模糊迭代学习在单关节机器人运动控制中的应用

提出一种迭代学习控制和模糊控制相结合的策略.利用模糊补偿来增加迭代学习控制的收敛速度和保证系统的稳定性,并对单关节机器人模型进行仿真.仿真结果表明,该模糊迭代学习控制系统在第一个学习周期内的误差值明显减小,输出误差也逐渐减小,跟踪性能总体上有了很大的改善,跟踪精度显著提高.     

机器人模糊学习控制

针对机器人轨迹跟踪控制问题,提出一种模糊学习算法,并设计出结构合理的模糊学习控制器,该控制器通过自身从过去趋向的学习能力可自动调整其模糊控制规则。将这种方法用于一个两自由度机械手的控制,仿真结果显示控制效果良好,所提出的控制器比惯用的模糊控制器展示出更良好的应用前景。     

机器人跟踪的迭代学习控制方法

针对机器人跟踪控制问题,提出一种改进的D型迭代学习控制律,给出迭代学习控制算法的充分条件和必要条件.该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.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试验并且与D类学习律进行比较.仿真结果表明,该方法能大大提高学习速度,具有良好的控制性能.     

多关节机器人的自学习模糊全局滑模控制

针对模型不确定性多关节机器人的轨迹跟踪控制问题,研究多关节机器人全局滑模控制,为了削弱系统在滑动模态上的抖振,将模糊控制和全局滑模控制相结合,提出一种自学习模糊全局滑模控制方法.该方法利用模糊系统的输出代替全局滑模控制中的非连续开关切换量,并根据滑模变结构原理,设计自学习算法,动态调整模糊隶属函数的参数.通过对2关节机器人的仿真,结果表明在存在模型误差和外部扰动的情况下,该方法既能达到快速跟踪,又能很好地消除控制器的抖振.     

改进的 PD 迭代学习算法及在机器人二维运动控制中的应用

提出一种改进的ＰＤ型迭代学习控制算法,讨论了学习因子的优化选取方法。并对机器人二维运动控制进行了仿真。仿真结果表明：该控制方法应用于机器人二维轨迹控制简单易行,效果较好。     

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.     

模糊迭代学习方法及高层建筑结构地震响应控制的数值模拟

结合自校正控制、模糊逻辑和迭代学习控制的基本思想,提出采用自整定模糊控制确定迭代学习律的方法,提高了迭代学习控制的鲁棒性。选取建筑结构振动控制Benchmark第二阶段的地震作用Benchmark模型作为研究对象,进行模糊迭代学习控制地震响应仿真计算,结果表明该方法能够对Benchmark模型的地震响应进行有效控制,而且具有学习控制律简单实用、跟踪精度高、鲁棒性强等优点。     

迭代学习控制在T-S模糊系统终端控制问题中的应用

针对T-S模糊系统的终端控制问题,提出了一种基于正交多项式的迭代学习算法.该算法把待求控制量表示为一组正交多项式的线性组合,将求控制量问题转化为求正交多项式系数问题.在此基础上,用迭代学习的方式来修正控制量的正交多项式系数,并采用LMI方法求解学习增益矩阵.最后,以单关节机器人为例说明了所提算法的有效性.     

空间三关节机器人自适应双模糊滑模控制

为了提高空间三关节机器人轨迹跟踪控制性能,提出了一种带双模糊自适应控制的滑模控制新方法.该方法将滑模控制器分为等效控制和切换控制两部分.采用一个模糊自适应控制器,根据滑模到达条件对切换增益进行有效估计.采用另一个模糊自适应控制器,根据滑模面来调整切换控制项.这些控制器结合起来消除了抖振,提高了控制性能.系统的稳定性通过李亚普诺夫定理证明.最后进行了仿真实验,并与其他方法进行了对比分析.结果表明所提方法是有效的.     

模糊控制在机器人位置控制中的应用

关节角A的控制是机器人位置控制技术中至关重要的环节，为此研究了利用模糊原理对关节角速度控制的一类问题，首先给出一类机器控制位置模型，然后利用模糊函数规则进行模糊控制器设计。通过仿真显示，本文案为机器人位置控制臂提供了新的控制途径，也拓宽了模糊控制原理的应用领域。     

基于模糊控制的足球机器人同步协调控制研究

在比赛中，足球机器人一直处于高速运动状态，因而对其运动协调性和响应的快速性要求较高。为此，本文分析了影响足球机器人运动协调性差的原因，针对其运动的特点，提出了利用模糊系统调节PID控制器的增益的方法。实验表明，本方法在改善足球机器人动态协调性方面还是可行的。     

基于行为建模的机器人混合模糊-神经控制方法

本文提出了一种设计机器人模糊－神经控制器的新方法。因为模糊逻辑控制器的控制信号是由系统的响应行为而不是由其分析模型决定的，所以机器人的开环响应可以用一系列二阶系统来描述。然后，用Ｎｅｌｄｅｒ－Ｍｅａｄ单纯形算法离线优化与该系统相关的模糊逻辑控制器的参数，并用人工神经网络来训练开环响应与这些优化了的参数之间的匹配关系。该方法的优点在于当它用于设计模糊－神经控制器时，在自适应过程中不必考虑收敛问题     

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。     

深海集矿机器人的自修正专家模糊控制

深海底自行走履带集矿机器人作业过程, 受作业环境和集矿机器人自身的影响, 具有未知性、随机性、非线性等特性. 针对该复杂控制过程, 采用一种基于自修正专家模糊控制的路径跟踪控制方案, 控制深海履带机器人行走. 该方案参考履带车辆转向运动学方程, 结合深海集矿机器人工况参数和作业环境, 将履带车辆人工操作经验整合为专家规则, 构成专家系统, 实现机器车绝对速度和方位角的闭环控制;采用具自调整功能的模糊算法, 对深海底履带集矿机器人的左、右履带速度进行控制. 仿真结果验证了该方案的可行性和有效性.     

参数自调模糊控制方法在机器人中的应用

设计了用于水下船体表面清刷机器人系统运动控制的参数自调整模糊控制器,仿真结果表明,通过调整模糊控制器的参数K1,K2和K3,使机器人系统具有良好的鲁棒性,满足机器人控制性能要求．     

线性广义系统的D型迭代学习控制

根据误差收敛准则,提出了线性广义系统的迭代学习控制算法,利用矩阵理论及不等式技巧给出了线性定常广义系统在D型学习律作用下的迭代控制收敛性结果,这一结果是全新的,其对时变系统也成立;另外,针对线性定常广义离散时间系统,给出了一种通过最优化目标函数确定控制器参数的设计方法.