Study on the Robot Robust Adaptive Control Based on Neural Networks

Force control based on neural networks is presented. Under the framework of hybrid control, an RBF neural network is used to compensate for all the uncertainties from robot dynamics and unknown environment first. The technique will improve the adaptability to environment stiffness when the end-effector is in contact with the environment, and does not require any a priori knowledge on the upper bound of syste uncertainties. Moreover, it need not compute the inverse of inertia matrix. Learning algorithms for neural networks to minimize the force error directly are designed. Simulation results have shown a better force/position tracking when neural network is used.     

基于图像的直接视觉伺服控制器设计与仿真

对于手眼机器人视觉伺服,考虑机器人的运动学及动力学特性,在物体的深度未知及机器人的基坐标系与物体的坐标系之间的相似变换矩阵未定标的情况下,设计了直接视觉伺服控制器,利用自适应算法对深度及上述相似变换矩阵的参数进行在线估计,实现了基于图像误差的定位控制,在系统的工作空间范围内,闭环系统是渐近可稳定的。该方法不需要物体的几何模型及深度的精确值,仿真结果验证了其有效性。     

基于神经网络的自由漂浮空间机器人鲁棒控制

针对带有模型误差及外界扰动的自由漂浮空间机器人轨迹跟踪问题,提出了一种基于神经网络的自适应鲁棒控制策略。采用对神经网络状态空间进行划分后与滑模变结构结合的控制器,对不确定非线性进行自适应学习,逼近误差作为外部干扰由鲁棒控制器消除。该方法从整个闭环系统的稳定性出发,利用H_∞理论设计的鲁棒控制器及神经网络权值的在线调整规则保证了系统的稳定性,并能使系统L2增益小于给定的指标,具有较好的控制精度及动态特性。仿真分析进一步证明了该自适应鲁棒控制算法的有效性。     

空间机器人的增广自适应神经网络补偿控制

研究了具有外部扰动空间机器人系统的补偿控制问题。首先,给出了漂浮基空间机器人系统的动力学方程。进而借助于增广变量思想,针对系统存在有未知惯性参数及外部扰动的复杂情况,先后设计了空间机器人系统关节运动、末端爪手运动的增广自适应神经网络补偿控制方案。所提控制方案无需对载体的位置、线性速度和线性加速度进行实时地测量与反馈;且较比传统自适应控制方法,又不要求动力学方程满足关于系统惯性参数的线性函数关系,因此有效避免了对系统回归矩阵进行繁琐提取的麻烦。仿真运算,验证了上述控制方法的有效性。     

基于多智能体强化学习的多机器人协作策略研究

研究了一种基于智能体动作预测的多智能体强化学习算法. 在多智能体系统中,学习智能体选择动作不可避免地要受到其他智能体执行动作的影响,因此强化学习系统需要考虑多智能体的联合状态和联合动作.基于此,提出使用概率神经网络来预测其他智能体动作的方法,从而构成多智能体联合动作,实现了多智能体强化学习算法. 此外,研究了该方法在足球机器人协作策略学习中的应用,使多机器人系统能够通过与环境的交互学习来掌握行为策略,从而实现多机器人的分工和协作.     

机器人/视觉系统非标定的平面运动跟踪

研究机器人与未标定关系的视觉传感系统之间的协调控制策略,其中目标运动及机器人跟踪运动均限定在二维工作平面。摄像机固定在工作区域中,它与机器人坐标系和工作平面之间的关系未知。机器人运动由摄像机观察到的上一控制周期中规划的手运动及目标当前位置决定,机器人与视觉系统之间的协调与它们两者之间的标定关系无关。文末的仿真显示了这一方法的有效性。     

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。     

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。     

Planar Motion Tracking with an Uncalibrated Robot/Vision System

1.INTSODUCTIONtraditionallythemodelofarobothand/eyecoordinationsystemmustbeestimatedanddeterminedinadvanceforsystemcolltrol.Thisformsthetaskofsystemcalibration.Asystemcalibrationissomewhatthecombinationoftheoreticalresearchandengineeringrealization.Theaccuracyofasystemmodelismorelikelydependentonthetechniqueofengineeringrealizationthantheresearchesontheoreticalmethod.Realizationofthecalibrationmethodisthebottleneckfortheaccuracyofresultantmodelapproachingitstheoreticalvalue.Thisisthemainr…     

模糊建模与控制的神经网络方法及其仿真研究

本文提出了一种复杂系统模糊建模及控制的神经网络方法。利用改进的ｐｉ－ｓｉｇｍａ 网络，对模糊规则的结论参数和隶属函数进行在线修正，实现模糊规则的自组织。这种方法被用于降水量预报和机器人解耦控制，取得了满意的仿真结果。为增强神经网络仿真算法的快速性，本文采用了一种基于向量的数据结构，并用标识阵指示神经元的连接状态，以实现有效的内存运算。     

基于强化学习的机器人模糊控制系统设计

研究了基于强化学习(RL)的模糊逻辑控制器(FLC)设计方法,并将该控制器作为反应式自主移动机器人的控制系统。在缺乏专家知识的情况下,将模糊推理系统(FIS)和强化学习理论相结合构成模糊强化系统,通过强化学习算法获取FLC得模糊规则库,从而有效地解决了复杂未知环境的机器人导航问题。实验结果表明,由强化学习设计的模糊控制器的有效性,同时具有较强的适应能力,可以应用于不同的复杂环境。     

基于神经网络和PSO的机器人路径规划研究

提出一种神经网络和粒子群算法相结合的移动机器人路径规划方法。采用小波网络和RBF网络相结合的四层神经网络结构,克服了传统神经网络方法进行路径规划时对每个障碍均设计一些特定的隐节点,当障碍较多且环境动态时,网络结构庞大且神经元的阈值随时间的变化而需要不断改变的缺点。利用粒子群对神经网络的参数进行训练,在规定的代数内对网络参数优化,使得机器人在移动过程中能够快速响应环境的变化。通过对移动机器人在动、静态不同环境下的仿真实验,证明了方法的有效性。     

机器人探测未知环境的螺旋形导航算法

在很多情况下，机器人对作业环境并没有预先了解，这就使得机器人对环境的探测成为必要。因此，设计合理的导航算法，从而使机器人在较短的时间内能够较完整地构建出环境地图，为机器人完成作业提供了基础。本文提出了一种基于虚拟力的螺旋形导航算法，采用超声距离传感器，对未知环境进行实时在线的探测，采用本算法可以避免机器人之间以及机器人与障碍物发生碰撞。本文推导了机器人的运动学和动力学方程。仿真对比实验表明了该算法的有效性。本文进行了若干作业任务的仿真实验，使算法得到了进一步验证。     

Robust adaptive neural network control with supervisory controller

The problem of direct adaptive neural network control for a class of uncertain nonlinear systems with unknown constant control gain is studied in this paper. Based on the supervisory control strategy and the approximation capability of multilayer neural networks (MNNs), a novel design scheme of direct adaptive neural network controller is proposed.The adaptive law of the adjustable parameter vector and the matrix of weights in the neural networks and the gain of sliding mode control term to adaptively compensate for the residual and the approximation error of MNNs is determined by using a Lyapunov method. The approach does not require the optimal approximation error to be square-integrable or the supremum of the optimal approximation error to be known. By theoretical analysis, the closed-loop control system is proven to be globally stable in the sense that all signals involved are bounded, with tracking error converging to zero.Simulation results demonstrate the effectiveness of the approach.     

开环和开闭环结合的机器人视觉伺服

为尽量减小视觉系统采样频率低对视觉伺服动态性能的影响,提出了视觉开环的机器人视觉系统,仅进行一次视觉采样,分析了系统的鲁棒性,并在二自由度机械手上进行了仿真实验研究,0.2秒就完成了调节过程;为进一步提高系统的鲁棒性和消除稳态误差,提出了开闭环结合的视觉伺服系统,仿真结果证明了该方法的有效性。     

Output-feedback adaptive stochastic nonlinear stabilization using neural networks

For the first time, an adaptive backstepping neural network control approach is extended to a class of stochastic nonlinear output-feedback systems. Different from the existing results, the nonlinear terms are assumed to be completely unknown and only a neural network is employed to compensate for all unknown nonlinear functions so that the controller design is more simplified. Based on stochastic LaSalle theorem, the resulted closed-loop system is proved to be globally asymptotically stable in probability....     

踝关节康复机器人主动训练柔顺控制研究

为保证踝关节康复机器人能为主动康复训练的患者准确提供任意性质的训练力,以气动肌肉冗余并联驱动踝关节康复机器人为对象,研究无误差力跟踪方法和主动训练柔顺控制策略。建立了踝关节康复机器人的动力学模型,基于阻抗控制理论研究了无误差力跟踪的轨迹规划方法,运用李亚谱诺夫稳定性理论提出了气动肌肉冗余并联驱动的柔顺控制策略,以助力和抗阻两种主动训练模式为例,进行了康复训练控制仿真,结果表明,所提出的力跟踪方法和柔顺控制策略不仅能确保主动训练的安全性,还能为训练提供任意而准确的助力和阻力。     

Finite-time neural funnel control for motor servo systems with unknown input constraint

In this paper, a finite-time neural funnel control (FTNFC) scheme is proposed for motor servo systems with unknown input constraint. To deal with the non-smooth input saturation constraint problem, a smooth non-affine function of the control input signal is employed to approximate the saturation constraint, which is further transformed into an affine form according to the mean-value theorem. A fast terminal sliding mode manifold is constructed by using a novel funnel error variable to force the tracking error falling into a prescribe boundary within a finite time. Then, a simple sigmoid neural network is utilized to approximate the unknown system nonlinearity including the saturation. Different from the prescribed performance control (PPC), the proposed finite-time neural funnel control avoids using the inverse transformed function in the controller design, and could guarantee the prescribed tracking performance without knowing the saturation bounds in prior. The effectiveness and superior performance of the proposed method are verified by comparative simulation results.     

带推力矢量空空导弹的神经网络控制与仿真

对于新型空空导弹为了使导弹获得更高的的机动性、敏感性和更高的导引精度，大多采用推力矢量控制方案，因为神经网络控制对于系统非线性变化具有很强自适应能力，因而在解决带推力矢量空空导弹的控制问题时有较明显的优点，本文在给出推力矢量空空导弹数学模型的基础上，提出了两种适用于带推力矢量空空导弹的神经网络控制方案，并采用其中的双网络逆动态学习控制方法进行了自动驾驶仪设计，为进一步改善该神经网络的学习效果。还引入基于学习经验的模糊规则。数字仿真表明所提出的神经网络控制对于系统内参数非线性变化具有很强的适应性。     

基于深度网络的蓝军装备模型参数生成方法研究

蓝军装备的建模仿真是构建对抗仿真环境不可缺少的部分。针对蓝方系统可获取的参数有限、具有“贫信息”“小样本”特性的问题,提出一种基于深度网络的蓝军装备模型参数生成方法。通过设定信息注入蓝军装备的仿真模型,生成仿真数据,利用数据训练深度神经网络。得到的网络对该型装备的未知参数预测具有一定的泛化能力,可直接用于预测或作为迁移学习的源模型。以蓝军某型拦截弹的建模仿真为例对该方法进行应用验证,使用了多层感知机和循环神经网络2种网络对比例导引系数进行学习与预测,均获得了较好的效果。