基于线性变参数H∞反馈的机器人迭代学习控制器设计

提出了一种基于线性变参数（LPV）H∞反馈的迭代学习控制器,用于不确定性机器人的高精度轨迹跟踪,此控制器包括反馈部分和前馈部分,其中反馈部分设计为LPVH∞控制,前馈部分设计为高阶PD型迭代学习控制,在满足一定的收敛条件下,证明了该控制器的跟踪误差界正比于系统初始误差系统输出干扰项界,仿真结果不仅验证了此控制器随机器人关节位置变化始终具有干扰衰减、鲁棒稳定的性能,而且还验证了此控制器具有高精度轨迹跟踪的性能。     

不确定机械臂的组合自适应迭代学习轨迹跟踪

针对一类同时含未知时变和未知定常参数、并带有可重复时变干扰的不确定机械臂系统,为精确跟踪期望轨迹并加快跟踪误差的收敛速度,提出了一种具有抗扰能力的机械臂组合自适应迭代学习控制算法.对未知定常参数和未知时变参数,分别采用时域和迭代域的参数自适应迭代学习律,并基于估计参数设计了机械臂的自适应迭代学习轨迹跟踪控制律.利用相似李亚普诺夫函数证明了轨迹跟踪误差的收敛性.针对二自由度关节式机械臂的仿真结果表明,应用所提算法可实现精确的轨迹跟踪,并加快迭代学习的收敛速度.     

基于反步法的SCARA机器人轨迹跟踪控制

针对SCARA机器人轨迹跟踪问题,提出了一种基于反步法的轨迹跟踪控制方法。利用反步法设计控制器的虚拟控制和实际控制量,基于李雅普诺夫稳定理论设计的控制律能够实现对机器人的轨迹跟踪,并确保闭环系统为全局稳定。仿真结果验证了算法的有效性,所设计的跟踪闭环系统一致全局渐近稳定,有效提高了轨迹跟踪控制精度,保证了跟踪误差信号的收敛。     

基于遗传算法优化的机器人非奇异终端滑模控制

六自由度并联机器人是一个强耦合、高度非线性的系统,针对此特性研究了非奇异终端滑模控制方法,为改善其运动品质,结合指数趋近律的思想,给出了系统的控制律.利用李雅普诺夫（Lyapunov）理论验证了存在建模误差和外部干扰时六自由度并联机器人控制系统的稳定性,确保了控制系统的鲁棒性.为了进一步减少滑模控制的抖振,提高系统收敛速度和跟踪性能,采用了遗传算法来优化非奇异滑模面和控制律的参数.仿真结果表明：提出的控制策略参数优化后能使机器人的轨迹跟踪稳态误差趋近于零、系统调整时间短、驱动器控制律平滑,达到了高性能的位姿控制.     

分块建模关节机器人的PI鲁棒滑模控制

为实现机器人关节位置镇定和轨迹跟踪控制,控制律的设计须针对确定的机器人动力学模型,由于机器人结构参数、作业环境的外界干扰及结构振动等不确定性因素的存在,会造成机器人动力学模型不确定.为此,设计3个RBF神经网络分别对不确定机器人模型中的3个不确定项进行分块建模,得到机器人估计模型,神经网络的权值采用自适应算法.针对机器人估计模型设计PI鲁棒滑模控制律.将所设计的控制器用于三关节机器人的三个关节的力矩控制,研究结果表明:三关节均约在1 s时达到期望位置和跟踪期望轨迹,镇定误差和跟踪误差也快速、稳定地趋于零.通过定义基于积分型的Lyapunov函数,利用Lyapunov稳定性理论证明了控制系统是全局渐近稳定的.     

基于模糊PI控制的穿戴式上肢康复机器人

为了加速患有运动功能障碍的患者上肢伸展功能的康复,研制出基于模糊PI控制的穿戴式上肢康复机器人.该上肢机器人借助结合眼动跟踪仪的虚拟现实平台通过气动肌肉驱动实现上肢的康复训练,采用模糊PI控制器对机器人实施位置控制.实验通过受试者穿戴该上肢机器人完成各关节的轨迹跟踪来检测模糊PI控制的效果.实验结果证明:模糊PI控制响应速度较快,轨迹跟踪误差较小,实用性较好.     

非线性系统开闭环PID型迭代学习控制的收敛性分析

针对一类参数未知非线性的迭代学习控制问题提出了一种开闭环PID型迭代学习控制律,这种迭代学习律同时利用了系统当前的跟踪误差和前次迭代控制的跟踪误差修正控制作用,给出了迭代学习控制算法收敛的充分性条件.分析表明,所给出的迭代学习控制律推广了现有的结果.     

具有扩散耦合偏微分时滞系统的学习跟踪控制

对具有空间扩散耦合偏微分时滞系统,采用迭代学习控制算法研究其输出轨迹跟踪的问题。基于超向量法对N个具有空间扩散耦合的偏微分时滞系统进行转化,得到与其等价的系统模型,再对该等价的学习系统设计开闭环P型迭代学习控制律,给出了学习系统跟踪误差在L~2范数意义下收敛的条件。最后,通过两个具有扩散耦合的偏微分时滞系统的数值仿真,验证了所提出算法和结论的有效性。     

基于模型分块逼近的三关节机器人鲁棒滑模控制

三关节机器人结构参数、作业环境的外界干扰及结构振动等不确定因素均会造成其动力学模型不确定,导致机器人关节位置镇定或轨迹跟踪控制器的设计具有一定的难度。为此,设计三个RBF(Radical Basis Function)神经网络分别对机器人不确定模型中的三个不确定项进行分块逼近,得到三个不确定项的估计信息,从而得出机器人估计模型,神经网络的权值采用适应算法。针对机器人估计模型设计鲁棒滑模控制律,其中鲁棒项用于克服神经网络建模误差。通过定义Lyapunov函数,证明了控制系统是稳定的。实验结果也表明了三关节均约在1s时达到期望位置或跟踪期望轨迹,位置镇定误差或轨迹跟踪误差也快速、稳定地趋于零。     

基于遗传-鲸鱼优化的SCARA自适应迭代学习控制

针对SCARA重复运动后的轨迹会出现偏差的问题,给出了一种基于改进鲸鱼算法的自适应迭代学习优化控制策略。根据SCARA驱动方程,设计了动力学系统的迭代学习控制律。由于鲸鱼算法收敛速度慢,利用遗传算法与鲸鱼算法结合,提高算法的全局搜索能力。对机械臂控制器参数K_P、K_D进行寻优。实验结果表明,该算法灵活性好,对系统期望轨迹具有较高的跟踪精度,有效降低了双关节机械臂的位置、速度跟踪误差,具有较强的可行性与有效性。     

基于趋近律的力矩电机终端滑模轨迹跟踪控制

针对终端滑模控制的抖振及收敛缓慢问题,提出一种基于改进趋近律的快速非奇异终端滑模控制(FNTSM)策略,将提出的控制策略应用于直流力矩电机的跟踪控制,设计了FNTSM轨迹跟踪控制器.仿真结果表明:在负载扰动力矩影响下,该算法能有效地抑制抖振,准确跟踪目标轨迹,使跟踪误差在有限时间内收敛到零;此外,与基于指数趋近律、快速平滑趋近律的普通非奇异终端滑模相比,具有更好的趋近性能和更快的收敛速度,验证了所提算法的有效性和优越性.     

含有初始误差的线性连续系统的一种迭代学习控制方法

针对线性连续系统迭代学习控制中含有固定初始误差的情形,利用二维系统理论检出了一个带有初始误差修正的迭代学习控制方案和这种迭代学习控制规律收敛的条件,并说明由此设计的迭代学习控制器简单有效,可实现在初始时间段以外部分对期望转变的安全跟踪。     

基于迭代学习控制算法的下肢外骨骼机器人跟随特性

目前下肢外骨骼机器人存在的运动控制算法追踪人体髋关节和膝关节期望轨迹时存在误差,从而导致人机系统随动性能差。因此,提出迭代学习控制算法追踪人体髋关节和膝关节期望轨迹。首先,结合人体下肢结构分析,建立下肢外骨骼机器人动力学模型;其次,基于迭代学习控制算法建立下肢外骨骼机器人随动控制模型;最后,利用Matlab软件设计指数变增益闭环D型运动控制系统,分析收敛速度与谱半径的关系,追踪得到人体下肢髋关节和膝关节期望轨迹。仿真结果表明该算法能够有效提高下肢外骨骼机器人步态轨迹跟踪精度,提升人机系统随动性能。     

基于神经网络参数优化的迭代学习控制算法

针对迭代学习控制用于轨迹跟踪时存在收敛速度慢的问题,提出用RBF网络优化迭代控制器参数的算法.在每一次迭代学习过程之后利用RBF网络对当次输出的数据进行优化计算,拟合出最优的学习增益,使迭代学习算法具有较快的收敛速度,在单关节机器人中进行仿真验证了方法的有效性.     

一种机器人轨迹跟踪控制的迭代学习方法

针对机器人轨迹跟踪控制,提出了一种改进的D型迭代学习控制律.通过推导得出在机器人操作臂轨迹控制中的开环迭代学习控制律,得出的控制律除了利用机器人的关节位置及关节速度信息外,还引入了机器人的关节角加速度.另外,利用控制律中的机器人关节角加速度构成的学习律在二关节操作臂上进行了试验并且与Arimoto等提出的D型学习律进行了比较,结果表明所提出的控制律具有较高的学习速度.     

网络控制系统中迭代学习控制算法的鲁棒收敛性分析

针对网络控制系统中受输入扰动和初态干扰的非线性系统,提出了一种迭代学习控制算法,讨论了输出数据丢失情况下系统输出对期望轨迹的跟踪问题。采用一个概率已知的随机贝努利序列来描述网络控制系统中的数据丢失现象,即如果输出数据没有丢失,则利用跟踪误差来修正上一次迭代学习时的控制量,从而获得系统当前控制量;如果存在输出数据丢失现象,则系统当前控制量保持上一次迭代时的控制量不变。给出了保证算法收敛的充分条件。从理论上证明了系统满足给定的收敛条件时,在数据丢失网络环境下具有输入扰动、初态扰动的被控系统随迭代学习次数的增加,系统输出除初始点以外都能够收敛于期望轨迹。通过仿真算例进一步验证了所提方法的有效性。     

行走机器人控制策略与开闭环学习控制

主从式双腿协调控制用于异构双腿行走机器人可减少规划量,控制的关键是步态轨迹跟踪.仿生膝关节使机器人步态更加仿人;但仿生腿模型复杂,跟随人工腿步态控制困难.P型开闭环迭代学习控制结合开环和闭环学习控制优点,不依赖于模型,适用于复杂机器人轨迹跟踪控制.从开闭环结合角度,证明了算法收敛性.算法在虚拟样机上的仿真表明算法有效、鲁棒性好且收敛速度优于单独开或闭环学习控制.     

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.     

基于迭代学习控制算法的下肢外骨骼机器人跟随特性研究

目前下肢外骨骼机器人存在的运动控制算法追踪人体髋关节和膝关节期望轨迹时存在误差,从而导致人机系统随动性能差。因此,本文提出迭代学习控制算法追踪人体髋关节和膝关节期望轨迹。首先,结合人体下肢结构分析,建立下肢外骨骼机器人动力学模型;其次,基于迭代学习控制算法建立下肢外骨骼机器人随动控制模型;最后,利用Matlab软件设计指数变增益闭环D型运动控制系统,分析收敛速度与谱半径的关系,追踪得到人体下肢髋关节和膝关节期望轨迹。仿真结果表明该算法能够有效提高下肢外骨骼机器人步态轨迹跟踪精度,提升人机系统随动性能。     

基于模糊迭代算法的曲面恒力跟踪

针对机器人末端执行器对曲面轮廓跟踪时难以得到恒定跟踪力的问题,对机器人末端执行器和曲面轮廓的接触力进行了研究,建立了研究对象曲面法向力和已知传感器坐标系的映射关系,提出了一种模糊迭代算法.模糊迭代算法不需要得到系统内部传递函数,简化了建模设计,同时,模糊迭代算法根据上次实验力误差以及误差变化量模糊补偿机器人的轨迹,加快了收敛速度,文中在理论上证明了模糊迭代算法有界收敛.实验结果显示:接触力的波动范围在±3 N之内,验证了此算法的可行性,相比于传统的比例微分(PD)算法,接触力误差波动的均方差减少了42%;相比于未进行模糊补偿的算法,在所选择的时间段内迭代周期至少减了1次.