磁性微型机器人神经自适应轨迹跟踪控制

针对复杂环境和不确定的动态模型问题,提出了一种自适应神经网络控制算法,并且基于李雅普诺夫理论保证了闭环系统的稳定性。相较而言,基于模型的控制策略需要精准地知道微机器人的动力学以及周围环境参数,而本文提出的基于径向基函数神经网络的状态反馈控制策略可以有效地根据状态与期望轨迹在线估计系统模型的不确定项。最后,在所开发的磁场驱动的微型机器人系统上进行了2项实验并进行了对比,以验证所提出的控制器的有效性。结果表明,曲线与直线的轨迹跟踪均方根误差分别达到6.2204像素与6.4279像素,明显优于传统的PID（比例-积分-微分）算法。     

基于阻抗模型的不确定环境下微纳操作力跟踪控制策略研究

微机电系统在生物医学领域具有巨大的应用潜力,以压电陶瓷为基础设计的压电驱动系统在微纳操作高精度控制领域发挥着重要作用。在各领域的实际应用中,微操系统与环境的交互一直是研究的热门方向。由于微尺度下跟踪力误差相比宏观尺度下更不可忽略,因此微操作臂与环境接触力的精准控制是提高微操作准确度的关键。为此本文提出一种力跟踪阻抗控制策略,能够在操作过程中实现对接触力的精确跟踪。考虑到阻抗模型对环境参数要求较高,本文提出了扩展卡尔曼滤波器对外部环境参数进行在线估计的方法。实验结果表明,所提控制方法能够成功实现微操作臂-环境交互模型的力跟踪控制并且有良好的跟踪精度,力跟踪平均绝对误差为7.82 mN,均方根误差为10.16 mN,因此该方法对不确定性环境下接触力的精确跟踪具有可行性。