机器人鲁棒神经网络控制与仿真

对于具有外界扰动和参数不确定性的机器人关节角轨迹跟踪问题,本文给出一个新的鲁棒神经网络控制算法。受Bayard(1988)和Sun(2001)工作的启发,用一个FLNN神经网络去学习一个已知的函数,同时,为了解决因神经网络隐层神经元输出持续激励(PE)性质的丢失而可能造成的参数飘移问题,与大量在文献中使用的神经网络权重调节法则σ-修正方法不同,本文给出了一个新的调节法则。基于此权重调节法则的鲁棒神经网络控制器既可保证网络权重有界从而克服了参数飘移问题,又能得到系统跟踪误差渐近收敛到零。数值试验表明,所提算法可行有效。     

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.     

基于奇异摄动理论的电驱动机器人神经网络控制

在驱动回路电容较小的情况下,对电驱动刚性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神经网络控制设计方法。稳定性分析表明系统跟踪误差最终一致有界,数值实验验证了所提的算法的可行性和有效性。