础上利用多层感知器(MLP)设计了对建模不确 定性的补偿网络. 数值仿真和实验结果均表明该算法能够实现机器人快速稳定的轨迹跟踪, 具有良好的控制精度 与很强的抗干扰能力, 此外该算法不依赖于精确的系统模型, 降低了实际设计和应用的难度, 具有很好的工程应用 价值.     

多关节机器人的模糊神经滑模控制

针对含有建模误差和不确定干扰的多关节机器人轨迹跟踪控制,提出了一种模糊神经滑模控制方法.该方法采用全局快速终端滑模面,保证了系统能够从任意初始状态在有限时间内到达滑模面和平衡点.采用模糊神经网络自适应地补偿系统的建模误差和外界干扰,保证了滑模控制在滑模面的运动.文中利用李亚普诺夫稳定性判据推导出了控制器的控制律和模糊神经网络的目标函数,通过模糊神经网络的在线学习.削弱了滑模控制的抖振.仿真结果表明了其有效性.     

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.     

模糊B样条基神经网络及其在机器人轨迹跟踪中的应用

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B样条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．     

基于LBP和级联XGBoost的驾驶员打电话行为检测算法

基于机器视觉检测手机位置是检测驾驶员打电话行为的重要方法和依据。为解决实际应用中光照、姿态等因素对检测效果的影响,笔者提出了一种基于LBP特征和级联XGBoost的打电话行为检测算法,用于筛选滑窗采集到的手持电话样本,同时其应用基于MLP(Multi-LayerPerceptron)神经网络进行回归校准,进而得到更准确的位置。LBP的特征提高了打电话行为的辨识度,级联XGBoost和MLP网络回归提高了检测效率和定位准确度。实验表明,LBP与XGBoost级联分类器组合分类效果良好,构建的MLP网络能够有效拟合滑窗采集样本的偏移值。     

Fuzzy target tracking control of autonomous mobile robots by using infrared sensors

The theme of this paper is to design a real-time fuzzy target tracking control scheme for autonomous mobile robots by using infrared sensors. At first two mobile robots are setup in the target tracking problem, where one is the target mobile robot with infrared transmitters and the other one is the tracker mobile robot with infrared receivers and reflective sensors. The former is designed to drive in a specific trajectory. The latter is designed to track the target mobile robot. Then we address the design of the fuzzy target tracking control unit, which consists of a behavior network and a gate network. The behavior network possesses the fuzzy wall following control (FWFC) mode, fuzzy target tracking control (FTTC) mode, and two fixed control modes to deal with different situations in real applications. Both the FWFC and FTTC are realized by the fuzzy sliding-mode control scheme. A gate network is used to address the fusion of measurements of two infrared sensors and is developed to recognize which situation is belonged to and which action should be executed. Moreover, the target tracking control with obstacle avoidance is also investigated in this paper. Both computer simulations and real-time implementation experiments of autonomous target tracking control demonstrate the effectiveness and feasibility of the proposed control schemes.     

基于观测器的机械手神经网络自适应控制

提出了一种基于观测器的机械手神经网络自适应轨迹跟随控制器设计方法,这里机 械手的动力学非线性假设是未知的,并且假设机械手仅有关节角位置测量.文中采用一个线 性观测器重构机械手的关节角速度,用神经网络逼近修正的机械手动力学非线性,改进系统 的跟随性能.基于观测器的神经网络自适应控制器能够保证机械手角跟随误差和观测误差的 一致终结有界性以及神经网络权值的有界性,最后给出了机械手神经网络自适应控制器-观 测器设计的主要理论结果,并通过数字仿真验证了所提方法的性能.     

不确定机器人的自适应神经网络控制与学习

针对具有未知动态的电驱动机器人,研究其自适应神经网络控制与学习问题.首先,设计了稳定的自适应神经网络控制器,径向基函数(RBF)神经网络被用来逼近电驱动机器人的未知闭环系统动态,并根据李雅普诺夫稳定性理论推导了神经网络权值更新律.在对回归轨迹实现跟踪控制的过程中,闭环系统内部信号的部分持续激励(PE)条件得到满足.随着PE条件的满足,设计的自适应神经网络控制器被证明在稳定的跟踪控制过程中实现了电驱动机器人未知闭环系统动态的准确逼近.接着,使用学过的知识设计了新颖的学习控制器,实现了闭环系统稳定、改进了控制性能.最后,通过数字仿真验证了所提控制方法的正确性和有效性.     

一种基于模糊神经网络的机器人控制

采用高斯函数作为模糊隶属函数,将模糊控制与神经网络相结合。利用神经网络实现模糊推理,运用了一种模糊高斯基函数神经网络,并用于两关节机器人的轨迹跟踪控制。仿真结果表明,该网络对机器人轨迹跟踪控制具有很好的效果,是一种行之有效的控制方法。     

目标丢失判别机制的视觉跟踪算法及应用研究

当跟踪对象被严重遮挡或者离开相机视野范围时,机器人的跟踪目标往往会丢失。为了实现准确跟踪,提出了目标丢失判别跟踪YOLO-RTM算法。该方法通过YOLOv3检测视频第一帧中的目标。利用实时多域卷积神经网络（Real-Time MDNet,RT-MDNet）跟踪算法预测目标边界框的变化。计算重叠度,根据重叠度与预设阈值的比较结果决定模型更新方式,当重叠度高于阈值时,采用RT-MDNet更新外观模型,当重叠度低于阈值时,采用YOLOv3重新搜索目标并更新外观模型。在Turtlebot2机器人上的实验结果表明,提出的算法能满足移动机器人跟踪的可靠性,且有效提高跟踪算法的实用性。     

基于ReLU神经网络的移动目标视觉伺服研究

针对移动目标跟踪以及抓取的问题,提出一种基于ReLU网络模型的单目视觉伺服系统。首先建立机器人视觉系统,完成对目标跟踪以及特征提取的任务,并通过结合单目视觉模型对其位姿进行估计,从而得到目标状态;然后,利用ReLU神经网络对机械臂的逆运动学进行学习,并用训练后网络模型构建单目视觉伺服系统的控制策略来避免机器人逆运动学求解计算量大、多解等问题;最后,为了提高抓取成功率,对末端执行器的运动轨迹进行规划。实验在NAO机器人平台上进行,根据实验结果证明方法的有效性。     

Prediction and congestion control algorithm for networked motion tracking

In this paper a novel prediction method and a communication protocol is proposed for distributed motion tracking systems, for example robot control system over the Internet based on on-line visual information. It is assumed that the trajectory generator part of the control system is connected to the low level controller through wide area network (WAN). In this case the variable network delay, packet losses, irregular packet arrival can severely influence the control characteristics (transient behavior and tracking performance) in a negative sense. The proposed prediction method is based on dynamic filters and it generates the trajectory on the control system side in the control periods when no new information on the time varying reference trajectory arrives through the network. The developed application level communication protocol is meant to keep the packet loss under a predefined limit even if the network bandwidth varies below the value required by the control application. Simulations and real-time experiments show that the prediction algorithm applied jointly with the proposed communication protocol can effectively compensate the effect of networked communication on control characteristics.