基于串级变结构神经网络的机器人补偿控制

针对机器人动力学的非线性、强耦合、时变特点,为了高速、高精度地控制机器人,提出了基于神经网络的机器人智能控制策略．讨论了机器人动力学模型的特殊性,指出模型中结构和非结构不确定性因素;研究了一种新型串级变结构神经网络（ＣＶＳＮＮ）;提出了一种基于新型ＣＶＳＮＮ的机器人控制策略．以精密Ｉ号机器人为仿真对象,证明该算法能够较好地补偿结构与非结构不确定因素,收敛速度快,能够自适应地调节自身的结构．     

非线性系统的神经网络自学习控制

提出了一种对非线性系统的神经网络自学习控制方法,基于逆动力学控制的思想,构造了神经网络结构一致的控制器和辩识器。辨识器采用多层前向网络结构和广义Ｄｅｌｔａ学习规则算法实现了对系统逆动力学模型的动态辨识,并通过在线动态传递权值给神经网络控制器的方法实现了神经网络辨识器的神经网络控制器的有机结合,从而使整个控制系统具有很强的自适应和自学习能力,所提出的控制方案可适用于不含滞后环节和包含滞后环节的非线性     

全局稳定的机器人鲁棒自适应分散跟踪控制

提出一种全局稳定的鲁棒自适应分散控制策略,用于不确定性机器人的轨迹跟踪．该控制器由一个线性ＰＤ 分散反馈＋ 补偿不确定动力学的非线性自适应分散反馈构成．仅需要了解各关节输出的位置及速度状态,就能够克服通常难于建模的摩擦力和外部扰动影响,保证全局的渐近稳定．二自由度机器人的仿真证明了该法的有效性．     

模糊逻辑及神经网络动态摩擦和死区补偿的机器人滑模变控制

针对机器人中存在非线性不确性项LuGre动态摩擦和非对称死区的问题,提出采用模糊RBF神经网络及模糊逻辑分别对动态摩擦及死区进行补偿,且实时、自适应训练非线性动态摩擦项及非对称死区项的参数,实现对实际机器人系统准确再现的滑模变鲁棒控制算法,并论证了该算法的Lyapunov稳定性。通过在2自由度机器人上的仿真,证明该算法提高了机器人轨迹跟踪精度、控制力矩及摩擦力矩两者的稳定性。同时发现了该机器人控制力矩的脉冲式补偿误差、摩擦模型中存在类菱形吸引子、缺乏死区补偿将导致控制系统极限环振荡等非线性动力学现象,以及死区逆模型中ε的估计对系统的精度有决定性作用。     

基于反演技术和神经网络的移动机器人控制

提出了一种基于反演设计和RBF神经网络自适应的非完整移动机器人轨迹跟踪方法.首先,设计一个虚拟的速度控制律使得输出跟踪误差尽可能小;然后,利用反演技术设计一个基于RBF神经网络的动力学控制器,以确保在机器人系统中存在不确定性和外界扰动的情况下,机器人仍具有良好的跟踪能力.RBF神经网络连接权值在线自适应律由Lyapunov理论导出,保证了控制系统的稳定性.本文提出方法的主要优点是不需要移动机器人动力学的先验知识,而且对外界扰动具有良好的鲁棒性.最后,在两轮非完整移动机器人上的仿真结果证明了本文所提出方法的有效性.     

基于改进LuGre摩擦模型的机器人关节模糊自适应反步控制

为实现机器人关节在非线性摩擦和外界未知干扰力矩等因素影响下的精确和稳定控制,通过改进LuGre摩擦模型来描述系统的非线性摩擦特性,采用自适应算法进行摩擦补偿来逼近摩擦力的变化,并采用模糊神经网络逼近外界未知干扰力矩对系统的影响.引入正切障碍李雅普诺夫（Lyapunov）函数对输出信号进行约束,使误差被限制在给定范围之内.利用双曲正弦函数跟踪微分器解决了虚拟输入微分引起的“微分爆炸”和一阶滤波器精度差问题,将自适应控制方法与反步控制理论相结合,提出了一种带摩擦补偿的模糊自适应反步控制方法.利用Lyapunov判据证明了闭环系统的所有误差最终一致有界,并通过仿真得出本文所提出的控制方法相比于传统PID与神经网络动态面控制（Radial Basis Function Dynamic Surface Control,RBFDSC）,位置跟踪误差分别提高了近7.5%和3%;当LuGre模型参数变化时,自适应算法也可以精确对摩擦力进行跟踪补偿,从而验证了本文所提出的控制策略的有效性和鲁棒性.     

基于神经网络的开关磁阻电机自适应控制

针对开关磁阻电机显著的非线性特性，将具有非线性映射能力及自适应能力的误差反向传播（BP）神经网络应用于开关磁阻电机驱动系统（SRD），并结合传统比例、积分和微分（PID）控制的优点，提出一种基于BP神经网络的开关磁阻电机在线辨识与自适应PID控制方法．该方法利用BP神经网络实时观测系统输出，优化PID控制参数，对于解决开关磁阻电机由于非线性严重而导致控制困难的问题具有较强的针对性．实验结果证明了该方法的有效性，且系统适应性强，稳定性好，响应速度和控制精度均令人满意。     

多连杆柔性关节机器人的神经网络自适应反演控制

针对模型不精确的多连杆柔性关节机器人的关节运动控制问题,提出一种新的神经网络自适应反演控制算法.该控制算法借鉴单连杆柔性关节机器人的一种神经网络自适应反演算法,在反演过程中,将系统非线性未知项与已知项分开并利用径向基神经网络在线逼近非线性未知项;对这种单连杆柔性关节机器人的神经网络自适应反演算法进行改进,构造出新的非线性项,并对转子惯性矩阵的估计转化为对转子惯量矩阵对角元素的估计;根据李雅普诺夫函数的稳定性设计出适用于多连杆柔性关节机器人的控制律与参数自适应律,从而实现多连杆柔性关节机器人的关节轨迹跟踪控制.仿真试验结果表明,与一般的比例-微分控制算法相比,该算法具有更好的轨迹跟踪性能.此外,神经网络节点数取值较小时,该算法也能够保证一定的轨迹跟踪精度.     

基于自适应反步法的自主水下机器人变深控制

为实现自主水下机器人(AUV)的高精度变深控制,基于AUV垂直面的运动学和非线性动力学模型,提出了神经网络自适应迭代反步控制方法,设计了运动学和动力学控制器.文中首先考虑AUV非线性模型的攻角和水动力阻尼系数的不确定性,设计神经网络控制器来对纵倾运动中的非线性水动力阻尼项和外界海流干扰作用进行在线估计,并基于Lyapunov稳定性理论设计神经网络权值的自适应律,保证系统闭环信号的一致最终有界.最后通过两组仿真实验,比较了所设计的控制器在设定控制器增益参数下的系统响应和在扰动作用下的变深控制性能,结果表明,所设计的控制器具有较小的稳态误差和较高的跟踪精度.     

多层递归神经网络自适应控制及稳定性分析

提出一种基于多层归神经网络的自适应控制离散时间系统的方法,使用多层递归神经网络及新的动态ＢＰ算法（ＤＢＰ）描述未知系统的输入／输出关系。基于此神经网络模型,提出一种自适应控制方案,并对该方案的闭环稳定性进行了分析。     

空间机器人的SVM非线性补偿滑模控制研究

为提高机械臂末端跟踪目标轨迹速度, 提出了一种基于SVM(Support Vector Machine)非线性模型估计的滑模控制方法。该方法通过SVM对参数不确定非线性项进行估计, 对空间机器人动力学模型进行补偿。这种从整个闭环系统稳定性出发设计的SVM非线性补偿滑模控制器, 不需要确切的数学模型, 从而提高了快速跟踪目标轨迹, 减小跟踪误差的动力学系统性能。仿真结果验证了该控制方法的有效性、可行性。     

Adaptive trajectory tracking control of two-wheeled self-balance robot

Wheeled mobile robot is one of the well-known nonholonomic systems.A two-wheeled self-balancerobot is taken as the research objective.This paper carried out a detailed force analysis of the robot andestablished a non-linear dynamics model.An adaptive tracking controller for the kinematic model of anonholonomic mobile robot with unknown parameters is also proposed.Using control Lyapunov function(CLF),the controller's global asymptotic stability has been proven.The adaptive trajectory trackingcontroller d...     

非完整移动机器人轨迹跟踪的最优模糊控制

针对非完整机器人动力学的高度非线性、不确定性以及不能采用连续状态反馈实现渐近稳定等特点,提出了基于遗传算法的非完整移动机器人轨迹跟踪的最优模糊控制方案,通过遗传算法对模糊规则进行优化,有效地确定出模糊逻辑控制器的结构和参数,从而达到理想的跟踪特性,数字仿真实例表明这种方法是可行的。     

The Redundant Arm Self-motion Control Based on Self-tuning Fuzzy PID Controller

0　IntroductionUsingaconventionalPIDcontroller,itisdifficulttoachieveadesiredtrajectory trackingprecisionbecauseofrobot’snonlinearity ,jointcouplingandtimevariablespe ciality[1] .Hence ,manycontroltechnologieswereat temptedtosolvethesesproblems ,typicallyadaptivecon trol,optimizationcontrol,neuralnetworkcontrol,andslidingmodevariablestructurecontrol[2 ] .Eversince 2 0yearsago ,FLChasbeenusedwidelywithobviousprogressincontrolfields ,especiallyinrobotics[3] .ItisprovedthatFLCisverysuitablef…     

移动焊接机器人轨迹跟踪控制机制及实验

摘要： 针对目前移动焊接机器人进行滑模变结构控制的动力学研究较少,且滑模变结构控制中产生的高频振荡及其对移动焊接机器人的焊缝跟踪精度影响较大的问题,搭建了移动焊接机器人平台,建立了移动焊接机器人的运动学和动力学模型,并提出了一种能够实现移动焊接机器人高精度焊缝跟踪的新型控制算法.基于移动焊接机器人的动力学模型,采用滑模变结构控制理论对移动焊接机器人进行鲁棒性控制,并采用光滑的连续函数代替滑模变结构控制中的符号,以消除高频振荡的影响.结果表明了所提出方法的可行性和有效性.在焊缝跟踪过程中,移动焊接机器人运行平稳,得到了较高的跟踪精度.     

基于Lyapunov稳定性的爬壁机器人路径跟踪双环滑模控制

针对爬壁机器人路径跟踪控制问题,提出一种双环滑模控制算法。该算法是以建立的爬壁机器人运动学模型为基础,设路径跟踪偏差信息为滑模切换函数,结合backstepping思想设计了控制率,通过Lyapunov函数验证其稳定性,实现了外环位置和内环姿态的准确跟踪。对于环境的不确定性,采用提高内环增益大于外环的方法解决。将设计的双环滑模控制器与一般滑模控制进行轨迹跟踪仿真比较,并对直线轨迹跟踪进行了实验验证,结果表明:本文设计的路径控制器能较快达到零误差跟踪,整个控制过程和过渡过程准确且平滑,所以该算法可有效提升爬壁机器人工作水平。     

改进神经网络自适应滑模控制的机器人轨迹跟踪控制

为了提高机器人轨迹跟踪控制性能,在神经网络滑模控制方法的基础上,提出了一种改进型神经网络自适应滑模控制方法.该方法将神经网络作为控制器,利用其非线性映射能力来逼近各种未知非线性,同时通过在控制律中加入鲁棒项来消除逼近误差.考虑到隐含层单元数和网络结构参数对神经网络映射有效性的影响,将降低抖振作为优化目标,采用粒子群优化算法对网络结构参数进行优化.最后在Matlab/Simulink环境下进行了仿真实验,并与其他控制方法进行了对比分析.仿真结果表明,基于该方法所设计的控制系统具有良好的鲁棒性和控制精确度,同时有效地削弱了抖振.     

采用改进神经网络PID控制的移动机器人轨迹追踪控制研究

为了提高双轮移动机器人运动轨迹追踪精度,采用改进粒子群算法优化BP神经网络PID控制器,并对控制效果进行仿真验证。创建双轮移动机器人模型简图,给出运动轨迹误差方程式。在传统PID控制基础上增加BP神经网络结构,引用粒子群算法并对其进行改进,采用改进粒子群算法优化BP神经网络PID控制调整参数,给出双轮移动机器人PID控制参数优化流程。采用数学软件MATLAB对双轮移动机器人轨迹追踪误差进行仿真验证,并与传统PID控制追踪误差进行对比。仿真曲线显示:在理想环境中,双轮移动机器人采用两种控制方法都能较好地实现轨迹追踪,追踪误差较小;在干扰波形环境中,传统PID控制双轮移动机器人追踪误差较大,而改进PID控制双轮移动机器人追踪误差较小。采用改进粒子群算法优化BP神经网络PID控制器,可以提高移动机器人运动轨迹追踪精度。     

模糊迭代学习在单关节机器人运动控制中的应用

提出一种迭代学习控制和模糊控制相结合的策略。利用模糊补偿来增加迭代学习控制的收敛速度和保证系统的稳定性,并对单关节机器人模型进行仿真。仿真结果表明,该模糊迭代学习控制系统在第一个学习周期内的误差值明显减小,输出误差也逐渐减小,跟踪性能总体上有了很大的改善,跟踪精度显著提高。     

机器人力控制系统仿真分析

本文对由Movemaster-EX机器人和HUST-FS6腕力传感器组成的力控制系统进行了分析,讨论了接触物体和腕力传感器刚度、力反馈矩阵、库仑摩擦以及间隙非线性对整个力控制系统稳定性的影响;引入力的微分反馈有助于增强力控系统的稳定性,用单关节机器人模型进行了仿真研究.结果表明,接触物体综合刚度、力反馈矩阵、库仑摩擦和间隙非线性对力控系统影响很大;引入力微分反馈能改善系统性能.