机器人控制中的一个问题

机器人控制是当前控制理论工作者最感兴趣的课题之一。从一开始,人们就试图把现代控制理论中的一些方法,如适应控制、鲁棒控制、极点配置与镇定、二次型控制、参数辨识等等应用于机器人控制,这几年提出的各种非线性控制方法也都用上了。Luo和Saridis在[4]中成功地应用最优控制理论于机器人控制,指出在特定的二次型指标下,早前在机器人控制中人们提出的预计算力矩控制、运动加速度解出控制和端点PID控制等都是最优控制的特例。本文中我们将讨论末时刻状态在零约束条件下的这种二次型最优控制,指出它可以看作正常二次型最优控制问题的某种意义下的极限。为了从数学上严格说明这个问题,我们先讨论一般形式的末时刻状态受限制的二次型最优控制问题。     

无人水下机器人在线故障辨识及滑模容错控制

针对复杂海洋环境中水下机器人的可靠性问题,提出了一种无人水下机器人主动滑模容错控制方法。在水下机器人简化动力学模型的基础上利用RCMAC递归小脑神经网络在线辨识机器人中出现的时变非线性故障,并根据故障辨识结果重新配置滑模控制器的控制律,使无人水下机器人在故障情况下仍然可以完成预定任务。仿真实验证明了该容错方法的有效性。     

基于神经网络的机器人阻抗控制研究

基于神经网络非线性补偿器原理,本文提出了一种机器人新型顺应控制方案,外力信号通过一个二阶阻抗模型来修正期望输入,神经网络非线性补偿器用于补偿机器人有界干扰和未建模动态,提出了机器人模型学习方案,仿真结果证明了学习过程的有效性以及顺应控制的渐近稳定性。     

基于支持向量回归机学习的机械臂视觉反馈模糊控制

针对于机器人无标定视觉伺服问题,提出一种基于支持向量回归机(Support Vector Regression, SVR)学习的模糊控制(Fuzzy Logic Control, FLC)方法。FLC直接用于构建图像特征与机器人关节运动之间的非线性映射关系。FLC的模糊基函数用作SVR的核函数,建立FLC与SVR的数学等价关系。SVR从数据中学习的支持向量构建FLC的规则。所有规则来自于数据,因此无需人工设计规则。本文所提出方法充分利用了SVR针对小数据量学习具有较好的泛化性能优势,实验结果表明该视觉伺服控制器在精度上及收敛上均具取得较好性能。     

独轮车机器人的动力学建模与非线性控制

为了实现对于独轮车机器人非线性系统的姿态控制.以独轮车机器人车体的俯仰角度、横滚角度和航向角度作为广义坐标,基于拉格朗日定理提出了一种独轮车机器人的非线性动力学模型.并使用MIMO仿射非线性系统描述了该动力学模型.基于MIMO仿射非线性系统的精确线性化理论设计了独轮车机器人的控制算法,实现了对于输入的解耦.基于该动力学模型和控制算法搭建了仿真系统,仿真结果验证了动力学模型的正确性和反馈线性化控制算法的有效性.     

3-RRRT并联机器人解耦的反演自适应动态滑模控制

针对3-RRRT型搬运机器人提出一种解耦的反演自适应动态滑模控制方法,以提高控制精度和鲁棒稳定性。首先利用非线性补偿方法将系统解耦成线性系统,运用一阶动态滑模设计新的滑模面,然后利用基于李亚普诺夫函数的Backstepping控制设计方法和自适应控制技术,设计了全局渐近稳定的系统控制器,最后利用MATLAB进行了系统控制数值仿真,结果表明,对3-RRRT型并联机器人的这种强耦合的、具有不确定性的非线性系统,采用该解耦的反演自适应动态滑模控制方法,可以达到理想的控制精度,并能保障系统的鲁棒稳定性。     

不确定系统反推滑模变结构理论及其应用

反推滑模变结构控制是当前不确定非线性系统鲁棒控制理论和应用的前沿课题之一,在提高、改善控制系统过渡过程品质和鲁棒性等方面表现出较大潜力,尤其在航空航天等高技术领域有着广阔的应用前景。首先,从不同设计方案角度详细综述了反推滑模变结构控制的理论研究现状。其次,介绍了该方法在航空航天、机器人、电机和电液伺服系统等控制领域的工程应用现状。最后,讨论了反推滑模变结构控制目前存在的问题及其可能的解决途径。     

基于组合非线性反馈机器人控制吸引域评估

在机器人的关节空间轨迹控制跟踪控制中,全局渐近的控制方法在存在驱动器饱和与摩擦扰动时,很难得到理想的控制效果.针对组合非线性反馈与计算力矩相结合的控制方法,研究了机器人驱动器存在输入限制时的吸引域评估方法.用Ricatti方程迭代法设计线性增益,以获得尽量大的吸引域,仿真结果证明了所提方法的有效性.     

基于模糊强化学习的双轮机器人姿态平衡控制

针对单轨双轮机器人在静止情况下存在的固有静态不稳定问题, 提出一种基于模糊强化学习(简称为Fuzzy-Q)的控制方法。首先，运用拉格朗日法建立带控制力矩陀螺的系统动力学模型。然后, 在此基础上设计表格型强化学习算法, 实现机器人的稳定平衡控制。最后，针对算法存在的控制精度不高和控制器输出离散等问题, 采用模糊理论泛化动作空间, 改善控制精度, 并使控制输出连续。仿真实验表明, 相较于传统强化学习方法, 所提方法能够显著提高控制精度, 且可以有效抑制外界干扰力矩对系统的影响, 保证系统具有一定的抗干扰能力。     

少自由度串联机器人仿真分析

研究了一种少自由度串联机器人精确速度控制方法。少自由度机器人末端可控变量n与关节变量相等，而不可控变量(6—n)是这些可控变量的线性组合。文章用反螺旋理论通过建立独立运动变量和关节变量的运动模型，使机器人末端可控变量与关节变量成一一对应关系。以4自由度机器人为例进行仿真分析，结果证明了改方法的有效性。     

基于高斯混合过程的空间机器人任务空间预测控制方法

针对空间机器人的精准操控需求和任务空间控制问题，提出了一种基于高斯混合过程的模型预测控制方法。在建立的空间机器人标称模型基础上，考虑实际工作过程中由于关节摩擦、参数测量误差导致的建模误差，利用高斯混合过程对标称模型的不确定性进行精确、高效的分析和修正。其次，基于修正后的模型提出了非线性模型预测控制方法，在考虑实际物理约束，如关节限位、输入饱和等的情况下，实现了空间机器人基座和机械臂末端位姿对期望轨迹的直接精准跟踪。最后，考虑航天器在轨操控中的推力器冗余配置问题，设计了推力分配方案，并通过仿真结果校验了所设计控制方法的有效性。     

水下机器人动力学系统的小波辨识算法

动力学模型辨识是机器人控制设计的基础,是水下机器人研究的核心内容之一。以Falcon水下机器人的动力学模型为研究对象,在模型适当简化的基础上,提出基于小波级数模型的水下机器人动力学在线辨识方法,选取DOG(Derivative of Gaussian)小波作为小波函数,对Falcon水下机器人纵向自由度动力学模型进行自适应辨识。针对水下机器人动力学模型的时变特性,研究负载特性变化情况下的系统辨识,得出了基于DOG小波级数模型的水下机器人动力学在线算法更加有效。     

模糊-GPC串级控制在网络时延控制中的应用

为了解决网络闭环非线性控制系统中的时延问题,本文提出了一种在模糊神经网络控制的基础上结合广义预测控制(GPC)处理非线性系统网络时延的方法,建立了网络控制系统的结构模型,并分析了此模型对处理非线性网络控制系统中时延问题的有效性。在MATLAB环境下对网络控制倒立摆系统进行了仿真,通过对比模糊神经网络控制与模糊-GPC串级控制的控制效果,进一步证实了此方法对非线性网络控制系统能够实现稳定控制。     

基于神经网络的不确定非线性时滞系统保成本控制

保成本控制问题受到了人们的关注,并取得了很多的研究成果,但这些研究均未考虑提高系统动态特性的问题,且很少涉及非线性系统。为此,将神经网络和控制理论相结合,针对一类不确定非线性时滞系统,结合系统动态特性以及非线性扰动抑制问题,提出了新的控制算法。通过将稳定度引入保成本控制中,可以在保成本控制的基础上提高系统的动态特性;利用神经网络良好的非线性逼近能力,很好地解决了系统存在任意非线性扰动时的控制问题。     

3-RRRT型并联机器人自适应神经网络滑模控制

研究3-RRRT型搬运并联机器人的一种基于RBF神经网络的直接自适应滑模控制方法.根据机器人的系统动力学模型特点,基于Lyapunov函数的综合设计方法和滑模控制理论,利用RBF神经网络与自适应技术相结合,提出了一种控制律,然后利用MATLAB进行了系统控制仿真.结果表明,采用这种直接自适应神经网络滑模控制方法3-RRRT型并联机器人在有周期干扰的情况下,达到了较高的控制精度,其闭环系统具有较强的自适应性和鲁棒稳定性.     

多机器人交替定位中的信标机器人位置规划

研究了一种新的多机器人交替定位方式中的未来信标机器人位置规划方法。在位置规划方法中,首先根据未来信标位置应该满足的条件分别设置目标函数和非线性约束方程,其中目标函数是使三个信标机器人组成的三角形尽量接近等边三角形,非线性约束则考虑超声波测距模块的测量范围以及机器人队伍的探索方向等因素,然后用约束非线性优化算法计算未来信标位置。仿真实验验证了该方法的有效性。     

板球系统的非线性自适应控制

针对球半径、球质量、球转动惯量未知的板球系统,提出了其非线性自适应控制方法。建立了包括球板间摩擦、传动机构、步进电机等环节的板球系统数学模型。结合Lyapunov稳定性理论设计了非线性位置控制器和非线性自适应位置控制器。提出的控制方法经过了仿真验证。跟踪控制结果表明与模糊控制相比,非线性自适应控制方法提高了板球系统的控制精度。     

D-H参数表生成三维机器人模型仿真系统

一般情况下机器人各关节的几何关系可通过Denavit-Hartenberg(D-H)参数表来描述。提出了采用D-H参数表生成机器人三维虚拟模型的方法,实现了机器人的可视化。仿真系统提供的视图控制功能和场景漫游功能实现了多角度、多位置观测机器人模型的几何结构,并为机器人操作人员提供了训练仿真平台。该系统可以作为机器人学习和机器人结构设计的辅助工具。     

基于模型跟随的神经网络非线性重构控制

针对歼击机在结构故障下的动力学方程 ,提出了一种基于径向基函数 (RBF)神经网络的模型跟随非线性重构控制策略。该方法不必精确已知系统故障的位置及其损伤程度 ,可直接对故障系统实施重构控制 ,使其输出能精确跟踪期望参考模型的输出。该方法在模型跟随重构控制的基础上 ,引入了神经网络控制器 ,以补偿故障引起的非线性因素的影响。理论分析和仿真验证表明 ,所提方法可保证闭环系统具有良好的重构性能和很强的鲁棒性 ,且算法高效简单 ,易于计算机在线控制。     

迟滞系统建模与自适应控制

迟滞非线性是影响智能材料驱动器工作精度的主要因素.为了降低迟滞特性对驱动器工作的影响,需要对其建模和补偿.Prandtl-Ishlinskii(PI)截止算子被用于建立迟滞模型,经过推导将迟滞特性分解为线性部分和非线性部分.采用PI的启动算子对其非线性部分进行补偿,由Lyapunov 稳定性理论推导出此控制方案的自适应控制规律.通过仿真验证了所提出的迟滞非线性补偿方案的有效性.