基于BP神经网络的机器人容错控制

提出一种基于神经网络的机器人故障检测系统结构,给出在线学习逼近机器人标称模型的故障检测方法。控制系统可运行于两种工作模式：系统正常时,采用常规计算力矩控制器;有故障发生时,引入补偿控制来削弱故障影响,保障系统的正常运行。对机器人的仿真控制结果表明,设计的控制策略在机器人发生故障时,不仅能够继续完成预定工作任务而且还保证了跟踪精度,表明了该方案的有效性。     

基于神经网络和智能预测控制的机器人算法

提出了一种新颖的控制方案，即采用神经网络预测控制器来控制机器人的力／位置．这种控制器能任意逼近机器人这种不确定对象，不用知道系统的精确结构，同时由于预测控制的加入，使系统在线计算方便，控制质量提高了。通过对机器人的仿真结果可以看出，传统的PID对于不确定对象不能很好的解决，而采用本文设计的控制器，系统的鲁棒性和快速性都得到了改善，并且具有较好的控制效果。     

基于模糊神经网络的机器人自学习控制

研究了一种模糊神经网络与传统PD控制相结合的机器人学习控制系统,该控制系统具有自学习、自适应、控制精度高等特点。     

基于神经网络补偿的机器人力／位置控制

考虑摩擦及外界干扰的情况下,针对具有不确定性的机器人系统,提出了一种新的基于神经网络补偿的智能力／位置控制方案。该控制器通过神经网络补偿机器人模型的未建模动力学部分等非参数不确定性带来的影响,NN的输出信号加在参考输入上而不是在关节力矩或控制输入上,同时在力控制回路采用灰色预测模糊调节,以提高系统的动态性能和稳态精度。仿真研究表明所设计的控制器具有良好的动态性能和较强的鲁棒性。     

基于神经网络的机器人逆运动学算法

本文提出了一种基于神经网络改进算法的机器人逆运动学的求解方法，在讨论机器人逆运动学求解问题以及基于BP算法的神经网络基本原理的基础上，分析了几种BP算法改进方法，给出了基于神经网络的机器人逆运动学求解的具体步骤和设计神经网络的相关注意事项，与传统算法进行比较，通过PR实验室机器人仿真研究表明，该算法具有简单，学习收敛速度快等特点，且避免了传统算法的放多棘手问题。     

基于神经网络视觉伺服的机器人模糊自适应阻抗控制

提出一种未知环境下基于神经网络视觉伺服的机器人模糊自适应阻抗控制策略.首先使用BP神经网络来学习曲线图像特征变化率与机器人关节角速度的映射关系,其次由机器人力伺服控制得到离散阻抗控制模型,并根据接触力的变化对阻抗模型参数进行模糊调节,减少了受限运动中力干扰的影响.最后通过末端固定安装单摄像机和力传感器的6自由度机器人跟...     

机器人的神经网络鲁棒轨迹跟踪控制

考虑了一类具有外界扰动和参数不确定性机器人系统的轨迹跟踪鲁棒控制问题。提出了两种控制方法：第一种应用输入输出线性化方法以及Lyapunov函数法,推导出鲁棒输出跟踪控制器。所获得的控制器可确保系统输出按指数规律跟踪期望输出,同时相应闭环系统的状态一致最终有界。第二种方法在第一种控制方法的基础上,利用一个RBF神经网络自适应学习系统不确定性的未知上界,有效的克服了系统不确定性的影响,提高了控制精度。     

基于神经网络的学习控制及其在机器人中的应用

针对一类非线性系统的跟踪控制问题 ,首先提出了一种遗忘因子迭代学习控制算法 ,给出了算法收敛的充分条件 ,然后 ,利用神经网络原理 ,对要求跟踪的新的期望轨迹 ,在系统的历史控制经验基础上 ,用神经网络估计系统的期望控制输入 ,然后将其作为迭代学习控制器的初始控制输入 ,再由迭代学习律逐步改善控制输入 ,使系统的实际输出只需较少的迭代次数就能达到跟踪的精度要求。机器人系统的仿真结果表明了该算法的有效性。     

水下机器人的动态Petri递归神经网络控制方法

针对传统的水下机器人模糊神经网络控制器存在计算量大、抗环境扰动滞后等缺点,设计递归模糊神经网络控制器,通过在线的动态反馈增强水下机器人对环境变化的反应能力.并在网络的第三层即Petri层设计阈值,根据控制器误差的在线控制网络的学习和训练量,从而减少了模糊神经网络的计算量,提高反应速度.基于反向梯度传播原理,由能量函数设计了该网络的学习算法,并根据离散型李亚普诺夫函数确定了学习率参数,从而保证整个网络的收敛性.实验结果表明,该控制器能够提高递归神经网络的计算效率,减少控制误差,对外界干扰具有较强的鲁棒性,在水下机器人的控制方面取得了更好的效果.     

基于bp神经网络的机器人视觉伺服探究

本文通过阐述机器人视觉伺服控制系统的结构和系统的分类,研究了机器人视觉伺服控制系统的主要工作内容,对于智能控制中的bp神经网络的学习,有针对性的结合机器人视觉伺服控制进行了探究。     

基于H∞变结构的不确定机器人模糊神经网络控制

针对非线性不确定机器人的跟踪控制，提出了一种基于H∞变结构控制的模糊神经网络控制方案．基于模糊神经网络的学习和函数逼近能力，补偿机器人系统的内部不确定性和外干扰，H∞变结构控制提高了机器人对参数不确定性和外部扰动的鲁棒性，削弱了控制输入的抖振。仿真实例证实该控制方案的有效性。     

机器人球关节电机及其控制器研究

本文针对由增强型五相混合式步进电机组成的２自由度机器人球关节，着重介绍其连续轨迹（ＣＰ）控制原理，并提出“广义加密双判别插补”控制策略及其算法；所研究的控制器采用两级微机控制系统，能实现路径规划和协调控制。由实例证实它有良好的轨迹跟踪性能。     

轮式机器人神经网络多级跳转模糊转向控制

针对数学模型复杂的轮式机器人的转向控制，提出一种基于神经网络的多级跳转模糊转向控制方法。该方法所需的数据完全来源于实验，能适应各种不同速度、不同转向角度等参数变化。经过对车体转向控制的仿真与实验研究，可以看出，该方法可以对机器人的转向进行有效控制，效果良好，是一种使用方便、有实用意义的控制方法。     

神经网络滑模控制在并联机器人中的应用

首先用滑模控制策略对被控对象进行控制仿真,在分析结果后,结合神经网络滑模控制方法,充分利用神经网络滑模控制的学习能力强,自适应辨识能力强,可以无穷逼近任意函数的优点.仿真结果表明,神经网络滑模控制方法的跟踪效果好,系统误差小,可以满足机器人控制的要求,能够解决机器人的轨迹跟踪问题,仿真实验证实了该控制策略的正确性和有效性.     

不确定机器人轨迹跟踪的自适应神经网络控制

提出了一种新的基于Lyapunov理论的自适应神经鲁棒控制方案 ,用于不确定性机器人的轨迹跟踪控制。这种控制器是一个基于神经网络动态补偿的PD反馈控制 ,可以保证机器人跟踪误差的渐近收敛性。仿真试验结果进一步证明了这种控制算法的有效性。。     

基于CMAC的三关节机器人视觉伺服系统研究

根据小脑模型关节控制器（CMAC）收敛速度快,适于实时控制系统的特点,设计了一种CMAC学习控制方法。在该方法中,CMAC被用作前馈控制器对常规反馈控制器进行补偿。实验证明了所设计控制系统的有效性。     

机器人多传感器信息的神经网络融合

基于神经网络和模糊积分的理论提出了一种多传感器信息的窨空间和时间两级数据融合结构,并将其用于机器人的物体识别,提高了系统的识别效率,增强了系统的可靠性。     

飞行机器人递归小脑神经网络模型分解控制

为解决一类不确定非线性系统的控制问题及系统混合干扰上界在实际应用中难以测量的问题,提出递归小脑神经网络模型分解控制算法.将系统分为名义模型、结构不确定性和非结构不确定性,分别对名义模型设计直接反馈控制器、对结构不确定性设计自适应控制器、对非结构不确定性设计鲁棒控制器.设计递归小脑模型关节控制器作为观测器来对系统干扰的上...     

基于径向基神经网络的爬壁机器人姿态调节控制方法

爬壁机器人姿态调节受其运动状态的影响,控制中心难以实时纠正爬壁机器人方向与角度,存在机器人运动失衡的问题,为此设计基于径向基神经网络的爬壁机器人姿态调节控制方法。建立机器人运动方程与静力学方程,判断机器人运动失衡状态,采用径向基神经网络对爬壁机器人姿态进行纠偏控制,并通过控制中心传输指令,实现基于径向基神经网络的爬壁机器人姿态调节控制。实验结果表明,应用所提方法后爬壁机器人偏航角、俯仰角误差与滚转角的误差平均值分别为0.20×10³、0.15×10³、0.45×10³ rad,在无干扰和有干扰的情况下,所提方法控制后到达的位置与目标位置的最大误差分别为2及10 m,体现了爬壁机器人姿态调节控制的优异性能。