单级倒立摆的PID和模糊控制对比研究

详细的分析了单级倒立摆的数学模型,通过应用PID控制和模糊控制两种方式对其进行了控制。通过实验研究,发现PID控制规律对于倒立摆这种常规不稳定的系统具有一定的控制作用,模糊控制作为智能控制的一个分支,对于这种复杂控制对象具有更好的控制效果。     

进化神经网络在倒立摆控制中的应用

倒立摆作为典型的非线性系统，伴随着多变量、快速运动和绝对不稳定的特征，难于建立精确的数学模型，这就使得对倒立摆的控制变得异常困难和复杂。智能控制理论则是解决此问题的一个有效途径，该文针对倒立摆控制的传统神经网络算法（即BP算法）的缺点，将遗传算法与神经网络结合起来，提出了倒立摆的进化神经网络控制方法。控制器在结构上采用神经网络，利用遗传算法优化神经网络的连接权值。实验研究表明，该控制器不仅具有良好的动态和稳态控制性能，而且对于干扰也具有很强的抑制能力。同时还具备结构简单，易于实现的优点。     

倒立摆系统稳定控制之研究

多级倒立摆系统作为一个典型的非线性、多变量、高阶次、强耦合和自然不稳定的复杂被控系统,一直是人们检验、比较各种控制理论和方法的理想实验平台,半个多世纪以来,国内外许多机构对它进行了广泛的研究,积累了丰富的资料。这里对多级倒立摆稳定控制的研究现状进行总结,探讨了它的发展趋势。目前主要的控制方法有线性控制、预测控制和智能控制三类,智能控制是当前研究的主流,它包括模糊控制、拟人控制、计算智能控制、云模型控制等。继续深入研究各种智能控制方法及其组合应用是今后的发展方向。     

墓于遗传算法优化模糊神经网络的倒立摆智能控制

提出了一种利用遗传算法来优化模糊神经网络的倒立摆智能控制,利用RBF神经网络与模糊推理过程具有函数等价性,设计了基于模糊系统的RBF网络结构。同时采用改进的遗传算法优化了神经网络的参数和权值。其中利用一种动态的交叉率和变异率,有效地加快了收敛的速度。最后,利用Matlab软件对倒立摆进行防真,仿真结果表明,该控制具有较好的通用性和控制效果。     

基于遗传算法优化模糊神经网络的倒立摆智能控制

提出了一种利用遗传算法来优化模糊神经网络的倒立摆智能控制,利用RBF神经网络与模糊推理过程具有函数等价性.设计了基于模糊系统的RBF网络结构。同时采用改进的遗传算法优化了神经网络的参数和权值。其中利用一种动态的交叉率和变异率.有效地加快了收敛的速度。最后,利用Matlab软件对倒立摆进行仿真.仿真结果表明.该控制具有较好的通用性和控制效果。     

倒立摆与控制理论研究

介绍了倒立摆系统的几种主要控制方法,如线性控制、模糊控制、拟人智能控制和鲁俸控制,分析了各种方法的特点以及它们之间的联系,对各种方法的优缺点进行了评价.通过上述内容的介绍与探讨,充分展示了倒立摆作为一个典型控制对象,在控制理论研究中的重要地位.最后,揭示了研究倒立摆控制问题的现实意义,并对这一领域的前景提出展望.     

利用云模型实现智能控制倒立摆

提出一种利用云模型实现智能控制倒立摆的方法,其控制策略不需要被控对象的数学模型,只需依据人的经验,感觉和逻辑判断,将人用语言值定性表达的控制经验,通过语言原子和云模型转换到语言控制规则器中,就能解决非线性问题和不确定性问题。倒立摆这样的典型被控对象,验证了该控制方法的可行性和有效性。仿真分析与实验结果表明,该控制方法对被控对象的状态和参数变化,具有一定的鲁棒性,应用前景广阔。     

仿人顶双杆杂技机器人简介

顶杆杂技是一种具有悠久历史的技巧性表演艺术,是力量与智慧有机结合的艺术体现。仿人顶双杆杂技机器人就是以此为实现目标,以具有世界领先水平的环形二级倒立摆控制系统为原型,模仿人类顶杆杂技演员,应用独创的仿人智能控制方法控制两摆杆的自动摆起和倒立稳定,在世界上率先提出并率先完成了对环形二级倒立摆两支摆杆可能构成的四种平衡状态及状态之间进行任意切换运动的控制,实现杂技机器人模仿人类杂技演员的各种顶杆杂技动作表演。     

基于MPC的二阶倒立摆稳定控制

倒立摆系统是一个典型的欠驱动、强耦合、非线性的机械系统,该文提出了利用模型预测控制（MPC）方法来实现二阶倒立摆系统的稳定控制。首先基于拉格朗日方程对二阶倒立摆系统进行线性化数学建模,其次在多参数二次规划方法的基础上建立了模型预测控制系统,利用Python编程对系统控制做了数值仿真计算,同时讨论了系统在复杂外界条件时的控制效果。研究结果表明,利用模型预测控制对二阶倒立摆系统的稳定控制效果良好。这对控制算法的验证以及其他非线性系统的稳定控制具有重要意义。     

强跟踪滤波器在倒立摆系统中的应用

倒立摆系统可以用多种理论和方法来实现其稳定控制,如PID、自适应、状态反馈、智能控制、模糊控制及人工神经元网络等多种理论和方法,都能在倒立摆系统控制上得到实现。强跟踪滤波器能够对被噪声污染的信号进行有效地估计,从而降低了噪声的影响,强跟踪滤波器的优点为对于模型不确定性具有较强的鲁棒性;对过程的缓变或突变状态均有很强的跟踪能力。介绍强跟踪滤波器在倒立摆控制系统中的应用并给出了仿真结果。仿真结果证实由于强跟踪滤波器能有效地估计倒立摆的状态,与没有采用强跟踪滤波器的控制方法相比较,不但降低了噪声对系统的影响,而且显著地提高了系统的鲁棒性。     

基于强化学习的二级倒立摆控制

在模型未知和没有先验经验的条件下，采用一种改进的强化学习算法实现二级倒立摆系统的平衡控制。该学习算法不需要预测和辨识模型，能通过网络自身的联想和记忆，在线寻求最优策略。该学习算法采用基于神经网络的值函数逼近，并用直接梯度和适合度轨迹修正权值，有效实现对连续状态和行为空间任务的控制。计算机仿真证明了该强化学习算法在较短的时间内即可成功地学会控制直线二级倒立摆系统。     

基于内分泌调节机制的机器人行为规划算法及其应用研究

借鉴内分泌系统对神经系统与遗传系统的高层调节机制，提出了一种新的基于内分泌调节机制的机器人行为规划算法．此算法中机器人通过神经系统接受环境信息并进行行为决策，行为决策的效果通过一种情感学习模型进行反馈．情感学习模型根据机器人的内、外环境状态,产生情感因子(即生物激素)，再由情感因子来调节神经系统的记忆和行为决策，最后神经系统的记忆与行为模式又由遗传系统得以继承．该算法有效避免了神经系统复杂的自学习过程。同时也保证机器人有较强的自适应能力．为了验证算法的有效性，本文做了机器人足球队守门员训练的仿真实验，结果也表明该算法具有很强的自适应学习能力．     

直线二级倒立摆模糊算法的应用研究

针对我校智能控制实验室二级倒立摆控制规律单一的现状,对二级倒立摆控制规律进行二次开发.根据二级倒立摆多变量、非线性、强耦合、绝对不稳定的特性.本文采用两种模糊算法来实现二级倒立摆的仿真研究与实时控制.首先,提出了模糊最优控制算法,采用融合函数来解决因多变量的存在而产生的“规则爆炸问题”;其次,提出了分层模糊控制的思想,使系统更符合人类的思维逻辑,更容易控制.     

三级倒立摆的LQR方法优化参数控制

倒立摆是智能控制的理想对象。使用拉格朗日方程建立三级倒立摆系统的非线性数学模型,在平衡点处对其线性化,利用LQR（Linear Quadratic Regulator）最优控制理论,导出控制规律。通过对三级倒立摆一系列稳定摆动和加扰实验仿真曲线的分析,明确了加权矩阵Q中各权系数对系统稳定性控制的重要性,由此来优化权系数的选择。实验表明,系统显示出较好的鲁棒性和动态性能。     

学习人类控制策略的双足机器人步态控制研究

针对双足机器人面临的复杂环境下动态行走的适应性难题,提出了一种基于学习人类控制策略的双足机器人步态控制方法。利用三维线性倒立摆模型构造双足行走系统的状态方程,建立学习人类控制策略的参数化模型,设计了基于SVM的学习型控制器。该方法保证了躯干始终处于与地面近似垂直,增强了步态控制的鲁棒性,提高了双足机器人在复杂环境下行走的动态稳定性。实验验证了该方法的有效性。     

基于DSP的倒立摆控制系统设计

设计并实现一种不依赖于PC机的倒立摆实控系统。在分析当前流行的倒立摆控制系统体系结构的基础上,提出了一种基于数字信号处理器(Digital Signal Processor,DSP)的系统设计方案。硬件方面以TMS320F2812 DSP为核心,设计了DSP最小系统及各接口电路,软件方面采用了决策与执行相分离的两层式结构。该系统具有结构简单、算法设计简便等特点。基于该系统,从能量角度讨论并实现了直线一级倒立摆的起摆控制,采用LQR方法实现了稳摆控制。实验证明,该方案工作可靠,能满足系统的实时性要求。     

环形一级倒立摆摆起及稳定控制研究

本文通过拉格朗日方程推导出环形一级倒立摆系统的数学模型,用能量方法对该模型进行摆起控制;在倒立摆成功摆起后,在倒立平衡点对系统模型进行线性化,并用线性二次型最优控制(LQR)算法对倒立摆线性化模型进行稳定控制。仿真结果表明本文给出的控制方法是有效的。     

基于摹矩阵的倒立摆摆起的最优控制

在倒立摆小车轨道较短的条件下实现倒立摆快速稳定的摆起,是摆起控制的难点。利用摹矩阵的多阶段决策寻优方法,将倒立摆的摆起控制表示为一个求最短时间的多阶段决策问题。采用VC与Matlab混合编程,实现了用摹矩阵方法寻找单级倒立摆摆起控制的最优路径与最优决策。通过对一轨道长度受限的单级倒立摆的仿真控制和实时控制,证明了该方法的可行性。     

A self-organizing fuzzy logic controller for dynamic systems usinga fuzzy auto-regressive moving average (FARMA) model

The paper proposes a complete design method for an online self-organizing fuzzy logic controller without using any plant model. By mimicking the human learning process, the control algorithm finds control rules of a system for which little knowledge has been known. In a conventional fuzzy logic control, knowledge on the system supplied by an expert is required in developing control rules, however, the proposed new fuzzy logic controller needs no expert in making control rules, Instead, rules are generated using the history of input-output pairs, and new inference and defuzzification methods are developed. The generated rules are stored in the fuzzy rule space and updated online by a self-organizing procedure. The validity of the proposed fuzzy logic control method has been demonstrated numerically in controlling an inverted pendulum