彭志红[1]2000年在《合作式多移动机器人系统的路径规划、鲁棒辨识及鲁棒控制研究》文中认为多智能体系统以其独有的模块性、可维护性、可扩展性、容错性和鲁棒性为用传统方法难以求解的复杂问题提供了很好的求解方案,首先系统的主机将一个复杂的问题分解为几个易解的子问题,并将这些子问题分配给系统中的各单智能体,然后各单智能体再分别针对各自需解决的子问题进行局部求解,并通过各单智能体之间以及单智能体与主机之间的交互为整个问题提供一个全局解。在多智能体系统中,尽管各单智能体的能力是有限的,但通过相互间合作与协调,能改善各个体的基本能力,提高整个系统的性能,因而多智能体系统较单智能体系统具有更优的性能,完成任务所需时间更短,且系统总的能耗更小。由于建模的不精确或者受系统本身所具有的内部摄动及环境对系统干扰的影响,多智能体系统中不可避免地含有不确定性,使得多智能体系统鲁棒性的研究成为该领域内研究的必然趋势。本博士学位论文将以进化计算为代表的智能控制方法与现代鲁棒控制方法相结合,提出与实现了多智能体系统的鲁棒算法,建立了理论框架。并以多智能体系统的典型系统——合作式多移动机器人系统为研究对象,研究该系统的路径规划,以及为实现规划所进行的单移动机器人系统的鲁棒辨识和鲁棒控制。全文共分五章,主要内容如下:首先介绍了多智能体系统的定义、多智能体系统鲁棒性研究的提出,以及移动机器人系统的路径规划、非线性系统辨识和非线性系统鲁棒控制的研究现状及存在的问题;然后针对合作式多移动机器人系统的路径规划,创造性地提出了合作式共同进化自适应遗传算法,以及移动机器人路径的定长十进制编码机制。主要创新点表现在首先将移动机器人所处环境中的障碍物表示成多边形的形式,并对各障碍物顶点用十进制编号,然后把移动机器人的路径编码成定长为所有顶点个数之和的十进制染色体串,串中非零位上十进制值表示路径经过了相应编号的顶点,各顶点在串中的顺序即它们在路径中的顺序。此编码方式不需特殊的遗传操作算子,并且个体就是路径的直接表示,因此也不需特别的解码机制,克服了变长编码及其它定长编码需特殊解码和特殊遗传操作算子的缺陷。继而针对合作式多移动机器人系统的路径规划,提出了将各移动机器人的路径分别编码后组成各自的进化群体,进行单独进化,而整个路径规划的总体协调则通过各群体中个体适应度函数的定义来实现。合作式共同进化自适应遗传算法体现了多智能体系统最大的优势——适合于并行计算,从而对求解复杂问题特别适用;同时,算法还具有鲁棒收敛性。
陈丽[2]2005年在《基于PD+前馈结构的不确定性机器人鲁棒控制策略研究》文中进行了进一步梳理机器人的控制问题无论在理论界还是工程界多年来一直备受人们关注。而鲁棒控制问题则恰恰是其中的焦点问题之一。众所周知,机器人是一个十分复杂的多输入多输出非线性系统,它具有时变、强耦合和非线性的动力学特点,对其进行控制也是十分复杂的,我们必须面对机器人大量不确定性因素的存在。而鲁棒控制正是以具有不确定性的系统为研究对象的控制技术。因此,研究具有不确定性机器人的鲁棒控制问题就具有十分重要的理论和实践意义。本论文以具有完整动力学模型的机器人系统,即不确定性机器人系统为研究对象,在现有文献的基础上,重点探讨基于 PD+前馈结构的各种控制策略。本论文首先介绍了机器人的发展简史和机器人控制方法概述,然后对机器人的模型和有关数学知识进行了阐述,紧接着探讨了叁大类基于 PD+前馈结构不确定机器人的补偿控制方案,即:变结构控制补偿方案、神经网络控制补偿方案和鲁棒自适应控制方案。基本思想都是将机器人系统的不确定性分解成参数不确定性和非参数不确定性,然后分别对其进行补偿。参数不确定性可采用参数线性化方法或智能控制方法进行补偿,而非参数不确定性则利用鲁棒控制技术。此外,本论文还对输入有界的机器人控制问题进行了研究,该问题解决了机器人系统在力矩受限的情况下,如何来设计一个行之有效的控制器,为解决机器人在实际应用中执行机构存在饱和性问题提供了一条可行的途径。
庞金新[3]2018年在《多关节机器人的鲁棒控制器设计》文中研究说明随着科学技术的不断发展,工业机器人逐渐发展成为制造领域重要的自动化设备,其研究具有非常重要的意义。多关节机器人是工业机器人应用中的重要组成部分,其控制一直是比较具有挑战性的课题。多关节机器人是一个非常复杂的非线性系统,往往存在干扰和模型误差等不确定性因素,致使控制难度增大,尤其是利用机械臂对精密模型的跟踪控制。因此,对带有不确定性的多关节机器人系统进行鲁棒和跟踪控制就显得尤为重要。为了保证系统的鲁棒稳定性,实现对机械臂轨迹的精确跟踪,基于演算子理论的鲁棒右互质分解方法,本文提出了几种鲁棒跟踪控制方法,并对多关节机器人系统进行了鲁棒和跟踪控制研究。首先,对于有不确定性的非线性系统,基于演算子理论,本文介绍了一种鲁棒跟踪控制方法,通过设计观测器,使系统能够在保证稳定性的同时也能够获得很好的跟踪效果。其次,本文提出了一种基于内模的鲁棒控制方法,通过设计内模控制器和跟踪控制器,消除了故障信号等不确定性对系统的影响,在保证了系统稳定的情况下,同时也实现了系统的完全跟踪。最后,设计了一种基于演算子补偿的鲁棒容错控制方法,通过检测算子对故障信号进行检测,然后根据补偿器的作用对信号进行补偿,消除了故障信号对系统的影响,使系统保持稳定并且实现系统的完全跟踪。本文以两关节机械臂为研究对象,为了使机械臂能够保持鲁棒稳定性并且具有良好的跟踪性能,本文提出了几种控制方案并进行仿真比较。首先,本文介绍了一种PI跟踪控制器,通过仿真表明系统跟踪性能良好,但是跟踪误差比较大;然后,介绍了一种基于演算子观测器的鲁棒控制方法,通过设计观测器消除了不确定性对系统的影响,仿真结果表明此方法可以有效提高系统的控制精度;接着,本文设计了基于内模的鲁棒控制方法,通过仿真表明这种方法有很强的鲁棒性,可以实现精确的跟踪效果;最后提出了基于演算子补偿的鲁棒容错控制方法,设计了补偿器和跟踪器,仿真证明了这种控制方法能够消除故障信号对系统的影响,并在保持系统鲁棒稳定性的同时也能够实现精确的跟踪效果。
刘成菊[4]2007年在《线性时滞不确定性系统的滑模变结构控制》文中认为时滞和不确定性广泛存在于各类实际系统中，是导致系统不稳定和动态性能下降的重要因素。所以充分考虑时滞和不确定性因素对系统控制效果的影响，设计具有较强鲁棒性的控制器具有重要的理论意义和实际应用价值。滑模变结构控制的突出优点是滑动模态对于匹配的参数不确定性以及外界扰动具有完全的鲁棒性，并且滑动模态的动态品质是可以预先设计的。同时设计方法简单，易于实现。它为不确定性系统、非线性、时滞、时变以及干扰源多的系统的鲁棒设计提供了一种有效的方法。本文关注时滞不确定系统的滑模变结构控制，针对不同类型的时滞不确定系统，研究其滑模控制器的设计问题。研究内容概括如下：1．研究一类存在控制时滞的不确定性系统的最优滑模控制问题。定义线性无时滞变换，将时滞系统转化为无时滞系统，在新坐标下，研究基于二次型性能指标的最优滑模面的设计方法，设计了动态不连续控制律，保证滑模存在条件和到达条件，并有效削弱抖振。数值算例及在化工反应过程中的应用研究验证该设计方法的有效性。2．研究一类存在状态时滞的不确定性系统的全滑模控制器的设计问题。提出了一种积分滑模面的设计方法，实现了不确定时滞系统的全局鲁棒滑模控制。系统地给出了全滑模控制器的设计过程。仿真研究验证了设计控制策略的有效性。3．以同时存在状态时滞和控制时滞的不确定性系统为研究对象，基于线性变换，提出了一种设计全滑模控制器的新思路。首先定义线性变换将系统转化为只显含状态时滞的不确定性系统，在新坐标下，进行全滑模控制器的设计。设计的积分滑模面，消除了趋近阶段，实现了全滑模控制。设计控制律确保滑模的存在条件，并能有效克服不确定性的影响。以延时网络控制系统为对象，设计全滑模控制器，仿真结果表明该控制方法鲁棒性好，是镇定延时网络控制系统的有效方法。4．总结论文的主要工作，并指出今后的研究方向。
王洪斌[5]2005年在《不确定性机器人轨迹跟踪鲁棒控制方法研究》文中进行了进一步梳理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。在机器人轨迹跟踪过程中,也存在系统元件故障引起机器人结构变化及运动轨迹逆解求取的实时性等问题。对于高速、高精度、高性能机器人系统而言,这些不确定因素严重影响其控制品质,为此研究不确定机器人的控制问题具有重要的理论意义和实用价值。本文主要对参数和结构不确定机器人的轨迹跟踪控制进行了深入研究,提出了一些有效的控制策略,主要研究工作概括如下:(1)针对机器人逆运动学解的存在性以及收敛的快速性问题,利用模糊神经网络所具有的并行计算、记忆、联想、自适应学习等优点,提出采用模糊神经网络求机器人逆运动学解的方案,通过构造的叁个模糊神经网络控制器,保证了机器人逆运动学解的存在,提高了收敛速度。(2)为了有效抑制非线性、时变性以及负载变化等不确定性因素对机器人轨迹跟踪控制品质的影响,提出了两种鲁棒自适应控制策略:一种是通过一系列变换将机器人系统转化为级联系统,从无源性理论出发,根据系统无源性与渐近稳定性的关系推导并设计了确保系统渐近稳定的鲁棒自适应控制器;另一种是通过在控制律中增加一个广义误差立方项,改进了对不依赖于机器人动力学模型的鲁棒自适应分散控制策略,克服了基于模型控制方法的弱点,使跟踪误差快速趋近于零。(3)针对机器人系统中普遍存在的参数不确定性和外界干扰,基于H∞控制理论,通过选择适当的干扰衰减度来抑制干扰对系统性能的影响,提高了系统的鲁棒性,避免了非线性H∞控制理论中Hamilton-Jacobi不等式的求解问题,简化了控制器的求解过程。(4)将变结构理论与神经网络的非线性映射相结合,提出了一种鲁棒自适应神经滑模控制策略,克服了常规滑模控制对系统不确定性界的要求,保证了系统的渐近稳定性。对只有位置反馈的不确定机器人系统,设计了基于模糊神经网络和H∞方法的速度观测器,有效重构了速度信号,保证了系统的稳定性,抑制了外扰的影响。
宋兴国[6]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。
王延玉[7]2012年在《不确定性机器人系统鲁棒控制器的研究与设计》文中研究说明机器人系统是一类复杂的多输入多输出非线性系统,除了其本身具有的时变性与耦合性外,它往往还会受到各种不确定性因素的影响,如外部干扰、不精确测量、负载变化及未建模动态等等,因此实际上很难获得机器人系统完备的数学模型。而在机器人系统的轨迹跟踪控制过程中,也会面临不能实时获取运行轨迹的逆解以及设备故障等问题。随着社会的发展和科技的进步,对于高速度、高精度、高性能的机器人系统来说,这些不确定因素严重地影响其控制品质,所以不确定机器人系统的鲁棒控制问题是一个非常值得探究的课题。本文主要针对结构和参数不确定机器人系统的轨迹跟踪控制进行了深入的分析研究,提出了几种有效的控制策略,主要的研究工作可以概括如下:(1)分析比较了常用的机器人控制方法,分析比较了各自的优缺点。(2)针对机器人存在参数不确定性和外扰问题,提出了一种基于期望轨迹补偿的鲁棒自适应控制的方法,该方法自适应控制过程中的回归矩阵为期望关节位置与期望关节速度的函数,可以离线计算回归矩阵,有效节约了在线计算的时间,实时性好,并利用变结构思想补偿非线性摩擦和外界干扰,实现全局渐近稳定。(3)针对常规变结构控制的抖震问题,提出了一种基于神经网络与二阶滑模控制融合的控制策略用于非线性机器人控制,设计了一种新颖简易的二阶滑模控制方法,有效地避免了抖震问题,并采用神经网络辨识未知的机器人的非线性模型,确保系统闭环全局渐近稳定性。(4)提出了一种基于神经网络与变结构融合的控制策略用于非线性机器人控制,采用神经网络逼近机器人的标称模型,神经网络输入为期望轨迹,消除了常规神经网络对控制输入的严格假设,通过Lyapunov直接法设计网络权值更新率,并引入模型补偿和连续的变结构控制率,确保了系统闭环全局指数渐近稳定性,保证良好的暂态性能。本文对上述研究成果进行了严格的理论证明,同时还通过计算机仿真验证了控制算法的有效性。所提出的控制策略不仅可用于不确定机器人系统控制,而且对于与其类似的复杂非线性机械系统控制也有较重要的参考价值。
杨立新[8]2012年在《一类随机非线性系统控制设计算法及应用》文中研究表明在实际控制工程中，由于建模误差、环境干扰等因素的影响，完全的确定性系统是不存在的，研究不确定非线性系统的控制问题具有重要的理论意义和实际应用价值。随机非线性系统是一类带有随机动态特征的非线性系统，是近年来非线性控制理论研究的热点方向之一。本文基于自适应鲁棒控制理论、神经网络逼近理论、随机微分方程稳定性理论、时滞泛函微分方程稳定性理论，探讨了一类随机非线性系统的控制问题。主要研究工作如下：第一，针对带随机扰动和内动态的不确定非仿射非线性系统，提出一种基于高增益观测器和神经网络的自适应输出反馈控制器。在假设系统零动态稳定的条件下，将确定性系统控制方法扩展到随机系统，并利用神经网络的泛化学习能力，对非仿射非线性系统进行了自适应估计和鲁棒控制器设计。应用Lyapunov稳定性及随机系统稳定性理论证明闭环系统信号是依概率有界的，且跟踪误差收敛于原点的可调节邻域内。第二，针对一类含有不确定非线性函数的随机系统，提出一种自适应观测器设计算法。所讨论的系统的不确定非线性函数包含未知状态而非仅仅包含系统输出，是一类更加宽泛的不确定随机系统。通过构建一个含有参数自适应律的观测器来重构状态，有效地解决具有非仿射不确定性的随机系统的状态估计问题。应用Lyapunov稳定性理论和Ito随机微分理论给出严格的稳定性分析，证明该观测器是依概率有界的，并且它的界可以通过选取适当的参数进行调节。第叁，研究一类带有未知时滞的不确定随机非线性系统控制设计问题。针对带未知时滞的非参数不确定随机非线性系统，提出一种与时滞无关的自适应控制算法；进一步，针对同时带有未知时滞、不确定参数和不确定非线性函数的随机非线性系统，提出一种基于神经网络的自适应滤波反步控制算法。利用滤波反步法代替传统反步法，以避免传统反步法设计中固有的“explosion of complexity”问题。控制结果使得闭环系统信号是依概率有界的，且跟踪误差均方收敛于原点的小的可调节邻域内。第四，针对高速、高精度宏/微定位平台的动态特性，提出基于自适应Kalman滤波器的非线性输出反馈控制设计算法。自适应Kalman滤波器用于补偿宏动定位平台的系统振动及外界噪声干扰。针对压电陶瓷驱动的微动平台系统固有的迟滞非线性特性，提出基于高增益观测器的智能自适应输出反馈控制设计算法。该算法利用神经网络模拟不确定非线性迟滞特性，同时包含一个鲁棒控制项，用于补偿神经网络逼近误差及观测器的观测误差。第五，针对多AUV协作作业时相互通信中不可避免的信息包丢失问题，提出一种基于观测预报器的最优估值器。观测预报器设计为所有已知历史观测信息的加权值，改进了传统的利用最近接收到的信息代替当前丢失信息的方法，可以充分有效地利用有用的历史信息来补偿通信过程中随机丢失的信息。进而基于补偿后的观测信息值，应用新息分析方法来设计AUV通信预报器、滤波器及平滑器。
马正祥[9]2016年在《拟人机器人手臂鲁棒非线性控制研究》文中研究表明移动速度快、灵巧、平滑的拟人机器人手臂在医疗康复、航空航天、社会服务等领域越来越受到重视。在这些特殊领域,拟人机器人手臂的运动不单单是以完成具体的动作和功能为主要目标,还要求在运动过程中能根据具体环境需求快速、平滑、精确地进行运动和执行动作,甚至能像多关节人臂一样熟练和灵巧。另外,应用拟人机器人手臂的目的是能够替代或辅助人们完成一些重复劳动或特殊工作,人们不仅希望这些拟人机器人手臂能够根据周围环境灵活地改变自身形态来完成期望的任务,在执行任务中还希望能够减少其对自身或被接触人类的伤害,这就要求一些能够根据不同需求自动变换形态的智能软体型机器人代替金属骨架型机器人来完成。因此,如何从多关节人臂的运动机理特性出发,结合机器人手臂的机械特性,构建基于特殊仿人智能软体驱动器的拟人机器人手臂,实现其结构和功能仿生,是制造出功能集中、效率高、像多关节人臂一样灵巧和熟练的拟人机器人手臂的有效途径之一。基于现阶段在构建拟人机器人手臂中存在的软体驱动器建模与控制、先进控制等技术难题,本论文通过对拟人机器人手臂鲁棒非线性控制的研究,深入探讨了软体驱动器的机理特性与建模、仿多关节人臂运动机理的拟人控制器设计、多输入多输出机器人手臂的先进鲁棒控制等几个关键技术。其主要研究内容和成果包括:1.软体智能驱动器的特性分析与建模。软体机器人能在非结构化的环境中自如运动,具有优良的安全性和灵活性。虽然软体机器人有着传统刚性机器人无法比拟的优势,但材料的柔软性使得软体驱动器的运动机理变得极其复杂,给软体驱动器或机器人动力学建模、控制器设计等带来了极大困难。为解决制约软体机器人的这些实际应用问题,本论文以一种单腔双向弯曲软体驱动器为研究对象,讨论了基本结构、设计原理、强弯曲特性等问题。分析和研究了基于物理特性的压力输入和弯曲角度输出关系的位置控制模型,并通过实验数据辨识出一种实用的压力输入与力输出关系的力控制模型。2.拟人机器人手臂鲁棒非线性控制系统设计。通过对拟人机器人手臂的研究背景、研究意义及其发展现状的分析,提出了一种刚性和软体混合结构的拟人手臂系统总体结构框架,进行了拟人机器人手臂鲁棒非线性控制系统设计研究。在其控制系统设计中,首先,讨论了拟人机器人手臂非线性鲁棒控制系统总体架构,提出了以构成拟人机器人手臂的刚性机器人臂和软体纯软手指为主要控制和执行单元的两个子系统的控制性能指标。其次,分别设计了基于算子理论的鲁棒右互质分解技术的机器人臂与纯软微手鲁棒非线性控制子系统,完成了对机器人臂末端位置和软手指位置和力的控制研究。推导出了基于演算子的控制器和跟踪控制器,并对机器人臂鲁棒控制子系统进行了鲁棒稳定与跟踪特性分析与评价,讨论了鲁棒稳定与跟踪条件。同时,也对机器人软手鲁棒非线性控制子系统进行了鲁棒稳定与跟踪特性分析与评价,讨论了鲁棒稳定与跟踪条件。最后,对整个拟人机器人手臂系统的非线性鲁棒稳定与跟踪特性进行了分析讨论。3.基于多关节人臂结构与粘弹性特性的结构和功能拟人化方法。通过对如何将多关节人臂的粘弹性特性有效地应用在拟人机器人手臂系统设计与控制中的研究,探索出一种实现拟人机器人手臂的结构和功能拟人化方法,也就是通过对运动中多关节人臂粘弹性机理和机器人手臂的动态机械特性的分析与研究,设计出一种基于多关节人臂粘弹性特性的仿人臂控制器。4.基于演算子理论的不确定性补偿控制问题。模型不确定性会带来跟踪控制器设计困难问题,针对本问题,提出了一种基于演算子理论的不确定性补偿控制框架,通过设计基于标称模型特性的演算子观测器完成了对模型不确定的补偿,消除了不确定对设计精确跟踪控制器的影响。
刘桂林[10]2014年在《基于T-S模糊模型的机器人轨迹跟踪控制》文中研究指明机器人系统是多输入-多输出、强耦合的复杂非线性系统,其动力学方程存在非线性和不确定性,包括参数不确定性、未知扰动和未建模动态。T-S模糊模型和滑模控制是处理非线性、不确定系统问题的有效方法：T-S模糊控制不需要建立精确的系统模型,可以以任意精度逼近非线性、不确定性系统,而非线性系统的滑动模态与模型参数摄动和外部扰动相对独立,对系统的不确定性具有较强的抑制作用。由于机器人模型的高度非线性和不确定性,适合机器人系统的算法可以推广应用到其它复杂非线性系统的控制。因此,本文的研究具有一定的理论和实际意义,研究内容主要如下：1.针对参数变化的非线性不确定机器人系统,利用T-S模糊模型逼近非线性系统的特点,使用扇区非线性方法处理系统模型,设计了T-S模糊PD控制器,在Matlab平台下进行轨迹跟踪仿真,验证了该方法的正确性。2.为了减小T-S模糊系统对实际系统的逼近误差,利用滑模控制抑制非线性机器人系统不确定性的优势,设计了基于T-S模糊模型的滑模控制器,使得机器人系统具有T-S模糊模型逼近实际系统的能力和滑模控制器对不确定性的强鲁棒性,在Matlab平台下仿真验证了该方法的正确性和有效性。
参考文献：
[1]. 合作式多移动机器人系统的路径规划、鲁棒辨识及鲁棒控制研究[D]. 彭志红. 中南大学. 2000
[2]. 基于PD+前馈结构的不确定性机器人鲁棒控制策略研究[D]. 陈丽. 燕山大学. 2005
[3]. 多关节机器人的鲁棒控制器设计[D]. 庞金新. 青岛科技大学. 2018
[4]. 线性时滞不确定性系统的滑模变结构控制[D]. 刘成菊. 青岛科技大学. 2007
[5]. 不确定性机器人轨迹跟踪鲁棒控制方法研究[D]. 王洪斌. 燕山大学. 2005
[6]. 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
[7]. 不确定性机器人系统鲁棒控制器的研究与设计[D]. 王延玉. 江南大学. 2012
[8]. 一类随机非线性系统控制设计算法及应用[D]. 杨立新. 哈尔滨工程大学. 2012
[9]. 拟人机器人手臂鲁棒非线性控制研究[D]. 马正祥. 郑州大学. 2016
[10]. 基于T-S模糊模型的机器人轨迹跟踪控制[D]. 刘桂林. 北京林业大学. 2014
标签：自动化技术论文; 机器人论文; 鲁棒控制论文; 神经网络模型论文; 滑模控制论文; 线性系统论文; 非线性论文; 滑模论文;