基于模糊控制的机器人视觉伺服系统

将模糊控制应用于机器人视觉伺服系统,利用模糊控制不依赖于对象模型和鲁棒性强的优点来克服机器人视觉伺服系统的时变性、强耦合和非线性等因素的影响。实验结果表明基于模糊控制的机器人视觉伺服系统具有较快的响应速度和较强的鲁棒性。     

一种用于机器人视觉伺服系统的参数自适应模糊控制器

提出了一种用于机器人视觉伺服系统的参数自适应模糊控制器,使得模糊控制规则可以得到实时在线的调整。仿真结果表明基于参数自适应模糊控制器的机器人视觉伺服系统的性能较一般模糊控制机器人视觉伺服系统有了较大的改善。     

变电站机器人视觉伺服系统研究

变电站巡检机器人替代人工巡检变电站设备,主要是机器人携带CCD摄像仪和红外成像仪,在固定点对目标设备的状态进行检测。由于机器人的定位误差和机器人本体自由度的误差,会造成机器人到固定点取图像时巡检目标偏移甚至丢失。采用Adaboost图像识别分类方法和光学成像原理组成视觉伺服控制系统,对机器人进行调整,使巡检目标保持在图像的中心位置。实验结果表明,机器人视觉伺服系统能有效避免机器人定位和自身误差带来巡检目标偏移和丢失的影响。     

基于模糊遗传算法的电液位置伺服系统控制

电液位置伺服板簧实验系统是一个典型的非线性系统，采用传统的PID控制策略难以获得较好的控制效果。基于遗传算法的模糊遗传算法，利用遗传算法强大的空间搜索能力，对模糊隶属函数进行优化。仿真结果表明：该算法在电液位置伺服系统控制中取得了响应速度快、稳定性优越的效果。     

基于视觉传感器的移动焊接机器人测控系统

设计焊枪侧置的轮式移动焊接机器人并搭建基于虚拟仪器的移动焊接机器人测控系统.在分析移动焊接机器人特点的基础上,设计由PC,NI-PCI7344,NI-DAQ6015以及图像采集卡等组成的硬件系统结构,采用LabVIEW编程平台编制测控系统软件.设计自适应模糊控制器和高斯基模糊神经网络控制器对十字滑块和车轮进行协调控制.采用高斯函数作为模糊神经网络的隶属函数,利用BP算法实现模糊隶属函数和控制规则的在线修改.实验结果表明:该测控系统运行稳定可靠,其跟踪精度可始终控制在-0.4～0.4n'mm以内,满足实际焊接工程的需要.     

基于模糊统计的隶属函数神经网络实现方法

采用模糊统计方法获得有限对离散的隶属函数关系，并用神经网络将此关系综合成连续函数表达形式。这一方法进一步完善了隶属函数的统计求法，丰富了经典插值方法，有利于模糊数学理论应用于希望实现并行处理的模式识别等研究领域。     

基于视觉的机器人模糊自适应阻抗控制

对未知环境下具有6个自由度工业机器人的视觉/力反馈混合控制进行研究.首先,建立被跟踪曲线图像特征与机器人关节角度的映射关系;其次,由机器人离散阻抗控制规律描述机器人末端在受限表面移动时与受限表面产生连续接触的条件,并根据接触力的变化对阻抗模型参数进行模糊调节;最后,在未知物体表面对末端固定安装单摄像机和力传感器的6个自由度机器人进行力跟踪试验研究.研究结果表明:该阻抗控制具有较强的未知物体表面曲线跟踪能力和较高的力控制精度,曲线跟踪算法简单,不要求对视觉传感器进行精确标定,模糊控制器实时地调整阻抗参数,使系统稳定而且具有良好的动态品质,是一种有效的视觉/力反馈混合控制方法.     

基于BP神经网络的机器人视觉控制方法

利用BP神经网络实现了基于图像的机器人视觉伺服控制器,省略了计算图像雅可比矩阵和机器人雅可比矩阵的过程,简化了控制算法的计算,训练样本和测试样本取自RBT-6T/S04S机器人实际运动,设计6个BP神经网络来实现图像空间与机器人空间的非线性映射关系,仿真结果显示神经网络控制器具有良好的定位跟踪效果,在保证精度的条件下简化了算法.将训练好的神经网络控制器用于视觉伺服系统中引导机器人到达目标物体,达到了较好的效果.     

一种基于模糊神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络,并将其应用于两关节机械手轨迹跟踪控制。该网络采用三角形隶属度函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理。这种模糊神经网络能够在线调节输出隶属度函数中心以及关节间耦合权值,使得控制器具有更好的学习与自适应能力。仿真结果表明,这种网络能很好的用于机器人的轨迹跟踪控制中,是一种行之有效的控制方法。     

动态环境中基于模糊神经网络的机器人路径规划的一种新方法

动态环境中，移动机器人的动态路径规划是一个较难解决的课题，提出了一种基于模糊要领的动态环境模型和在此模型基础上结合模糊神经网络的机器人路径规划方法。这种方法利用动态环境中物体的信息动态调整模糊神经网络的权值，加快整个神经网络的收敛速度，以达到对机器人的下一步动作进行动态控制的目的。该方法充分挖掘了应用人工神经网络、模糊推理解决移动机器人动态路径规划的潜力，通过计算机仿真表明该控制方法具有良好的动态路径规划能力。     

基于BP神经网络-模糊控制的机器人无标定视觉伺服技术

针对机器人无标定视觉伺服技术中图像雅可比矩阵在线估计存在计算复杂的问题,提出了一种结合BP神经网络和模糊控制策略的机器人控制技术。本文以多自由度智能调节系统为例,提出其视觉伺服控制架构,根据工业场景数据集训练BP神经网络,采用本文所提算法进行法兰对中实验,帮助解决核电站蒸汽发生器人孔螺栓咬死问题。在方法层面,首先,利用BP神经网络建立图像特征信息与机器人多自由度运动之间的映射关系,之后,提出模糊控制方法根据图像特征偏差进行机器人位姿的精确调整。实验结果表明,本文提出的算法能够有效应用于无标定视觉伺服控制,最终法兰平均对中误差在±1mm内,平均耗时43秒,满足应用需求,具有较高的工作效率。     

基于PSO-GA-BP神经网络的视觉伺服控制系统

传统的基于图像视觉伺服控制需要计算雅可比矩阵和解雅克比矩阵的逆,其结构复杂、计算量大且系统 的实时性不够理想。基于粒子群遗传算法优化的 BP(Back Propagation)神经网络(PSO-GA-BP: Particle Swarm Optimization-Genetic Algorithm-BP)通过学习图像特征空间到机器人运动空间的映射关系,实现了“眼在手上”的 机器人视觉伺服控制,通过优化 BP 神经网络的权值和阈值,防止了其训练时间长、收敛速度慢等弊端。实验 结果表明,优化后的算法运算效率较高,所设计的控制器能使机器人末端执行器在更短的时间内达到预期位 置,图像特征点运动位置的实际值与期望值平均误差约为 2 个像素,具有良好的收敛速度和控制精度。相关结 论可为机器人视觉伺服控制提供优化依据,提高算法的应用性能。     

用于机器手控制的动态模糊神经网络

为解决模糊控制中存在的区域界定问题,将神经网络与模糊控制相结合,提出了一种新的模糊逻辑与神经网络相结合的动态模糊神经网络机器人控制方案(DFNN),并利用采样数据在线动态构造模糊神经系统.仿真结果表明,DFNN系统地很好地克服机器人系统中存在的非线性、不确定性、强耦合等因素的影响,控制效果好,为工业机器人控制提供了一种新的解决方案.     

基于补偿模糊神经网络的BLDCM伺服控制

为了实现无刷直流电机(BLDCM)位置伺服系统的高精度位置跟踪控制,针对系统多变量、非线性、强耦合、时变的特点,提出了一种基于补偿模糊神经网络控制器(CFNNC)的设计方法.该控制器将补偿模糊逻辑和神经网络相结合,引入了模糊神经元,使网络既能适当调整输入、输出模糊隶属函数,又能借助于补偿逻辑算法动态地优化模糊推理,大大提高了网络的容错性、稳定性和训练速度.仿真和在DSP控制系统上的实验结果表明,采用补偿模糊神经网络控制器,系统响应快、精度高、鲁棒性强,动态特性明显优于传统PID控制.     

基于模糊控制的直流无刷伺服控制系统

主要研究了采用模糊算法且要求运行更快更精确的微机控制直流无刷伺服系统，分析了模糊控制器在伺服系统中稳态误差、调节时间和响应时间方面的性能。采用DSP数字处理器实现伺服控制，用MatLab语言仿真了模糊控制的响应，并且提出了PI控制加模糊控制的算法。     

改进的模糊Min-Max神经网络与模糊系统建模

应用改进的广义模糊Min—Max神经网络进行样本分类，并以此分类结果确定模糊系统所需的模糊规则数，再运用TSK模糊系统实现函数建模，该方法的优势在于，改进的广义模糊Min—Max神经网络具有较好的自适应分类能力，可用来初步确定模糊规则数和规则空间的划分。有效避免了模糊建模时常见的规则数选取之随意性，实验结果证明，该方法实用有效。     

基于模糊PID控制的火炮随动系统

常规的PID控制技术已经很成熟,但对于大质量的随动系统,常规的PID控制技术不能满足理想的控制效果。针对这个问题,采用了模糊PID控制完成了火炮随动系统的控制设计,并建立数学仿真模型。仿真结果表明文中设计的算法要比常规的PID算法精度高,鲁棒性好。     

神经模糊逻辑控制系统隶属函数和推理规则的确定

针对当前开发模糊控制系统的一个难点——发现最优的隶属函数和模糊规则，研究了利用神经元网络的学习能力，从历史数据中发现隶属函数和模糊规则，在一定程度上减轻了系统开发工作量，克服了由于缺乏经验而可能造成的偏差．文中采用了三个学习算法：Ｋｏｈｏ－ｎｅｎ自组织算法、有监督的竞争算法以及ＢＰ算法，设计了一个二输入一输出的程序，并提供了运行结果