宋伟科[1]2012年在《基于多机器人的开放式智能控制系统关键技术研究与开发》文中研究指明本文在分析现有机器人控制系统和开放式系统特点的基础上，从实际工程应用角度出发，提出了基于多机器人的开放式智能控制系统设计思想。本文紧密结合系统实用化和产业化发展的实际需要，系统研究了多机器人开放式控制系统搭建中的若干关键技术，包括机器人高精度运动控制、工件形位误差检测、加工路径动态误差补偿、多机器人最优路径规划、参数化任务编程、开放式系统的软硬件设计理论和开发方法等内容。论文取得了如下结论：提出了多机器人控制系统的机器人主动精度控制和加工件被动精度控制概念。针对机器人主动精度控制，提出了基于不确定性模型RBF-NN辨识的机器人自适应动力学速度前馈补偿控制方法。针对加工件被动精度控制，提出了基于结构光特征数据提取的工件形位误差检测方法，利用数据库技术实现加工轨迹的实时动态误差补偿。研究结果表明，主被动精度控制方案能有效提高系统的加工精度。结合多机器人系统的运动特点，利用C-Space理论和最优路径搜索算法，提出了一种基于动态速度修正的多机器人无碰撞最优路径规划算法。研究结果表明，该方法能获得比较实用的机械臂之间的最优无碰撞运动路径。提出了一种基于叁维模型构件特征参数提取的参数驱动任务编程技术。利用叁维模型直接获得加工参数信息，进而利用参数驱动任务编程技术自动获得加工程序代码，实现了加工任务的自动表达和实现。针对多机器人开放式控制系统的功能要求，提出了一种多层等级式控制体系结构方案。以工控机作为主控单元，以“DMC运动控制卡+图像处理卡+PLC”为从控单元，实现系统硬件平台搭建。根据从控单元硬件的不同功能，设计了相应的通讯方式实现信息交互。提出了基于系统任务实时性能分配和管理的多媒体定时器的软中断实时数据更新技术，采用双缓存顺序指令运行控制方案实现运动控制指令的安全高效处理。以海洋平台型钢构件加工为试验平台验证了本文提出的多机器人开放式智能控制系统的性能。试验结果表明，该系统在满足加工自动化要求的同时，明显提高加工精度和加工效率，验证了系统的良好性能。
隋海美[2]2003年在《基于神经网络的机器人控制研究》文中研究表明本文以兵科院“十五”预研项目——“非线性控制技术研究”为背景，具体以机器人为对象，针对其强耦合、非线性、多变量等特点，探讨了基于神经网络的机器人控制问题。研究了神经网络和传统PID反馈控制相结合构成的一种混合型机器人逆模学习控制，并结合机器人动力学方程特点，采用启发式学习算法，对机器人进行轨迹跟踪，仿真表明该算法大大提高了网络学习过程的收敛速度，满足了机器人快速、精确、实时的控制要求。针对机器人模型不确定性和外界干扰所产生的未知变化，研究了一种基于神经网络的机器人模型参考自适应控制方案，采用两个动态对角回归神经网络来实现未知动力学模型的辨识和控制，使系统具有良好的跟踪特性和抗干扰性。另外，本文还探讨了神经网络与模糊系统相结合的控制技术，展望了模糊神经网络在机器人控制中的应用。
陈辞[3]2016年在《具有执行器非线性和状态约束的机器人自适应控制》文中研究说明随着信息、机械、材料等多学科的交叉发展,机器人在辅助甚至替代人类进行协调工作方面崭露出良好的应用潜质和强劲的市场需求。因此,机器人技术的研究不仅具有明显的应用前景,而且具有重要的理论价值。本文将机器人操作过程描述为多自由度运动/力混合非线性系统,重点围绕如何处理执行器非线性和状态约束等不确定性因素展开研究,旨在提高机器人控制性能。本文结构安排如下。第一章阐述相关研究背景及研究意义。第二章概述机器人系统建模和控制在内的背景知识。第叁章至第七章共计五个章节,是本文的主要内容,包括叁方面：1)、第叁章至第四章主要研究具有执行器非线性的机器人自适应模糊协调控制；2)、第五章研究基于Nussbaum函数方法的广义执行器非线性机器人自适应控制；3)、第六章至第七章主要研究具有状态约束的机器人自适应神经网络协调控制。具体来说,上述五章依次对应如下内容：一、研究了在执行器间隙非线性情况下机器人抓取物体的协调控制问题,提出了一种补偿执行器间隙的运动/力分散模糊控制方案。首先,基于间隙非线性逆补偿思想,构造了一种执行器间隙逆模型自适应控制方法。然后,通过建立分散鲁棒自适应模糊协调控制方法,保证了物体运动和内力分别收敛于期望值。最后,将所提方法在双臂机器人系统上进行仿真计算并与已有方法进行比较,结果证实了所提方法的有效性。二、研究了多机械臂在执行器磁滞非线性和运动受限情况下的协调控制问题,提出了一种基于Barrier李雅普诺夫函数方法的机器人自适应模糊控制方案。首先,在多机械臂的执行器动力学方程中建立了磁滞模型,进而引入了自适应控制技术补偿并减少来自未知磁滞非线性的影响。紧接着,将不同工作环境下运动要求考虑进控制器设计,有效地限制了被操作物体的运动范围。并且,基于李雅普诺夫稳定性定理,保证了所提方法在多机械臂协调过程中运动和力控制性能。最后,多组比较结果说明了所提方法的有效性。叁、研究了具有广义未知执行器非线性的机器人系统运动控制方法,建立了新型的Nussbaum函数分析工具,解决了未知时变非线性控制系数的稳定性分析问题。相比较于已有的Nussbaum函数方法,所提的方法不仅将多个未知控制系数从常数扩展为时变量,而且去除了多个控制系数上下界已知的假设条件。将自适应鲁棒控制与Nussbaum函数方法相结合,保证了机器人系统状态在广义执行器非线性情况下渐近收敛到期望轨迹。进一步地,为减少因使用传统Nussbaum函数引起的控制抖动,提出了一种基于饱和Nussbaum函数的控制方法。所提Nussbaum函数是基于时间扩展思想构造,减少了传统幅值扩展Nussbaum函数带来的值域不确定问题。并且,通过与自适应控制方法相结合,建立了一种处理多个未知时变控制系数的控制方法,促成了针对多输入多输出系统的稳定性分析,保证了机器人系统在未知执行器动态情况下实现运动状态渐近跟踪期望轨迹的控制目标。四、研究了双机械臂协调控制过程中由输出机构导致的状态磁滞约束问题,提出了一种自适应神经网络控制器,实现了机器人运动/力协调控制。所提方法完成了输出磁滞约束特性分析,并应用Nussbaum函数方法解决了由反推控制设计方法带来的时变系数分析困难。同时,结合自适应神经网络控制方法,实现了神经网络权重矩阵的上界估计,减少了待更新自适应律数量,降低了完成实时控制所需的计算负荷。最后,将所提控制方法与传统方法进行性能比较与评估,其结果进一步验证了所提方法的有效性、优越性和鲁棒性。五、研究了具有未知输出死区约束和物体不确定性的多机械臂协调控制问题,提出了一种多机械臂运动/力自适应神经网络协调控制方法。给出了一种死区建模方法,解决了反推控制设计过程中由传统死区模型导致的控制奇异问题。同时,所提方法去除了控制器设计过程中已知物体尺寸参数的先验条件。应用李雅普诺夫稳定性理论,证明了所提方法在多机械臂协调操作过程中运动和内力控制性能。最后,仿真结果说明了所提方法的有效性。
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》文中提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。
郭崇滨[5]2013年在《并联机器人多目标协同智能控制研究》文中研究指明随着机器人技术的迅速发展,并联机器人的优势日益突现,正逐步广泛应用于航空、航天、深海、危险化工、核工业、医疗手术、精密制造业等高精、尖端领域。因此,人们对并联机器人的定位精度、运行平稳性、设备稳定性、容错能力、自适应性、多机器人协调性等工作性能也提出了更高的要求,其控制问题逐步成为机器人领域中最重要的研究方向之一。同时在现代复杂的信息环境下,以往单目标、少目标的传统控制方法已经无法满足并联机器人多性能指标的控制要求,越来越多的机器人控制系统需要智能化程度更高、实用性更强的多目标智能控制算法。本文从并联机器人工程实践中一些有待解决的实际问题出发,借鉴具有多目标协同调节特性的生物网络机制,对并联机器人的一些多目标协同智能控制问题进行研究。主要研究成果归纳如下：(1)研究了并联机器人运动支链的自适应控制器设计。首先基于内分泌甲状腺激素调节机制设计了一种多级协同调节自适应控制器,能够实现控制器各参数之间的协同自适应调节及各级控制器之间的协同补偿,从而提高机器人控制器的响应速度、控制精度和稳定性。其次基于内分泌调控网络结构提出了一种新颖的速、位协同智能控制器,进一步改进参数自适应调节方法及速、位协同控制能力。(2)研究了并联机器人的位姿、速度、加速度协同智能控制。基于神经内分泌系统的多环反馈机制和多目标协同调节机制,设计了一种多环反馈的多目标协同智能控制系统,并应用于真实的多通道并联机器人设备上。实验结果表明,该系统能够让并联机器人的子通道控制性能和全局控制性能都能得到较大的提高,能够较好地实现位姿、速度、加速度之间的多目标协同智能控制。(3)研究了并联机器人的精准协同容错控制。基于人体生理止血机制的多目标协同调节原理,设计了一种应用于冗余并联机器人的精准容错控制系统,确保冗余并联机器人发生局部故障时,能够继续完成精准的容错任务,实现正常和故障工作状态之间的协同。对比实验结果表明,相对于传统的PID控制器,所提出的容错控制系统对子通道控制和并联机器人整体控制均有更高的控制精度和容错能力。(4)研究了并联机器人的力、位解耦协同智能控制。基于人体体内双边解耦协同调节机制,提出了一种应用于微创手术主-从机器人系统的力、位解耦协同智能控制系统,解决了达芬奇等微创手术机器人无力反馈信号等问题。实验结果表明：提出的控制系统能够在无力传感器情况下,利用运动信号获得较精准的反馈力；基于生物调节启发的解耦、协同机制具有较好的力、位协同控制性能；让操作者准确获得额外的力反馈信号,能够确保机器人平稳地完成力位协同任务。最后,总结了全文的工作内容,指出了目前研究中存在的缺陷与不足,并对今后的研究展望和研究重点进行了讨论。
王启源[6]2011年在《独轮自平衡机器人建模与控制研究》文中认为人或其他智慧生物需要经过一定的训练和学习才能骑行独轮自行车。独轮自平衡机器人是模拟人类骑行独轮车的行为构建的一种自平衡机器人系统,属于原理性仿生机器人。与一般移动机器人相比,独轮自平衡机器人与地面接触点数目降到最小,是一种典型的非完整、非线性、静不平衡系统。其建模和运动控制问题是控制科学及机器人学研究的重要问题。本文设计了具有竖直飞轮和下行走轮结构的独轮自平衡机器人系统,建立了相应的运动学和动力学模型,并在系统特性分析的基础上,进行了运动平衡控制问题的研究,取得了以下主要研究成果:1、独轮自平衡机器人系统本文设计了一种独轮自平衡机器人系统,其最重要的结构特征是竖直惯性飞轮和下行走轮相互配合:竖直惯性飞轮调节横滚自由度平衡;行走轮调节俯仰自由度平衡。此结构模拟了人类骑行独轮车的特征,动力学特性较为复杂,其建模与控制问题具有一定难度。所设计独轮自平衡机器人的电气系统为分层递阶结构:组织级以嵌入式PC为核心,辅以各种人机接口,负责监测、获取信息,决策和下达运动控制指令;协调级以DSP为核心,辅以状态感知传感器,主要负责运动平衡控制;执行级为电机伺服系统,负责控制双轮电机完成指定运动。整个控制结构构成一种仿生的姿态感觉运动系统。2、独轮自平衡机器人的动力学建模与分析本文运用拉格朗日法建立了独轮自平衡机器人的动力学模型,并对其进行了实验验证。实验结果符合物理事实,验证了所建模型正确;其次,分析了独轮自平衡机器人的系统特性,证明独轮自平衡机器人在直立平衡点不稳定和局部可控;再次,分析了独轮自平衡机器人各设计参数:质量、重心高度、飞轮惯量等,对运动平衡控制系统的影响规律;最后,利用虚拟样机技术建立了独轮自平衡机器人的叁维模型,并与数学模型相互验证正确性。本文建立的模型及相关分析为独轮自平衡机器人的设计和控制提供了一定理论依据。3、基于非线性PD控制方法的独轮自平衡机器人运动平衡控制本文针对独轮自平衡机器人的运动平衡控制问题,提出一种基于非线性PD的叁环控制方法。该方法包括电机伺服驱动内环、姿态平衡控制中环和运动位移控制外环,其中,电机伺服驱动内环通过两个PID控制器分别实现上、下电机转矩伺服,控制器输入为姿态平衡控制器的输出转矩;姿态平衡控制中环为一种非线性PD控制器(PDNLB),控制机器人稳定平衡,PDNLB采用tan(θ)作为非线性比为非线性微分环节,PDNLB输入为由机器人运动控制器提供的期望姿态;外环为直线位移PD控制器,输入为期望的直线位移,输出经耦合转化为期望俯仰和横滚倾角。通过仿真实验对比分析了PDNLB与线性PD姿态平衡控制器的动态性能和鲁棒性,结果表明在相同参数下,PDNLB的动态性能指标、抗扰动和对象参数变化的适应能力均优于线性PD和LQR控制器。进行了独轮自平衡机器人静止平衡和运动位移控制的仿真以及物理系统实验,实验结果验证了本文提出的控制方法是一种解决独轮自平衡机器人运动平衡控制问题的有效方法。4、基于非线性动态逆控制方法的独轮自平衡机器人平衡控制针对独轮自平衡机器人的非线性控制问题,根据多变量非线性控制的理论—逆系统方法,设计了独轮自平衡机器人伪动态逆控制器,给出了具体实现方法。针对独轮自平衡机器人系统为最小相位系统,逆系统不存在的问题,通过时标分离的方法构建系统的伪逆,构成独轮自平衡机器人伪动态逆控制系统。针对动态逆系统精确模型难于获得、动态逆方法设计控制系统不便、伪动态逆控制性能难于保障的问题,利用神经网络具有逼近任意连续的n输入m输出映射的能力,提出基于神经网络的独轮自平衡机器人动态逆控制方法。该方法利用BP神经网络逼近系统的动态逆模型,构成参考模型神经网络动态逆控制系统。实验结果表明:该方案能够利用BP神经网络逼近系统的逆系统,可有效解决独轮自平衡机器人系统建模不精确、逆系统精确解析解难于求得等问题,并实现机器人的姿态平衡控制;但是该方法用于独轮自平衡机器人控制时,超调量、调节时间等控制性能并不理想,并且鲁棒性较差。5、基于迭代学习控制方法的独轮自平衡机器人运动平衡控制本文针对独轮自平衡机器人的姿态平衡控制问题,提出了基于神经网络反演方法的迭代学习控制方法。迭代学习控制方法,是在线性控制的基础上引入基于跟踪误差的指数型能量函数作为评价机制,通过迭代学习不断修正控制量以克服机器人系统的未知参数和干扰带来的不确定性,类似于人类的条件反射的学习过程。而神经网络反演控制是通过RBF神经网络进行反演迭代学习。并从理论上证明其跟踪误差的渐进收敛性。这种方案既具有线性控制系统思想简单、方法明确的优点,又能够利用在线学习过程动态补偿系统不确定性、非线性、耦合性、建模误差等因素对控制器的影响。计算机仿真实验表明,所提出的独轮自平衡机器人神经网络反演迭代学习控制方法在一定范围内是有效的。通过仿真实验对比分析了神经网络反演迭代学习控制、非线性PD叁闭环控制、层迭结构伪非线性动态逆控制、神经网络动态逆控制与线性姿态平衡控制的动态性能和鲁棒性,结果表明在相同对象参数下,神经网络反演迭代学习控制的动态性能指和鲁棒性较好,非线性PD控制和非线性动态逆控制次之,线性控制方法和神经网络动态逆控制性能较差。课题获得国家863计划项目(2007AA04Z226);国家自然科学基金项目(61075110);北京市教委重点项目(KZ200810005002);北京市自然科学基金项目(4102011)的资助。取得的科研成果,对于优化独轮自平衡机器人的系统结构,分析独轮自平衡机器人的运动规律和内在特性,研究自平衡机器人的运动平衡控制问题具有积极意义和一定的参考价值。课题研制的样机已获得多项国家专利,在机器人技术和控制科学的研究、教学领域,以及服务机器人、娱乐机器人领域有一定的应用价值。
张辉[7]2007年在《非完整性移动机器人体系结构设计与轨迹跟踪控制研究》文中研究说明近几年,随着计算机技术、电子工程、控制理论、人工智能理论、传感器等技术的不断成熟和发展,由多学科交叉而形成的机器人学研究也进入了一个崭新的阶段。从可编程的、示教再现型的工业机器人到具有一定传感和适应能力的机器人,再到配备多种先进传感器,具有较强的适应能力的智能机器人,机器人学的研究工作经历了一个从简单到复杂,从功能单一到功能多样,从工业制造领域到军事侦察、核工业、航空航天、服务业、医疗器械、基因工程等诸多领域的过程。可以预见,在不久的将来,机器人技术在各个领域的应用将会更加广泛和深入。而各种机器人系统在实际工作中的广泛应用又为机器人学提出了新的要求和新的研究课题。机器人系统的控制学研究就是在这些新的应用需求驱动下提出,并随着机器人学的不断发展而逐渐成为机器人学研究的一个重要分支。本文回顾了机器人的历史、现状,深入研究了移动机器人的分类,给出了机器人跟踪控制的有效方法。在本文中,首先详细介绍了设计的轮式移动机器人的硬件和软件体系结构,说明了如何组织和控制体系结构实现机器人所需完成的功能。然后,给出了具有广泛应用意义的非完整性轮式移动机器人的定义,并分析了和推导了机器人的运动学和动力学模型,之后将机器人的运动学模型转化为标准的链式系统及其乘方式结构。其后,结合机器人的运动学和动力学模型,设计了计算力矩的轨迹跟踪控制方法,介绍了系统的控制结构,分析了控制方法的全局收敛性,最后给出了仿真试验结果。然而此方法在机器人存在多种不确定性因素影响时,不能很好的实现控制效果,因此利用对系统模型不具有依赖性的模糊控制方法,能完成较好的控制效果,并且有效的克服了机器人的非线性和不确定性的影响。最后,针对模糊控制方案的不足,结合模糊控制,选择递归神经网络,使得神经网络具有了模糊和归纳能力,在分析了模糊神经网络控制方法结构之后,提出了一种基于递归模糊神经网络的机器人轨迹跟踪控制方法,证明了学习算法的收敛性,从而保证了系统的稳定性。本文中提出的各种控制方法均可被应用于移动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、强耦合、不确定性等因素对控制性能的影响。结合首届智能汽车比赛的要求,设计了智能小车的硬件软件系统,并将本文研究的主要跟踪控制方法在智能小车上实现,比赛的结果很好的验证了算法的有效性。同时,该智能小车为我们提供一个很好的研发平台。
王延玉[8]2012年在《不确定性机器人系统鲁棒控制器的研究与设计》文中认为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。
洪峥[9]2016年在《基于神经网络算法的搬运机器人动力学性能控制》文中研究表明工业机器人作为现代制造领域的典型代表,集精密化、人工智能、机电控制、多传感器融合、柔性制造和计算机应用等众多先进制造技术于一体,成为工业自动化生产线上不可或缺的主流装备,对提高劳动生产率、降低成本、节约能源、增加产品产量和提高产品质量方面具有重要意义。随着经济制度的改革和制造业的不断升级,对工业机器人的性能要求也不断提高,所以提高工业机器人高速高精度运行能力和抗干扰能力成为机器人控制领域的一个重要课题。本文以国产的搬运机器人ER20-C10为研究对象,建立动力学仿真模型,分析和研究机器人动力学特性,设计了神经网络算法与其他算法相结合的控制器,为机器人动力学控制的理论研究提供新的解决思路。首先通过ER20-C10搬运机器人的参数化模型,在Matlab/Simmechanics中建立刚体机器人动力学仿真模型。同时建立空间仿真轨迹,运用D-H参数法进行逆运动学求解,本论文所涉及的机器人模型符合Pieper原则,可利用分离变量法求出逆解,然后筛选出最优解并通过叁次多项式样条曲线对各关节运动轨迹进行优化。最后将建立的动力学仿真模型在Matlab软件中进行仿真得到机器人位置、速度、加速度和力矩变化曲线并进行分析,同时验证不同负载下的机器人动力学特性。通过建立仿真模型对机器人轨迹和力矩的特性进行验证分析,为机器人的研发实验提供预测和评估,具有很好的推广价值。作为机器人的核心,控制器是决定机器人动力学性能的重要因素,具有高智能算法的控制系统是机器人未来发展的方向。本文以神经网络算法为基础,结合其他智能算法设计控制器,对机器人动力学性能进行优化。首先将神经网络算法与粒子群算法相结合,针对神经网络算法的权值随机性带来的控制性能不稳定和收敛速度慢的缺点,利用粒子群算法对神经网络权值进行实时在线优化。其次还将神经网络算法和非奇异终端滑模控制相结合,由于滑模控制具有快速性好,无超调和实时性强的特点,适合机器人控制。但是其抖振问题一直是影响其应用发展的重要因素,因此,提出利用神经网络作为机器人不确定部分的滑模动态补偿来削弱控制器抖振,并通过Lyapunov方程对控制器进行稳定性判定。最后,针对以上两种控制器,分别在Matlab软件中编写控制算法并仿真,验证优化后的机器人轨迹跟踪能力和抗干扰能力,通过仿真结果证明了所提出的改进算法的有效性。最后,介绍了ER20-C10机器人控制系统的软硬件组成,并搭建了实验平台。根据示教流程示教编程了机器人运动轨迹,并针对不同负载对机器人进行实验。通过实验结果,分析了不同负载对搬运机器人位置误差和力矩的影响,与第二章建立的机器人动力学仿真结果对比,验证了动力学仿真模型的正确性。
常文君[10]2003年在《基于神经网络的多水下机器人协调控制方法研究》文中认为21世纪是海洋的世纪。海洋对于人类的发展和社会进步将起到至关重要的作用。自主式水下机器人(AUV)系统是未来海洋探测和开发，以及完成各种水下智能作业任务的重要工具。作为水下机器人技术中的关键技术，研究如何实现水下机器人运动的精确控制以及多机器人系统控制具有重要意义。 本文首先研究了神经网络技术在水下机器人运动控制中的应用，为多机器人的协调控制提供基本技术保障。研究的重点在于通过优化神经网络算法以提高网络学习的收敛速度和提高网络学习的稳定性。实验证明，设计的神经网络控制器具有良好的控制效果，为水下机器人的运动控制开辟了一种新的思路和设计方案，这对研究自主式水下机器人的智能控制起到积极的推动作用。 其次我们对多水下机器人系统的分布式控制进行了探索性的研究，多水下机器人系统的群体组织方式与机器人混合控制结构，机器人之间的行为协调是本文的研究重点。试验的结果表明基于混合结构的行为协调可以构建一个有效的多机器人分布式控制系统，强化学习的引入使得系统可以得到较好的优化结果。绝大部分的工作都是建立在新的多水下机器人仿真器之上的，新的6自由度数学模型、限制水域及海流修正、声与非声传感器的模拟以及基于MAS的软件框架使得该仿真系统大大加速地逼近真实条件下的多机器人控制研究。
参考文献：
[1]. 基于多机器人的开放式智能控制系统关键技术研究与开发[D]. 宋伟科. 天津大学. 2012
[2]. 基于神经网络的机器人控制研究[D]. 隋海美. 南京理工大学. 2003
[3]. 具有执行器非线性和状态约束的机器人自适应控制[D]. 陈辞. 广东工业大学. 2016
[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]. 并联机器人多目标协同智能控制研究[D]. 郭崇滨. 东华大学. 2013
[6]. 独轮自平衡机器人建模与控制研究[D]. 王启源. 北京工业大学. 2011
[7]. 非完整性移动机器人体系结构设计与轨迹跟踪控制研究[D]. 张辉. 湖南大学. 2007
[8]. 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
[9]. 基于神经网络算法的搬运机器人动力学性能控制[D]. 洪峥. 安徽工程大学. 2016
[10]. 基于神经网络的多水下机器人协调控制方法研究[D]. 常文君. 哈尔滨工程大学. 2003
标签：自动化技术论文; 机器人论文; 并联机器人论文; 神经网络模型论文; 仿真软件论文; 运动控制器论文; 建模软件论文; 线性系统论文; 协同软件论文; 系统学习论文; 协同设计论文; 动态模型论文; 非线性论文; 动力学论文; 平衡机论文;