计算力矩法的CMAC同步轨迹跟踪控制与仿真

为了平面二自由度冗余驱动并联机器人更好地跟踪目标轨迹,在已有计算力矩控制的基础上加入CMAC神经网络作为补偿.CMAC结构中,轨迹跟踪误差与同步误差构造的耦合误差及其变化率组成网络的输入,经过学习后得到补偿力矩.Matlab的仿真结果表明:加入了CMAC网络补偿后,轨迹的跟踪误差与支链的同步误差都能够收敛到0,与经典的计算力矩法比较,精度有较大的提升.在计算力矩法的基础上加入CMAC网络,确实能够实现目标轨迹精确的同步跟踪.     

GA优化的RBF神经网络外骨骼灵敏度放大控制

为改善外骨骼机器人灵敏度放大控制(SAC)性能,结合遗传算法(GA)与径向基函数(RBF)神经网络建立在线计算外骨骼机器人的精确动力学模型.用GA优化RBF神经网络的中心矢量与基宽度,并对RBF网络的权值实时更新,在线学习外骨骼机器人动力学模型中的参数矩阵,进一步推导出SAC控制律.仿真结果表明:GA优化后的RBF网络,可以在线学习外骨骼的动力学模型,基于该模型的SAC能够实现精确的人体轨迹跟踪,相比于优化前,人体轨迹跟踪误差以及人机交互信息会快速减小并收敛到0的微小邻域内,可实现人机协调运动.     

平面冗余驱动并联机构自适应滑模同步控制

基于Kane方程,建立了平面二自由度冗余驱动并联机构的动力学模型。基于轨迹轮廓误差,定义了机构的同步误差及滑模面,将动力学方程线性化,设计了自适应滑模同步控制器并对机构进行了稳定性分析。通过MATLAB仿真计算,并与计算力矩法进行比较发现,自适应滑模同步控制法优于计算力矩法,能够很好地实现轨迹跟踪。