带摩擦补偿的滚珠丝杠副进给系统自适应滑模控制

为了提高滚珠丝杠副进给系统的跟踪性能,采用了带摩擦补偿的自适应滑模控制方法.基于滚珠丝杠副进给系统轴向振动特性建立了两自由度的质量模型,根据模型的状态方程设计了系统的反演滑模控制器,考虑到外界干扰的影响设计了带自适应律的自适应滑模控制器.采用基于Stribeck摩擦模型的摩擦补偿方法和遗传算法对滚珠丝杠副进给实验台的Stribeck摩擦模型进行了参数辨识.采用建立的控制方法在实验台上进行了轨迹跟踪实验.实验结果表明:在没有使用摩擦补偿情况下自适应滑模控制器最大跟踪误差为31.85μm;使用带摩擦补偿的自适应滑模控制器,其最大跟踪误差减小为15.55μm.实验结果证明了针对滚珠丝杠副进给系统轴向振动特性模型设计的自适应滑模控制器具有较高的跟踪性能,并且采用带摩擦补偿的自适应滑模控制方法显著提高了滚珠丝杠进给系统的跟踪精度.     

基于DRNN的机器人轨迹跟踪自适应控制

针对模型未知和动力学非线性机器人轨迹跟踪,提出了一种基于分布式动态回归神经网络（ＤＲＮＮ）的自适应控制方法．该方法在ＰＤ动态反馈控制的基础上,引入神经网络辨识器（ＮＮＩ）在线逼近对象的非线性动力学,并设计出神经网络自适应控制器（ＮＮＣ）来补偿机器人动力学非线性造成的误差．仿真结果表明该控制方案具有良好的跟踪性能和较强的鲁棒性．     

基于RBF神经网络的全向智能轮椅自适应控制

在外界扰动为有界不可测条件下,利用径向基函数(radial basis function,RBF)神经网络在线逼近全向智能轮椅的非线性逆运动学模型,提出对轮椅轨迹跟踪的直接自适应控制方法.首先,在分析全向智能轮椅平台动力学模型的基础上,设计了基于径向基函数神经网络的全向智能轮椅自适应控制器;并进一步利用李雅普诺夫稳定性理论,证明了在外界扰动及神经网络权值误差逼近有界的条件下,该控制器在全向智能轮椅轨迹控制中跟踪误差的一致稳定且有界;最后,通过全向智能轮椅轨迹跟踪仿真实验,验证了所提出控制方法的有效性和稳定性.     

基于神经网络反步法的移动机器人路径跟踪控制

为实现非完整轮式机器人的路径跟踪控制,设计基于反馈增益的反步法控制器,通过控制器参数设计消除了机器人动态误差模型中的部分非线性项,采用神经网络对模型不确定项进行补偿,并利用自适应鲁棒控制器在线补偿神经网络的估计误差,优化了神经网络的学习性能。仿真结果表明:设计的控制器参数易于调节,可实现轮式移动机器人对任意曲线路径的精确跟踪。     

积分变结构间接自适应神经网络控制

针对一类不确定非线性系统,基于变结构控制原理,提出多层神经网络投影算法,并设计了一种具有监督控制器的积分变结构间接自适应神经网络控制方案.该方案引入综合误差的自适应补偿项来消除建模误差的影响, 同时通过监督控制器保证闭环系统全局一致终结有界,且跟踪误差收敛到零,仿真结果表明该方法的有效性.     

柔性关节机械臂自适应神经网络动态面控制

针对柔性关节机械臂动力学模型具有非线性、不确定性和未知的外界扰动等问题,提出了基于自回归小波神经网络的自适应动态面控制方法.采用对于非线性系统具有良好学习和快速收敛能力的自回归小波神经网络,在线观测和补偿动力学模型的不确定项.并应用动态面方法设计控制器实现了关节轨迹跟踪控制.仿真和实验结果显示:当存在模型参数不准确及未建模的外部扰动力矩时,控制算法表现出良好的自适应能力,与传统动态面法和PD(比例微分)控制相比较,显著提高了柔性关节的位置跟踪精度.     

基于模糊干扰观测器的移动机器人自适应滑模跟踪控制

针对轮式移动机器人(Wheeled Mobile Robot, WMR)轨迹跟踪中存在的速度跳变和未知系统扰动,提出一种新型轨迹跟踪控制策略。该策略基于反演技术,分别设计WMR系统的运动学控制器和动力学控制器。在运动学控制器中,采用分流技术克服了轨迹跟踪初期的速度跳变问题;在动力学控制器中,将模糊干扰观测器与自适应滑模控制结合,有效解决了未知系统扰动对控制性能的影响,并且消除了传统滑模控制的抖振现象。通过Lyapunov稳定性理论,证明了该控制策略的稳定性。仿真研究表明,该控制策略具有较小的速度跳变,控制信号抖振较小,并对系统扰动具有强鲁棒性。     

具有未知控制方向的自适应神经网络控制

讨论了一类具有未知死区模型和未知函数控制增益的SISO非线性系统的自适应神经网络控制问题.根据滑模控制原理,并利用Nussbaum函数的性质,提出了一种自适应神经网络控制器的设计方案.该方案取消了函数控制增益符号已知和死区模型参数上界、下界已知的条件.通过引入逼近误差的自适应补偿项来消除建模误差和参数估计误差的影响.理论分析证明了闭环系统是半全局一致终结有界,且跟踪误差收敛到零.     

欠驱动UUV三维轨迹跟踪的反步动态滑模控制

提出一种欠驱动无人水下航行器(UUV)反步自适应动态滑模控制方法.结合反步和自适应滑模控制技术设计UUV的位置、姿态和时变速度跟踪控制器,采用虚拟速度来代替姿态误差的控制策略,将姿态跟踪控制转化为速度控制,能够有效避免传统反步法控制律设计存在的奇异值问题.针对系统模型不精确及时变扰动问题,引入滑模控制技术进行自适应补偿估计,提高了欠驱动UUV在未知环境中的鲁棒性及自适应能力,并基于李雅普诺夫稳定性理论证明了该控制系统误差最终一致有界.仿真结果表明:提出的UUV三维轨迹跟踪反步动态滑模控制方法收敛、有效,能够实现在系统参数不精确及时变扰动情况下的三维轨迹精确跟踪控制.     

机器人的自适应神经全局滑模轨迹跟踪控制

针对具有不确定性的机器人系统,提出一种自适应神经全局滑模轨迹跟踪控制方案.控制器采用一种新的全局滑模面,使得系统在整个响应时间内都具有鲁棒性;并基于径向基函数神经网络自适应学习不确定性的未知上界,从而自适应调整控制律的切换增益.而且基于Lyapunov稳定性理论证明这种新型控制器能够保证机器人系统关节角位置矢量和角速度矢量的跟踪误差渐近收敛于0.仿真结果表明提出的控制策略能够使机器人系统仅在0.5 s内就实现快速的轨迹跟踪,可见该方案是可行且有效的.     

用T-S型模糊神经网络的机械手轨迹跟踪自适应控制

对于常见的将 CMAC神经网络前馈控制器和常规反馈控制器相结合的机械手轨迹跟踪控制方案 ,它的控制性能同时受神经网络前馈控制器学习能力和反馈控制器控制精度的制约。该文提出的采用 T- S型模糊神经网络的机械手轨迹跟踪自适应控制方案充分利用了 T- S模糊模型的特点和优点 ,以一种基于简化的 T- S型的模糊神经网络作为前馈控制器 ,同时反馈控制器也采用 T- S型模糊神经网络实现。针对三自由度机械手轨迹跟踪问题的仿真实验表明 ,采用 T- S型模糊神经网络的机械手轨迹跟踪自适应控制方案是可行的和有效的     

基于RBF逼近不确定项的机械手自适应控制研究

针对机械手控制系统中的不确定因素,提出了RBF神经网络逼近不确定项的自适应控制策略。在逆动力学计算力矩方法的基础上,设计了鲁棒自适应控制器。利用RBF神经网络对模型中的不确定项分块进行逼近,并用Lyapunov稳定性理论建立了网络权重自适应学习律,证明了系统的全局稳定性;最后进行了仿真,结果表明该方法能够有效的消除模型不确定性的影响,准确地实现了轨迹跟踪。     

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.     

基于深度强化学习的无人机姿态控制器设计

为了能让四旋翼无人机的姿态控制器具有强大的目标值追踪与抗外部干扰的能力，本文提出了一种基于参考模型的深度确定性策略梯度的四旋翼无人机姿态控制器设计，该方法通过神经网络，将四旋翼无人机的状态直接映射到输出，文中用到的强化学习算法是结合深度确定性策略（DDPG）和深度神经网络所设计的。在DDPG算法结构中，进一步加入参考模型，规避控制量太大造成的系统超调，增强了系统的稳定性以及鲁棒性。同时，修改了强化学习中奖励的构成，成功消除了系统的稳态误差。经过研究实验表明，该控制方法对目标值的追踪以及抗外部干扰都有着很强的鲁棒性，可见该控制器相比于传统的控制器，提高了其目标值追踪能力以及抗干扰能力。     

基于深度强化学习的水下机器人最优轨迹控制

为了实现水下机器人在跟踪复杂轨迹时具有出较高的精度和稳定性,提出了利用深度强化学习实现水下机器人最优轨迹控制的方法:首先,建立基于2个深度神经网络（Actor网络和Critic网络）的水下机器人控制模型,其中Actor网络用来选择动作,Critic网络用来评估Actor网络的训练结果;其次,构造合适的奖励信号使得深度强化学习算法适用于水下机器人的动力学模型;最后,提出了基于奖励信号标准差的网络训练成功评判条件,使得水下机器人在确保精度的同时保证稳定性. 仿真实验结果表明:在解决一定精度内的水下机器人复杂轨迹跟踪问题时,该算法与传统PID控制算法相比具有更优的性能.     

基于车载摄像机移动机器人的模糊神经网络跟踪

针对车载单目摄像机的轮式移动机器人的目标跟踪问题,提出一种模糊跟踪控制方案.方案分为两部分,分别为摄像机控制部分和轮式移动机器人控制部分.摄像机控制部分通过相关特征点之间的连线的夹角设计摄像机云台控制器,使摄像机能够实时跟踪目标,保持目标在图像平面的期望位置上.轮式移动机器人控制部分通过设计T-S模糊神经网络控制器使其能够在视觉伺服反馈下实时调整速度和姿态,实现目标的有效跟踪.仿真结果表明了本文方法的有效性.     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

变体近空间飞行器的鲁棒自适应控制

针对变结构近空间飞行器在大包络飞行过程中具有切换的后掠翼、非线性、快时变、强耦合和不确定的特性,提出基于全调节径向基神经网络(Fully Tuned Radial Basis Function Neural Network,FTRBFNN)和动态面backstepping的鲁棒自适应跟踪控制策略。该方法利用FTRBFNN在线逼近飞控切换模型中的复合干扰,应用带有动态面的backstepping方法,设计适用于任意切换后掠翼角光滑的反馈控制器。通过公共李氏函数,证明了所提出的控制方法可以保证闭环切换系统的输出跟踪误差在有限时间内收敛到任意小的有界集内。仿真实验结果表明该飞控系统具有良好的控制性能。