崔文[1]2016年在《多连杆柔性关节机器人的动力学与控制算法研究》文中研究表明随着机器人的应用领域日益扩大,许多行业对机器人的控制精度与性能要求也越来越高。大量实验与研究表明,关节柔性是制约机器人高精度控制的关键因素,而精确的动力学模型是实现机器人高精度控制的基础。因此,研究柔性关节机器人的动力学与控制算法具有非常重要的意义。本文以多连杆柔性关节机器人为研究对象,以其动力学模型为基础,递进地研究了几种高精度控制算法。首先在Spong假设的基础上,运用凯恩方法建立了传动比不为1的多连杆柔性关节机器人的动力学方程,并在Adams中运用速比折合的方法建立了虚拟样机模型,从而为多连杆柔性关节机器人的控制提供了依据。其次,为了消除对关节柔性大小的限制以及加速度反馈信息的需要,对反演控制算法进行了研究。在动力学模型精确已知的情况下,充分利用动力学性质设计了基本反演控制算法。在动力学模型未知或不精确的情况下,设计了一种新型神经网络自适应反演控制算法。该算法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,并根据李亚普诺夫函数设计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。然后,为了消除反演控制过程中“微分爆炸”现象,对动态面控制算法进行了研究。在动力学模型精确已知的情况下,以基本反演方法为基础,设计了基本动态面控制算法。在动力学模型未知或不精确的情况下,提出了一种无需神经网络的自适应动态面控制算法。该算法将模型未知项表示成惯性参数的线性形式并对这些惯性参数进行估计,同时利用动态面方法引入一阶滤波器消除高阶微分项,并根据李亚普诺夫函数稳定性设计这些惯性参数的自适应律,从而实现多连杆柔性关节机器人的关节轨迹跟踪控制。最后,运用Adams进行柔性关节机器人的动力学仿真,仿真结果证明了所建的凯恩动力学方程的正确性;运用S函数在Matlab的Simulink模块中构造控制系统并进行以上所提控制算法的仿真,仿真结果证明了所提控制算法的有效性;运用Matlab与Adams进行联合仿真,证明了反演法可用于实际控制,并具有很好的控制效果。
洪昭斌[2]2011年在《漂浮基刚、柔混合空间机器人系统智能控制研究》文中认为随着空间探索的深入，空间机器人将发挥越来越重要的作用。柔性臂空间机器人系统更是由于具有诸多优点而成为近二十年来空间机器人研究领域的热点。为了保证控制器的控制精度，在为柔性臂空间机器人系统进行轨迹跟踪控制器设计时必须同时考虑对柔性振动的抑制。针对系统惯性参数存在不确定或未知的情况下，研究了漂浮基刚、柔空间机器人系统的建模、轨迹跟踪控制问题，并系统地研究了柔性空间机器人系统的振动主动抑制问题。首先使用拉格朗日方程和假设模态法分别建立了刚、柔空间机器人系统的动力学方程，通过研究分析发现，该系统动力学方程为选择的系统组合惯性参数的线性函数。其次为刚性双臂空间机器人系统分别设计了自适应控制、模糊神经网络控制和鲁棒自适应神经网络控制来保证机器人载体姿态、关节角和末端爪手的轨迹跟踪。自适应控制可以克服系统部分参数未知对控制器的影响；模糊神经网络控制则完全不需要预知系统惯性参数便可对空间机器人系统进行控制；鲁棒自适应神经网络控制则可更好地利用已知的系统参数。以上三种控制方案还具有不需要测量载体位置、移动速度、移动加速度的优点。再次，分别对柔性臂空间机器人系统柔性振动不主动控制、复合控制算法、奇异摄动法和混合轨迹控制算法进行了研究。当不对柔性振动进行主动控制时，计算力矩法和模糊神经网络控制均可保证系统刚性轨迹的跟踪，但系统同时存在着较大的振动现象。使用自适应控制算法对柔性振动进行抑制时，可以快速实时地抑制柔性振动，但该复合控制算法理论上会削弱刚性轨迹控制器的鲁棒性。利用奇异摄动法，可将柔性臂空间机器人系统分解为慢变、快变两个子系统，在两个时间尺度的假设下分别对其进行控制，从理论上解决了控制器直接叠加的问题。基于虚拟控制力观念，设计了同时反应柔性振动和刚性期望轨迹的混合期望轨迹，并基于该混合期望轨迹分别设计了滑模变结构控制和滑模神经网络控制，这种混合轨迹控制方案不会出现振动控制器影响轨迹控制器性能的问题。最后，对所设计的系统控制器进行数值仿真分析。仿真结果表明，所有轨迹跟踪控制器均能保证系统轨迹跟踪，柔性振动抑制方案均能对振动进行快速实时地抑制。
刘海涛[3]2012年在《工业机器人的高速高精度控制方法研究》文中提出随着工业机器人应用领域的不断扩大以及现代工业的快速发展，人们对工业机器人性能的要求越来越高，以进一步提高生产效率和产品质量，因此高速、高精度、智能和模块化成为目前工业机器人发展的主要趋势。工业机器人系统是一个强非线性、强耦合的多输入多输出的高度复杂系统，在高速运动的情况下，机器人的非线性动力学特性十分显著，并且实际存在的各种复杂不确性因素也严重影响着机器人的控制性能，因此对工业机器人的高速高精度控制方法进行研究具有重要的理论意义和实用价值。本文以六自由度的工业机器人为研究对象，对其工作空间的奇异点回避、动力学参数辨识和先进鲁棒控制技术等关键问题进行了系统深入的研究，主要内容如下：针对所设计的六自由度工业机器人的奇异问题，首先建立运动学模型进行奇异位形分析，提出了“奇异分离+指数级阻尼倒数”奇异域回避方法，保证了机器人高速运动的连续性和平稳性，并有效降低了在奇异点及其附近对机器人末端精度的影响。实际应用时直接从原逆雅可比矩阵中分离出奇异因子，并修改为所提出的阻尼表达式即可，计算简单。数值仿真验证了该方法的有效性和可行性。机器人动力学参数辨识是进行基于动力学模型的先进控制系统设计的基础，其估计精度直接影响机器人的控制性能。首先对工业机器人的动力学模型进行研究，推导了工业机器人的最小组合惯性参数和观测矩阵；其次为保证最小二乘法的估计精度和鲁棒性，提出了基于人工免疫克隆选择算法的激励轨迹优化方法，通过仿真验证了辨识结果的准确性。针对有限时间控制系统的鲁棒性问题，提出了鲁棒H∞有限时间稳定性概念及鲁棒H∞有限时间稳定性判定定理，并针对一类具有不确定性的非线性系统提出了一种鲁棒H∞有限时间控制器的设计方法，该方法不需要求解复杂的非线性HJI不等式（Hamilton-Jacobi-Isaacs Inequality）或Riccati方程。由于实际工作的工业机器人系统还会受到各种复杂的不确定性因素的影响，提出了工业机器人的鲁棒H∞有限时间控制器，从而一方面保证了跟踪误差的有限时间收敛，提高了响应速度和跟踪精度；另一方面保证了机器人系统对各种不确定性具有L2干扰抑制性能。仿真结果表明该控制器对时变干扰和突变干扰均具有较好的鲁棒性。利用Backstepping方法、终端滑模方法设计了具有鲁棒性的机器人有限时间控制器。研究基于Backstepping的机器人有限时间控制器设计方法，通过引入变结构项提高了有限时间稳定系统的鲁棒性；结合RBF神经网络的非线性映射能力，提出了一种鲁棒自适应神经网络有限时间控制器，克服了有限时间控制系统需要已知不确定性上界的要求；利用终端滑模控制的思想，设计了一种修正的神经网络有限时间控制器，在保证有限时间稳定的同时，消除了“抖振”现象。理论证明机器人闭环系统是有限时间稳定的，通过仿真验证了算法的有效性和可行性。针对机器人动力学模型完全未知的情况，采用时延信息有效估计机器人的非线性特性和外界干扰，提出了基于时延估计的机器人鲁棒H∞控制器，获得了对估计误差的L2干扰抑制性能；结合有限时间控制的优点，提出了基于时延估计的有限时间控制器，提高了响应速度和跟踪精度，通过数值仿真验证了两种算法的有效性和可行性。最后分析比较了鲁棒H∞有限时间控制、基于Backstepping方法的有限时间控制、鲁棒自适应神经网络有限时间控制和基于终端滑模的神经网络有限时间控制方法在工业机器人高速高精度跟踪控制应用方面的优缺点和异同点，特别在鲁棒性、瞬态特性和实现难度方面进行了分析比较，以方便选用。针对机器人运动学存在不确定性的情况，提出了模糊自适应滑模变结构控制器。机器人末端的运动轨迹是在工作空间进行规划却是通过驱动机器人各关节运动实现的，因此机器人几何参数的不确定性也会影响机器人末端的跟踪精度。该控制方法的基本思想是利用模糊逻辑系统的语言规则信息和学习逼近能力，自适应补偿机器人运动学和动力学不确定性，从而提高了机器人末端的跟踪精度，且无需在线实时估计机器人的运动学和动力学参数。提出了一种开放式多控制器的机器人控制系统智能结构，该结构便于进行参数辨识实验，并且控制系统可根据不同的工作任务和工作环境自动选择最佳的控制方案。最后为验证参数辨识方法和控制方法的工程有效性和可行性，搭建了机器人实验平台并进行试验研究。试验分两部分：第一部分为机器人的参数辨识试验，获得精确的机器人动力学模型；第二部分为轨迹跟踪控制试验，试验结果表明，所设计的控制器均能有效提高机器人系统的瞬态特性、跟踪精度和鲁棒性。
宋兴国[4]2015年在《轮式机器人的移动系统建模及基于模型学习的跟踪控制研究》文中指出随着移动机器人被赋予的任务需求及其接触环境的多样性不断增加,使其在执行任务过程中所面临的随机因素变得越来越多。轮式移动机器人作为本文的研究对象,目前所面临的主要困难包括:动态系统的高精度建模,对外界环境的认知,车轮与地面作用力学理论的实际应用等,这些因素通常导致机器人具有模型不确定性,给机器人的精确控制带来了很大难度,需要发展先进的控制方法来解决复杂系统的控制问题。为此,本文建立了复杂的轮式机器人系统模型,提出了先进的模型学习方法,并且基于模型学习方法研究了轮式移动机器人的跟踪控制问题。系统模型是机器人技术研究的基本工具,轮式机器人的运动学模型和动力学模型是解决其控制问题的基础。基于轮式机器人在硬质地面上的有非完整约束方程,建立了车轮纵向滑转和侧向滑移情况的机器人系统运动学与动力学模型。结合轮—地相互作用的地面力学方程和轮式机器人的运动学建模过程,建立了轮式机器人在松软斜坡上发生车轮滑转、侧偏和沉陷的动力学模型。轮式机器人系统模型的不确定性在很大程度上影响了跟踪控制的精度。为提高控制系统的精度,利用具有非线性特性的神经网络模型进行在线辨识,包括前馈的径向基函数(RBF)神经网络和递归神经网络的模型辨识。考虑到递归神经网络的隐层单元存在神经元再激励而产生时延现象,基于Lyapunov稳定性理论、线性矩阵不等式技巧和李代数性质,提出了时延递归神经网络全局渐近稳定和全局指数稳定的新判据。为应用观测数据辨识具有不确定性的机器人系统模型,研究了具有非参数化的高斯过程回归(GPR)模型,能够降低噪声对观测数据的影响,进而实现系统潜变量模型的高精度辨识。基于Cholesky分解的高斯过程模型更新方法保证了数据不断增多时的模型学习速度。根据监督型神经网络和高斯过程在贝叶斯回归问题上的相似性,建立了贝叶斯回归网络模型。根据局部学习理论提出了新颖的聚类算法,进而建立了局部贝叶斯回归网络(LBRN)。针对复杂系统的模型学习,LBRN具有学习速速快、辨识精度高和鲁棒性强的特点。为实现轮式机器人在硬质地面上的轨迹跟踪控制,应用模型学习方法设计了有效的控制律。针对具有模型参数不确定性的轮式机器人,应用RBF神经网络反馈误差学习算法设计轨迹跟踪控制器,其中神经网络对不确定的非线性动力学模型进行在线辨识,通过仿真实现了准确的轨迹跟踪控制。为降低车轮纵向滑转对轨迹跟踪的影响,建立了滑转参数计算公式,结合滑转参数补偿和神经网络设计控制器,通过仿真实现了车轮滑转的轨迹跟踪控制。车轮纵向滑转和侧向滑移耦合情况很难进行滑转和侧滑参数估计,利用局部贝叶斯回归网络方法对机器人打滑动力学模型进行离线辨识,通过仿真实现了基于打滑模型的轨迹跟踪控制。为实现轮式机器人在松软地面上发生车轮滑转、滑移和沉陷等情况的路径跟踪控制,结合地面力学理论和模型学习方法设计有效的跟踪控制律。分析轮—地作用力学模型和设计单轮实验平台,基于动态反向传播算法的递归神经网络模型在线辨识未知的地面参数。考虑到多参数耦合的轮—地作用力学模型在车轮驱动控制中很难直接应用,采用高斯过程回归方法和单轮实验平台的数据观测对实际需要的轮—地作用力学模型进行了辨识,实现了由车轮驱动力矩来控制车轮的滑转率、沉陷量和挂钩牵引力。针对松软地面上具有不确定性的复杂轮式机器人系统,建立了系统模型输入输出的映射关系式。应用局部贝叶斯回归网络方法进行模型辨识,并且建立了有效的控制器,通过仿真实现了松软地形上的路径跟踪控制。本文建立了轮式移动机器人的系统模型,分析了系统模型具有不确定性的复杂情况,研究了神经网络、高斯过程回归和局部贝叶斯回归网络的模型学习方法,并且应用于轮式移动机器人的控制系统设计,实现了机器人在不同地面上的准确跟踪控制。
彭金柱[5]2005年在《机器人轨迹跟踪的智能控制方法研究》文中认为智能控制理论是具有某些仿人智能的工程控制和信息处理的理论方法。机器人学集中了机械工程、电子工程、计算机工程、自动控制工程以及人工智能等多种学科的最新科研成果,是目前科技发展最活跃的领域之一。本文回顾了智能控制技术及其在机器人控制中应用的发展和现状。 在本文中,首先详细地介绍和分析了模糊控制的基本原理,并构造了机器人轨迹跟踪的模糊控制系统,它不依赖于对象的精确的数学模型,能有效地克服被控对象存在的非线性和不确定性的影响。然后,分析了一种基于正交最小二乘算法的径向基函数神经网络,并将其应用于机器人系统的辨识中,之后将模糊控制与神经网络结合起来,利用神经网络模拟模糊推理,使得神经网络具有了模糊推理和归纳能力。由于神经网络具有自学习的能力,又使得模糊神经网络的推理归纳方式在实际的控制过程中可以不断地修正,同时由于模糊神经网络的结构具有明确的物理意义,使模糊神经网络的结构设计和权值的初始化非常容易,采用高斯基函数作为模糊隶属函数,构造了模糊高斯基函数神经网络。其后,在分析了模糊神经网络的各种学习算法的优缺点后,提出了一种基于混合学习算法的模糊高斯基神经网络控制方法,即先利用遗传算法离线训练模糊神经网络,使网络参数达到近似全局最优,再采用BP算法来在线训练网络参数,使控制器具有在线自适应能力。最后,针对滑模控制所存在的不足,设计了一种神经网络滑模控制系统,该系统通过神经网络来补偿系统中的不确定性,并利用李雅普诺夫定理设计了具有神经网络补偿的滑模控制器的结构和神经网络的学习算法,从而保证了系统的稳定性、改善了系统的动态性能。 本文中提出的各种智能控制方法均被应用于机器人的轨迹跟踪控制中,以克服机器人控制系统中非线性、耦合、不确定性等因素对控制性能的影响。对提出的控制方法本文都进行了仿真实验研究,仿真实验结果证明了所提出的各种智能控制方法具有良好的智能特性,在应用于机器人的轨迹跟踪控制时,都能取得很好的控制效果。
黄登峰[6]2011年在《刚柔混合漂浮基空间机器人系统的智能神经网络控制》文中研究指明空间机器人系统将在未来的太空活动中发挥日益重要的作用。从节省控制燃料的角度出发，考虑使用本体位置不受控、姿态受控或不受控的漂浮基空间机器人系统。为了提高操作性能，有必要采用双臂空间机器人系统。再者，空间机器人系统的杆件多设计为轻质细长杆件，因此机械臂的柔性是不可忽略的。本文采用第二类拉格朗日方程，推导了漂浮基单、双臂空间机器人的系统动力学方程；结合假设模态法，建立了漂浮基柔性空间机械臂的系统动力学模型。基于双向映射神经元网络，采用两个网络分别计算正运动学和雅可比矩阵，然后利用李雅普诺夫直接方法，设计了收敛的空间机器人逆运动学求解方案。结合模糊控制理论与小波神经网络，针对系统参数未知的情况，设计了双臂空间机器人的模糊小波神经网络控制器；采用反向传播算法对网络参数进行在线训练，从而使控制器具有较好的自学习和自适应能力。应用模糊基函数网络逼近未知的系统动力学方程，利用鲁棒方法处理包含逼近误差和外部扰动在内的不确定性，设计了系统参数完全未知时的关节空间和系统惯性参数未知时的惯性空间轨迹跟踪控制方案；不但不需要系统动力学方程关于惯性参数呈线性函数关系，而且利用学习规则在线自适应调节网络的所有权值和参数，因此控制方案是灵活的。对于柔性空间机械臂系统，在不对柔性振动专门设计控制器时，针对系统参数未知的情况，提出了基于小波基模糊神经网络控制方法；针对存在外部扰动和系统参数未知的情况，利用对角递归神经网络逼近系统的逆动力学模型，设计了基于对角递归神经网络的控制方案。为了能主动抑制柔性杆的振动，基于奇异摄动理论，分别针对系统参数已知和未知的情况，提出了柔性空间机械臂系统的模糊逻辑控制和柔性振动最优控制以及分块神经网络控制和柔性振动模糊控制；不但有效地完成了轨迹跟踪，而且能主动抑制柔性杆的振动。运用虚拟控制力的概念生成同时反映柔性振动模态和刚性运动轨迹的混合轨迹，提出了基于混合轨迹的模型不确定柔性空间机械臂神经网络补偿控制方案；既保证了神经网络控制对模型不确定的鲁棒性，也能主动抑制柔性振动，有效地提高了轨迹跟踪性能。系统数值仿真证实了本文所提控制方案的有效性和可行性。
刘爽[7]2011年在《自由漂浮空间机器人轨迹跟踪智能控制算法研究》文中研究表明随着人类对宇宙空间探索的不断深入，空间机器人技术得到了越来越广泛的应用。卫星的抓取、释放、维修，以及空间站的装载，都将用到空间机器人技术。采用空间机器人协助或代替宇航员完成任务，不仅可以减少宇航员在恶劣环境下作业的危险，提高空间任务完成的效率和质量，还可以节约空间探索的成本，所以，空间机器人技术在空间活动中发挥着越来越重要的作用，已成为各国研究和关注的焦点，拥有广阔的应用前景。自由漂浮空间机器人是空间机器人的一种，它由机器人本体（卫星）和搭载在本体上的机械臂组成，能够在宇宙空间自由漂浮，并协助或代替宇航员提供在轨服务。为了节省燃料和电能并延长卫星在轨服务寿命，自由漂浮空间机器人在工作状态下，载体姿态控制器和位置控制器处于关闭状态，即机器人系统可以在宇宙空间内自由漂浮，这就是自由漂浮空间机器人区别于固定基座机器人的显著特点。在空间环境中，忽略微弱重力对系统的影响，系统不受外力，因此系统势能和动量守恒。由于缺少固定基座，机械臂与机器人本体之间存在强烈的运动学、动力学耦合，机械臂的运动将引起基座位姿的改变。因此，自由漂浮空间机器人的控制问题比地面固定基座机器人的控制问题复杂的多。同时，由于自由漂浮空间机器人系统中存在不确定因素，包括参数、非参数及一些难以预测的不确定性，要实现对期望轨迹的快速精确跟踪，设计的控制器必须具有自适应能力，能够根据受控对象的变化实时地更新控制参数，并且具有抑制干扰的能力。本论文以自由漂浮空间机器人系统为研究对象，研究了系统运动学、动力学建模问题，针对系统存在不确定性的情况，研究了关节空间和任务空间内末端效应器轨迹跟踪控制问题。本论文具体研究内容和得到的成果主要包括以下几个方面：1.对自由漂浮空间机器人系统运动学和动力学建模是设计轨迹跟踪智能控制器的理论基础。本文在惯性坐标系下，根据系统几何关系，详细推导了无外加干扰时反映自由漂浮空间机器人运动学特性的广义雅可比矩阵。说明该广义雅可比矩阵不仅与系统的几何参数有关，而且和系统惯性参数有关，而这些惯性参数往往是时变且难以精确得到的。研究了系统奇异性问题和工作空间问题。以此为基础，建立了关节空间内基于拉格朗日方程的自由漂浮空间机器人系统动力学模型。介绍了动力学模型特性并比较其与地面固定基座机器人的区别。2.研究了自由漂浮空间机器人在关节空间内的智能控制问题。在分析实际系统中存在的不确定因素基础上，提出了一个存在外部干扰和参数不确定性的情况下，基于模糊补偿的鲁棒自适应控制方法。该控制器引入模糊神经网络控制器逼近不确定项，融合了模糊逻辑的推理能力和神经网络的学习能力，具有全局逼近能力，有效抑制了外部干扰和不确定项对系统的影响，实现了对期望关节轨迹的精确跟踪。通过计算该控制器模糊规则的数量，发现随着机械臂杆件的增加，模糊规则数量呈指数趋势迅速增加。为了进一步减少模糊逼近的计算量，提高运算效率，本文对该控制方法进行了改进，分离不确定项，利用分别逼近的思想重新设计模糊规则。与前面设计的控制器相比，改进后的控制器可大大减少模糊规则的个数，在保证系统渐进稳定的前提下，实现了对末端效应器期望轨迹的快速精确跟踪。3.死区作为动力传动系统中影响控制性能的主要因素，是高精度传动控制领域的主要研究对象之一。针对关节空间内存在未知死区的自由漂浮空间机器人系统，设计了一种基于死区模糊补偿的鲁棒自适应轨迹跟踪控制器。设计模糊死区补偿器和自适应参数更新律，并设计鲁棒自适应控制器调整输出力矩，证明了设计的控制器的稳定性。该控制器可抑制死区对系统性能的影响，实现对期望轨迹的快速精确跟踪。4.由于机器人的任务一般是在笛卡尔坐标系中提出的，为了实现任务空间内自由漂浮空间机器人自适应轨迹跟踪控制，将关节空间内的动力学方程向任务空间内映射，利用增广变量法，推导出任务空间内自由漂浮空间机器人动力学方程。设计两个鲁棒迭代学习控制器和自适应参数更新律，并证明系统的稳定性。由仿真结果可见，两个控制器均可通过10次迭代学习控制，将最大跟踪误差减小到第一次跟踪时最大跟踪误差的7%以下，实现了末端效应器在任务空间内对期望轨迹的快速跟踪。
孙好章[8]2008年在《基于神经网络的机械手控制系统的研究》文中认为机器人不仅是一个十分复杂的时变、强耦合、高度非线性系统,而且实际上还存在诸多不确定因素,诸如测量误差、摩擦、负载变化、随机扰动及未建模动态等,因此无法得到完整的、精确的机器人系统模型。本文在参考国内外大量文献的基础上,针对不确定性机器人轨迹跟踪控制问题,引入智能控制方法,使机器人系统达到较好的控制效果。机械手逆运动学求解是进行机械手控制的重要步骤之一,本文利用神经网络具有逼近任意非线性系统的能力,研究前馈神经网络在机械手逆运动学问题中的应用。前馈型神经网络中最典型的网络是BP神经网络,它采用标准的BP算法时,存在着收敛速度慢、易陷入局部极小的缺陷。针对BP算法的缺点,给出了一种混合算法,即先利用遗传算法离线训练神经网络参数,使网络参数达到近似全局最优,然后再采用BP算法来在线训练网络参数,使控制器具有在线自适应能力。仿真结果表明,该神经网络能够有效求解机械千逆运动学问题,达到了较高的精度,而且求解速度较快,满足机械手实时控制的要求。介绍和分析了模糊控制的基本原理,并构造了机器人轨迹跟踪的模糊控制系统,它不依赖于对象的精确的数学模型,能有效地克服被控对象存在的非线性和不确定性的影响。将模糊控制与神经网络结合起来,利用神经网络模拟模糊推理,使得神经网络具有了模糊推理和归纳能力。由于神经网络具有自学习的能力,又使得模糊神经网络的推理归纳方式在实际的控制过程中可以不断地修正,同时由于模糊神经网络的结构具有明确的物理意义,使模糊神经网络的结构设计和权值的初始化非常容易,采用高斯基函数作为模糊隶属函数,构造了模糊高斯基函数神经网络。设计了一种神经网络控制系统,该系统通过神经网络来补偿系统中的不确定性,并利用李雅普诺夫定理设计了具有神经网络补偿的控制器的结构和神经网络的学习算法,从而保证了系统的稳定性、改善了系统的动态性能。
徐雷[9]2013年在《5自由度上肢康复机器人质心法建模与神经网络控制》文中认为上肢康复训练机器人是医疗机器人的一个重要分支,它以偏瘫上肢的运动再学习理论为依据,融合了康复医学、人体解剖学、机械学、计算机科学及机器人学等诸多学科技术,是当前国内外研究的热点,对促进残疾人事业发展、改善残疾人生活质量将有巨大的作用。本课题研究的是一种外骨骼式上肢康复机器人,它的各关节与人的关节相一致,可以模拟手臂的运动规律,使用时通过与患者上肢固定在一起,带动患者进行康复训练,使上肢有运动障碍的病人病情得到恢复。本文研究的康复机器人是以人体解剖学和人体尺寸参数为基础所设计的五自由度康复机器人,而建立一个精确的动力学模型在研究五自由度康复机器人的过程中至关重要,文中先详细介绍了康复机器人机械臂的运动学的一些基本知识,如坐标变换理论、D-H法、雅各比矩阵等,在此基础上推导了正逆运动学方程,分析了末端位姿微分变化同各个关节速度之间的关系。康复机器人的动力学方程采用拉格朗日法求解,并且将康复机器人手臂简化为一个三自由度的机械手臂。通过对动力学方程求解过程的研究,发现可以采用质心法求转动惯量替代积分求取转动惯量来求解动力学方程,经过仿真验证,证实所得的动力学方程与积分所求得的动力学方程在一个误差允许的范围内,为今后使用该方法进行机器人研究提供了理论依据。最后,为了消除康复训练过程中患者随机的晃动患肢对机器人手臂动力学方程的影响,采用RBF神经网络控制对康复机器人进行控制,并根据不确定项的组成形式,采用最适合的RBF神经网络,并且将模型在matlab中运用该控制方法进行仿真,通过对仿真的分析得出该方法的有效性。
朱明超[10]2006年在《可重构模块机器人运动学、动力学与控制方法研究》文中指出可重构模块机器人系统是由一组具有标准连接接口的连杆模块和关节模块组成,这些连杆模块和关节模块能够被快速的装配成不同运动学参数和动力学行为的机器人构形。和传统的固定结构机器人相比,可重构模块机器人能够适应大范围的工作要求并且具有成本低、易维护、便携等优势。本文主要针对可重构模块机器人的运动学自动建模技术,动力学自动建模技术,以及控制器自动设计问题进行了初步的理论研究。设计了包含两种关节模块和两种连杆模块的可重构模块机器人观念模型。运用机械设计中常用的运动学图描述了可重构模块机器人的构形。基于运动学图和局部指数积公式自动建立可重构模块机器人运动学模型,逆运动学问题采用Newton-Raphson算法迭代求解。在运动学图和机器人运动学模型的基础上,应用刚体动力学方程几何公式自动建立可重构模块机器人动力学模型。充分利用动力学模型的信息并考虑到模型不确定性和未建模动态,设计了基于计算力矩的神经网络补偿控制器。在保证系统稳定的前提下显著改善了系统的跟踪性能。针对两个机器人构形的仿真结果表明了该方法的有效性和可靠性。
参考文献：
[1]. 多连杆柔性关节机器人的动力学与控制算法研究[D]. 崔文. 南京航空航天大学. 2016
[2]. 漂浮基刚、柔混合空间机器人系统智能控制研究[D]. 洪昭斌. 福州大学. 2011
[3]. 工业机器人的高速高精度控制方法研究[D]. 刘海涛. 华南理工大学. 2012
[4]. 轮式机器人的移动系统建模及基于模型学习的跟踪控制研究[D]. 宋兴国. 哈尔滨工业大学. 2015
[5]. 机器人轨迹跟踪的智能控制方法研究[D]. 彭金柱. 湖南大学. 2005
[6]. 刚柔混合漂浮基空间机器人系统的智能神经网络控制[D]. 黄登峰. 福州大学. 2011
[7]. 自由漂浮空间机器人轨迹跟踪智能控制算法研究[D]. 刘爽. 中国科学院研究生院(西安光学精密机械研究所). 2011
[8]. 基于神经网络的机械手控制系统的研究[D]. 孙好章. 江南大学. 2008
[9]. 5自由度上肢康复机器人质心法建模与神经网络控制[D]. 徐雷. 东北大学. 2013
[10]. 可重构模块机器人运动学、动力学与控制方法研究[D]. 朱明超. 吉林大学. 2006
标签：自动化技术论文; 机器人论文; 动力学论文; 运动学论文; 关节机器人论文; 神经网络模型论文; 系统辨识论文; 系统仿真论文; 模糊理论论文; 模糊算法论文; 柔性生产论文; 有限空间论文; 时间计算论文; 自适应论文;