神经网络直接自适应控制器的设计与实现

柔性机器人在受限运动时由于控制对象极其复杂而难以控制。为了解决受限柔性机器人机械臂难以精确定位问题提出并设计了一种神经网络直接自适应控制器。其控制效果在研究的受限柔性机器人控制实验上作了仿真与实验。结果表明该控制器能经较高精度控制受限柔性机器人的机械臂精确定位。本文是深入研究受限柔性机器人控制问题的基础。     

一类带有监控器的自适应模糊神经网络机器人跟踪控制

提出一种自适应模糊神经网络(FNN)监督控制方案。该方案在FNN控制器的基础上串联一个监督控制器,实现对系统的跟踪控制。监督控制器在FNN控制器不能维持系统稳定时发挥作用,从而确保了闭环系统的全局稳定性,且使系统具有良好的跟踪性能。并把此方案应用在机器人跟踪控制上。仿真结果表明了该控制方案的可行性。     

基于反步法的机器人鲁棒跟踪控制

针对不确定性机器人的跟踪控制问题,设计出了基于反步法的控制器。该方法首先将机器人动力学模型通过线性反馈得到了两个子系统,然后对每个子系统分别构造李雅普诺夫函数来保证渐近稳定,从而达到了对机器人系统跟踪误差渐近稳定控制的目的.最后以两关节机器人为例进行仿真,仿真结果表明基于反步法的控制器是有效的.     

机器人的自适应分散跟踪控制

提出了一种自适应分散控制策略,用于不确定性机器人的轨迹跟踪,该控制器结构简单,而且无需计算回归矩阵,通过对二自由度的机器人的仿真,证明该方法能使跟踪误差快速趋近于零.     

机器人的鲁棒自适应轨迹跟踪控制

针对存在参数不确定和外界扰动的机器人系统,提出了一种基于模糊控制的鲁棒自适应跟踪控制器设计方法.该方法基于Lyapunov稳定性理论,整个闭环系统渐近稳定.通过二自由度机械臂系统的计算机仿真结果验证了该方法的有效性,可用于不确定性机器人系统轨迹跟踪鲁棒控制.     

基于图像的PUMA560机器人视觉伺服控制分析

为了较好地解决PUMA560机器人视觉伺服控制系统中的控制精度问题,提出一种基于图像的自适应视觉伺服控制策略.该控制策略以机器人运动学与动力方程、参数估计以及控制器的设计为基础.新型控制器能够在机器人运动的同时,在线估计雅可比矩阵和摄像机相对机器人末端的变换矩阵中的未知参数,并进行稳定性分析.仿真与试验结果表明,该新型控制器使系统具有较强的动态特性和稳态特性,可得到理想的控制效果.     

轮履复合式农业机器人越避障控制研究

轮履复合式农业机器人具有行走灵活,通过能力强的特点,本文将模糊逻辑理论应用于轮履复合式农业机器人的越避障控制,设计了模糊控制器,建立了模糊控制规则,MATLAB仿真实验证明,该控制器可有效控制机器人攀越和避过障碍物.     

基于人手遥控学习的旋翼飞行机器人控制研究

传统旋翼飞行机器人控制方法首先需要建立本体的动力学模型,然后根据该模型进行控制器设计。但由于旋翼飞行机器人系统具有强非线性,很难得到精确模型,因此增加了控制器的设计难度。本文以人的遥控过程为研究对象分析熟练操作手和不熟练操作手两类人进行操作的过程,分别设计了可反映操作手能力水平的熟练控制器和不熟练控制器,通过分析比较建立了具有熟练操作手特点的旋翼飞行机器人单通道PD控制系统。仿真实验表明,该控制器可以使旋翼飞行机器人在悬停、前飞和侧飞3种状态下实现姿态稳定控制。     

6-DOF并联机器人分散变结构控制研究

针对6-DOF并联机器人的非线性和强耦合特性，首先将机器人模型化为正则型，然后对每个子系统设计了变结构控制器，即构成分散变结构控制系统。该控制器实现了对系统的镇定和解耦。仿真结果证明了控制器的有效性。     

喷涂机器人关节的PID自适应模型

针对喷涂机器人各关节传递函数的时变性,建立了一种比例积分微分(PID)控制器参数自整定模型.首先,对喷涂机器人进行动力学分析,应用数值法简化关节动力学方程,建立各关节的传递函数;在此基础上,通过试验,设计在不同位置的PID控制器,获取相应的PID参数,并应用最小二乘法建立PID参数与关节转角位置的数学模型;最终利用该模型设计了下一时刻关节的PID控制器,并进行了仿真试验.结果表明,基于该模型设计的PID控制器响应速度快,机器人的位置精度小于±0.1mm,基本可满足喷涂作业要求.     

基于动态滑模控制的移动机械臂输出跟踪控制

为实现移动机械臂的输出跟踪控制,设计了一种动态滑模控制器．文中首先给出了包括驱动电机动态特性的移动机械臂简化动态模型,然后通过微分同胚和非线性输入变换将系统分解为4个低阶子系统,并给出了用于移动机械臂输出跟踪的动态滑模控制器的设计方法．仿真结果表明,所设计的动态滑模控制器不仅能很好地跟踪给定轨迹,而且能有效地削弱滑模控制系统的抖振．     

Neuro-Sliding-Mode Control of Flexible-Link Manipulators Based on Singularly Perturbed Model

A neuro-sliding-mode control (NSMC) strategy was developed to handle the complex nonlinear dynamics and model uncertainties of flexible-link manipulators. A composite controller was designed based on a singularly perturbed model of flexible-link manipulators when the rigid motion and flexible motion are decoupled. The NSMC is employed to control the slow subsystem to track a desired trajectory with a traditional sliding mode controller to stabilize the fast subsystem which represents the link vibrations. A stability analysis of the flexible modes is also given. Simulations confirm that the NSMC performs better than the traditional sliding-mode control for controlling flexible-link manipulators. The control strategy not only gives good tracking performance for the joint angle, but also effectively suppresses endpoint vibrations. The simulations also show that the control strategy has a strong self-adaptive ability for controlling manipulators with different parameters.     

受限双连杆柔性臂力/位置鲁棒控制

研究了受约束双连杆柔性臂的力／位置鲁棒控制。基于假设模态法导出受约束双连杆柔性臂系统的动力学方程，利用奇异摄动理论将其分解为慢变和快变两个子系统。针对慢子系统，基于力反馈设计了动态混合控制器；针对快子系统，设计带低通特性的最优控制器。由此得到的组合控制使柔性臂的末端轨迹和接触力得到精确控制。仿真结果表明该方法的有效性。     

基于滑动模态的柔性臂的鲁棒自适应PD控制器

讨论了柔性臂的轨迹跟踪问题.应用奇异摄动理论将柔性臂的动力学方程分解成两个降维的子系统,并分别采用鲁棒自适应PD控制和最优控制.仿真结果表明,这种混合控制策略不但可以快速、准确地跟踪给定轨迹,而且解决了传统PD控制中初始力矩过大的问题,并具有很强的鲁棒性.     

基于神经网络的空间柔性机械臂PID快速学习控制

针对自由漂浮柔性空间机器人的轨迹跟踪问题,提出一种径向基函数（RBF）神经网络控制策略.首先建立漂浮基柔性空间机器人的非线性动力学方程,考虑到RBF神经网络良好的逼近能力,柔性臂的非线性逆动力学模型通过RBF网络来逼近,采用PID控制器与神经网络控制器来共同保证系统稳定性,其误差代价函数由PID控制器提供,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整来实现快速学习能力.仿真结果表明了这种RBF神经控制器能够达到较快的误差收敛速度.     

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．     

多变量最小拍控制及其用于抑制机械手振动的研究

本文研究了多变量最小拍控制原理,给出了多变量开环系统最小拍控制值的计算公式,对多变量闭环系统最小拍控制的物理意义作了进一步的论证.着重研究将最小拍控制用于抑制机械手振动的思想和控制方法的建立,并给出了在计算机上伤真及在装置上的试验结果.     

非结构型不确定性机器人的鲁棒控制

本文研究具有非结构型不确定性机器人的鲁棒控制问题，提出了一种新的鲁棒控制方案。控制器由两部分组成：第一部分为基于标称模型设计的计算力矩控制器；第一部分为基于Ｌｙａｐｕｎｏｖ方法设计的鲁棒补偿控制器，其作用是消除不确定性对跟踪性能的影响．本文证明了闭环系统的全局收敛性、仿真结果表明本方法对于存在外扰和模型不确定性的机器人系统是十分有效的。     

基于RBF网络的机械手迭代学习控制器

针对迭代学习控制用于机械手轨迹跟踪时存在的收敛速度慢的问题,提出了一种基于RBF网络的迭代学习控制器,利用先前跟踪不同期望轨迹所得的经验构造新的初始控制量以加快收敛速度.将给定的期望跟踪轨迹分解成多个查询点,然后用RBF网络对每个查询点周围最邻近的k个数据点进行拟合以建立系统的逆动力学特性估计,进而预测相应于查询点的初始控制输入.为验证所提方法的有效性,对一平面双连杆机械手进行了仿真研究.     

智能自校正多模态轨迹跟踪控制

对于类似于机械手的运动轨迹跟踪和定位控制,为了获得良好的跟踪性能和定位精度,针对复杂多变的被控对象,运用智能控制理论,引入对象过程特征和行为特征的概念,以对象的过程特征状态和行为特征状态为条件元素,构造了1个分层递阶高阶产生式跟踪控制系统结构.系统在运行过程中通过对对象的过程特征和行为特征辨识,实现控制器参数的自动调节和多模态控制.为了具体实现该系统结构的应用,建立用于过程特征辨识、参数校正和控制决策的特征模型,以及从过程特征状态集、行为特征状态集到参数校正模态集和控制决策模态集的映射关系.针对机械手的运动特性进行了仿真研究,仿真结果表明,该系统结构具有较强的鲁棒性,是一种行之有效的方法.