陈杰[1]2015年在《在机器人系统中神经网络智能控制技术的研究》文中研究指明机器人系统的轨迹跟踪控制问题是控制领域中的一个重要的研究课题,实际的机器人系统在运行过程中总是会出现一些不可避免的外界干扰、非线性以及不确定性等因素,对机器人系统的控制精度、可靠性以及动态性能产生很大的影响。因此研究复杂环境下机器人控制系统的轨迹跟踪控制问题具有极其重要的理论意义和实际应用价值。神经网络具有联想记忆、非线性逼近以及自适应能力,是一种能够解决复杂不确定非线性机器人控制系统的跟踪控制问题的有效方法,也是贯穿本文各个部分的关键技术。鉴于此,本文在深入研究神经网络控制理论的基础上,对机器人系统中的神经网络智能控制技术开展了系统的研究。本文的主要工作如下:(1)研究了神经网络稳定性理论。基于M矩阵和Lyapunov稳定性理论,研究了一类不连续时滞T-S模糊Hopfield神经网络的动力学行为,得到一个使不连续时滞T-S模糊Hopfield神经网络在其不动点全局渐近稳定的准则。此外,研究了一类不连续CohenGrossberg神经网络鲁棒自适应控制方法,通过设计一个自适应控制器,确保了不连续Cohen-Grossberg神经网络在其平衡点的稳定性。通过仿真实验来证明所设计鲁棒自适应控制器的可控性和可行性。(2)研究了神经网络智能控制技术。针对一类时滞T-S模糊神经网络模型提出了一种鲁棒滑模控制方法。通过采用线性矩阵不等式技术,对一类模糊T-S时滞神经网络的滑模控制方法进行研究。本文设计的滑模控制器可以实现时滞T-S模糊神经网络的鲁棒渐近稳定性,基于Lyapunov稳定性理论证明了系统的稳定性以及跟踪误差渐近收敛于零。通过仿真实验分析,验证了所提出控制器的可靠性和鲁棒性。(3)针对一类带电机驱动的机器人控制系统,提出了一种鲁棒自适应神经网络控制方法。根据Lyapunov稳定性理论,专门设计了鲁棒自适应控制器,用以保证系统的鲁棒性和稳定性。通过采用反向推理法,首先给出一个期望的控制器,通过设计Lyapunov函数来保证系统的稳定性能,然后将期望控制器中的不确定项通过径向基函数神经网络来逼近,得到能使控制系统稳定的控制器。最后,通过仿真实验验证所得结果的鲁棒性和自适应性能。(4)提出了基于模糊神经网络的移动机器人自适应控制方法。通过整合应用模糊小脑神经网络和鲁棒自适应控制方法,实现对移动机器人系统准确的跟踪控制。基于Lyapunov稳定性理论,设计了鲁棒自适应模糊神经网络控制器,用以保证移动机器人系统的稳定性和鲁棒性。在控制器的设计过程中,使用模糊小脑神经网络来补偿移动机器人系统中的外部扰动和各种不确定性。通过Matlab软件对系统进行仿真实验,验证所设计控制器的有效性。(5)研究了不确定复杂环境下移动机器人的模糊滑模控制方法。通过联合自适应滑模控制和模糊高斯基函数神经网络方法,为移动机器人系统设计一个神经网络鲁棒自适应滑模控制器。通过Lyapunov稳定性理论验证了机器人控制系统的稳定性。针对系统的不确定性,使用模糊高斯基函数神经网络来进行逼近。通过数值仿真实验来验证所得结果,通过比较之前的鲁棒自适应控制结果表明,该控制方法是一种行之有效的控制方法,具有良好的性能和效果。
孙炜[2]2002年在《智能神经网络的机器人控制理论方法研究》文中研究表明本文在回顾了机器人控制技术和神经网络技术的发展和现状后，提出了智能神经网络的概念和模型，总结了它的定义，研究了多种形式的智能神经网络模型并将它们应用于机器人的控制中。所研究的智能神经网络可以分为两类，一类是具有模糊推理归纳和自学习能力的神经网络；另一类是具有全局稳定性和鲁棒性的神经网络。在本文中，我们通过将模糊控制与神经网络结合构成模糊神经网络来使神经网络具有模糊推理归纳和自学习能力；通过从系统的稳定性出发，用稳定性理论来设计鲁棒神经网络学习算法来使神经网络具有全局的稳定性。模糊神经网络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是可以不断修正的。同时由于模糊神经网络的结构具有明确的物理意义，模糊神经网络的结构设计和权值初始化非常容易。在模糊神经网络的研究方面，论文首先利用采用高斯基函数作为模糊隶属函数，构造了一种模糊高斯基神经网络；而后，为了使模糊隶属函数的形状可以得到实时在线的调整，在分析了样条基函数的特性后，利用B样条基函数作为模糊隶属函数，构造了一种模糊样条基神经网络；再然后，将小脑模型关节控制器中的空间划分方式进行模糊化处理，提出了一种模糊小脑模型关节控制器；之后，又在小波神经网络的基础上，设计了一种模糊小波基神经网络；最后，在模糊神经网络中引入反馈单元，提出了一种递归模糊神经网络。在鲁棒神经网络的研究方面，本论文基于李雅普诺夫定理等稳定性理论和鲁棒控制方法，设计了一种鲁棒神经网络控制系统，该系统首先利用具有鲁棒学习算法的神经网络来逼近系统中的不确定性因素，然后用鲁棒控制器来消除神经网络的逼近误差的影响。论文从理论上分析了整个鲁棒神经网络控制系统的稳定性。论文中提出的各种智能神经网络模型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。对提出的每一种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神经网络模型具有良好的智能特性，在应用于机器人的控制时，都能取得很好的控制效果，是行之有效的。
彭金柱[3]2008年在《大型冷凝器清洗机器人的智能鲁棒控制方法研究》文中研究指明多关节机械手和移动机器人的控制问题一直是控制科学工作者普遍关注的研究领域,同时也取得了许多理论成果,然而大部分工作都集中在传统的机械手或移动机器人的控制上。移动机械手结合了机械手和移动机器人两者的优点,同时具有移动和操作的功能,这种特点使得它优于传统的移动机器人和机械手,不仅具有机械手的操作灵活性,而且具有移动机器人工作空间的广阔性,具有几乎无限大的工作空间。基于移动机械手这种特点,本项目组研究了一种基于移动机械手的智能自动化清洗系统对大型冷凝器进行长期自主在线清洗,合理、高效地实现冷凝器污垢的在线清洗,改善冷凝器传热效果,提高汽轮机组的运行效率。本文重点开展用于大型冷凝器自动化清洗的移动机械手的智能鲁棒控制理论方法研究。全文主要工作包括如下几个方面。论文首先系统深入地介绍了大型冷凝器的工作原理和主要的清洗方法以及存在的不足;然后阐述了移动机械手的研究进展和机器人鲁棒控制的研究现状。并在此基础上阐述本论文的研究意义。本文所设计和研究的大型冷凝器自动清洗机器人是一类移动机械手系统,由于该移动机械手是由一个具有非完整性的移动机器人系统和完整约束的机械手组成,因此,论文第二章首先详细地介绍了非完整系统的运动学和动力学建模与特性、多关节机械手的运动学和动力学问题,然后针对移动机械手的整体控制策略和分散控制策略分别建立了相应的系统运动学和动力学模型。在移动机械手的整体控制策略方面,由于滑模控制方法是一种针对不确定系统的有效非线性反馈控制方法,论文第叁章首先根据移动机械手系统的不确定性和外界干扰的有界性设计了滑模控制器,该控制器优点在于滑模控制不需要被控对象精确的数学模型,而只要知道模型中参数的误差范围或变化范围;而且,滑模控制对有界干扰和参数变化具有不敏感性,可以削弱由于负载变化或干扰对系统控制性能的影响。然而,当不确定性和外界干扰的界未知时,滑模控制存在本身固有抖振现象,使得控制器不能得到很好地应用。针对这种情况,论文利用神经网络的非线性逼近能力来辨识移动机械手系统的不确定性和干扰,提出了一种基于神经网络的移动机械手滑模控制,使滑模控制器的抖振大大减少,并利用Lyapunov定理设计了具有神经网络补偿的滑模控制器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,实验结果表明基于神经网络的滑模控制方法能够有效地削弱抖振现象,具有很强的抗干扰能力和很好的动态特性。论文第四章首先针对CMAC中存在的问题,将模糊理论引入CMAC,在划分输入空间和激活联想强度时采用了模糊化的方法,提出了一种比传统CMAC更好的逼近能力的模糊CMAC神经网络模型。利用模糊CMAC神经网络的逼近能力对移动机械手进行建模,并在此基础上,提出了一种具有自适应能力的H_∞控制策略,通过H_∞控制策略减少了外扰和模糊CMAC神经网络重构误差对系统的影响。理论分析证明了该控制器能够将移动机械手系统的外扰影响控制在指定的范围内,且闭环系统的所有信号都是有界的。在仿真实验中,为了验证基于模糊CMAC神经网络的H_∞控制策略的有效性,将其与计算力矩控制方法进行比较,仿真结果表明,在存在外扰的情况下,所提出的控制策略具有比计算力矩控制方法更好的鲁棒性能。在移动机械手的分散控制策略方面,论文第五章将移动机械臂分成两个子系统,即非完整约束的移动平台子系统和完整约束的机械臂子系统,然后考虑了移动平台的运动学控制器,对两个子系统分别设计Lyapunov函数,将两个子系统之间的耦合看成干扰,之后针对机器人的部分参数未知和全部参数未知分别给出了相应的鲁棒自适应控制器设计,并分别根据Lyapunov稳定性理论证明了整个移动机械手系统的稳定性,且跟踪误差和自适应系数矩阵误差一致终值有界,保证了系统的稳定性、改善了系统的动态性能。实验结果表明,所设计的鲁棒自适应控制器是有效的,且具有较强的鲁棒性和自适应能力。基于体积、成本等方面的考虑,机器人系统通常不配备速度测量装置,仅通过位置反馈获取速度信息,论文第六章提出了一种模糊自适应非线性鲁棒观测器估计关节速度的方法,利用模糊逻辑来逼近系统参数的不确定性,引入鲁棒项抑制外扰和模糊逻辑逼近过程中的重构误差,采用严格正实Lyapunov设计方法分析观测误差是一致最终有界的;然后在鲁棒观测器的基础上,设计了机器人的模糊自适应输出反馈控制器,模糊系统参数基于Lyapunov稳定性理论自适应调整,整个控制器保证了具有不确定性的机器人系统渐近的跟踪轨迹,且闭环系统的所有信号均有界。仿真实验结果表明了该方法的有效性。针对冷凝器在线高效清洗要求,论文第七章提出了一种冷凝器在线清洗的新方案,根据冷凝器的水室结构及管束布局,将高压水射流清洗与化学清洗相结合并通过两关节机械臂清洗喷枪来实现清洗。并介绍了清洗系统结构,详细分析了适用于不同发电机组的自动化清洗机器人的机械结构及其控制系统结构。论文最后总结了全文的主要创新性研究成果,并对下一步研究工作进行了展望。
彭金柱[4]2005年在《机器人轨迹跟踪的智能控制方法研究》文中提出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。
林雷[5]2009年在《机器人模糊控制策略研究》文中提出近年来,机器人的智能控制无论在理论界还是工程界一直倍受人们的关注。本文以模糊控制为核心,针对机器人的非线性和不确定性,从以下几个方面加以研究。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征。由于测量和建模的不精确,再加上负载的变化以及外部扰动的影响,实际上无法得到其完整的动力学模型。本文提出一种实时在线建立非线性系统T-S模糊模型的方法,采用基于减法聚类的在线聚类来辨识模型的结构,递推最小二乘法来辨识模型参数,对于实时采集到的数据,采用先进先出的数据缓冲区来选择参与辨识的数据,达到快速实时建模的目的。将不确定性机器人系统分解成标称部分和不确定部分,对标称部分采用计算力矩控制,对不确定部分用两种方法来补偿。第一种是采用模糊变结构控制,根据系统不确定大小,通过模糊推理调整变结构控制器补偿幅度的大小,解决了变结构控制所带来的抖振问题。第二种是通过模糊神经网络来补偿系统的不确定部分和外界干扰,提出一种模糊神经网络在线学习所需的精确训练信号的方法,在学习初期或误差较大时采用变结构控制,两者之间通过平滑函数切换,达到快速精确控制的目的。对于不确定机器人,也可以采用自适应模糊控制器来控制。第一种方法是采用模糊逻辑系统构造不确定机器人模型中的未知函数的间接自适应模糊控制,同时附加具有饱和函数的变结构控制以保证系统的稳定性和减少抖振。第二种方法是在笛卡尔坐标系,采用模糊逻辑系统构造控制器的直接自适应模糊控制,同时附加H∞补偿控制以削弱系统的不确定影响,保证系统的稳定并取得H∞跟踪性能指标。和Mamdani等模糊推理不同,距离型模糊推理法利用模糊集合之间的距离进行推理,根据事实和规则前件之间的距离来计算规则后件在结论中所占的比重。本文提出具有方向性的知识半径,合理选择参与推理的规则,解决了有效规则问题,改进了距离型模糊推理法,提高了推理速度和精度。基于改进的距离型模糊推论法的学习算法具有算法简单、速度快的优点,将此方法应用在机器人逆运动学求解问题中,和自适应神经网络模糊推理(ANFIS)相比具有速度快、精度高等优点,在期望轨迹超出工作范围时也能得出合理解析。在X-Y平台实时控制实验中,采用了两种方法。第一种方法是采用实时在线建立非线性系统T-S模糊模型的方法,针对模型未知的X-Y平台,建立平台的T-S模糊模型,并在此模型基础上实现自适应控制,达到较好的控制效果。第二种方法是通过TCP/IP通信,利用基于客户/服务器(C/S)模式的分布式控制结构。服务器端软件采用C++编写,通过运动控制卡提供的API接口管理平台安全运行。客户端使用Simulink编写,实现预期的控制算法。两者之间通过UDP协议进行通信,既能达到管理平台、保护平台的目的,又能充分利用Simulink的优势。
甘永[6]2007年在《水下机器人运动控制系统体系结构的研究》文中研究指明海洋是人类发展的四大战略空间(陆、海、空、天)中继陆地之后的第二大空间，是生物资源、能源、水资源和金属资源的战略性开发基地，是最现实、最有发展潜力的空间，对我国经济与社会发展产生着直接、巨大的支撑作用。作为人类探索和开发海洋的助手，水下机器人将在这一领域显示它们多方面的用途。水下机器人是一种具有人工智能的系统，具有很高的自主能力、记忆能力和学习能力，能自主适应外界环境的变化。操作人员只需下达使命给水下机器人，与战术甚至与战略有关的任务，都由水下机器人自主完成。水下机器人运动控制系统作为水下机器人中最为基础和关键的一环，研究其系统体系结构具有极其关键的意义。论文的目的是建立较为完善的水下机器人运动控制体系结构，该体系结构具有与上层智能规划系统的兼容性，同时还具有扩展性、普遍性，不仅适应于一些高智能的自主式水下机器人，也适用于需要完成某些特殊任务的特种水下机器人。作者开展了以“水下机器人运动控制系统体系结构的研究”为题的博士论文研究工作，从水下机器人的总体体系结构出发，根据水下机器人运动控制的特点，将运动控制系统分为感知层、控制层以及执行层叁层，提出了基于感知层、控制层、执行层的水下机器人PCE(Perception-Control-Executive)运动控制系统体系结构。其中感知层包括对水下机器人运动状态以及水下环境的理解、对于上层规划系统指令的分析、水下机器人的故障信息感知等。在控制层中，采用智能控制技术设计水下机器人的运动控制器，研究神经网络与其它控制算法相结合的控制器结构和学习算法，探讨适应于水下机器人的运动控制理论。在执行层中，针对各种复杂的执行器系统，通过分析各种执行器系统的水动力性能，设计了合适的推力分配策略。水下机器人PCE运动控制系统体系结构各层之间任务明确、要求具体、关系清楚，同时当感知层感知到某些紧急情况时，通过直接发送执行机构指令来控制执行层，解决了递阶体系结构响应缓慢的缺点。遵循理论研究和工程应用相结合的研究思路，论文在基于完善性、通用性、扩展性的原则上提出了水下机器人PCE运动控制系统体系结构的框架，从子系统、系统资源、资源分配、安全和可靠性、具体应用等方面阐述了运动控制系统体系结构的框架，按照水下机器人PCE运动控制系统体系结构的框架层次结构依次对感知层、控制层、执行层技术进行了研究和探讨。论文的研究主要体现在理论方法、工程应用和实验叁大部分。理论方法部分：(1)根据水下机器人运动控制的特点，将运动控制系统分为感知层、控制层以及执行层叁层，建立了基于感知层、控制层、执行层的水下机器人PCE运动控制体系结构，为水下机器人运动控制系统的设计提供了标准和参考。(2)通过建立虚拟声呐模型，利用地形跟踪的方法讨论了水下机器人对目标指令的理解问题，解决了水下机器人运动控制与规划控制的协调合作问题，对于一般机器人的运动控制也有一定的指导意义。(3)从理论上探讨了并行神经网络控制与基于神经网络的滑模控制方法。通过并行神经网络的研究解决了前向神经网络收敛慢的问题，而在滑模控制中引入神经网络，通过建立模型观测器和利用神经网络的自学习能力在线估计模型误差，解决了滑模控制中由于模型失配导致的控制受限问题。(4)通过一系列的推进器试验、执行机构试验从原理上探讨了水下机器人常用的执行机构的水动力性能，对于水下机器人执行机构的设计与布置具有较大的指导意义。工程应用部分：(1)建立了适用于水下机器人的半实物运动仿真系统，不仅能对水下机器人的应用软件，而且能对水下机器人运动控制系统中数据流、信息流、系统软件乃至于一部分硬件系统进行调试验证，这是水下机器人工程应用中必不可少的组成部分。(2)从工程实际出发，提出了改进S面运动控制器。在保持S面控制算法结构简单、参数易于调整等优点的基础上解决了在高速运动情况下水下机器人难以保持艏向以及垂向响应缓慢等问题，在多次海上试验中得到了成功应用。(3)针对一系列执行器系统，提出了相应的推力分配策略。根据具体工程应用任务的不同，采用具有最高执行效率的推力分配策略，为水下机器人的各种执行器系统提供了较为完善的解决方案。(4)为了实际工程应用，设计了水下机器人控制软件平台以及用户接口软件。前者引入UML设计，根据具体水下机器人自主地配置传感器、控制算法等，后者采用面向对象设计的方法为用户提供直观的界面与输入接口。实验部分：将论文所提出的水下机器人PCE运动控制系统体系结构应用于不同任务需求的水下机器人，包括自主型水下机器人，遥控式水下机器人，基于翼控制的水下机器人，通过实际试验验证了所提出的水下机器人体系结构的可行性、可扩展性以及可靠性。针对于自主式智能水下机器人一某型智能水下机器，将感知层、控制层、执行层全部嵌入到水下机器人艇体内部，加强水下机器人感知能力、控制能力，使其可以满足在无人无缆条件的自主作业。针对遥控式水下机器人—“堤坝检测水下机器人”，由于有人为的操作和干预，其控制系统采用底层工控机与顶层PC机组合实现，为了满足实际的需要引入了自动扫坝控制、船位推算算法以及软件人机接口；针对基于翼控制的某微小型水下机器人，着重讨论了襟翼执行机构在基于翼控制的水下机器人上的应用。通过海上、湖上与水池试验验证了论文提出的水下机器人PCE运动控制系统体系结构的可行性与可靠性。为了满足水下机器人运动控制系统的要求，本文提出了基于感知层、控制层、执行层的水下机器人PCE运动控制系统体系结构，并依次对感知层、控制层、执行层技术进行了研究和探讨。试验结果表明本文提出的水下机器人运动控制系统体系结构具有扩展性、普遍性，可以适应于多种不同任务需求的水下机器人。本文的研究成果对于水下机器人体系结构的建立具有一定的指导意义，在水下机器人技术中有着重要的现实意义和实际应用价值。
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》文中提出近几年,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。
常文君[8]2003年在《基于神经网络的多水下机器人协调控制方法研究》文中研究表明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。
吴宝强[9]2012年在《风管清扫机器人运动学分析及轨迹跟踪控制方法研究》文中认为中央空调越来越多的进入我们生活、工作等各种公共环境。常年运行的中央空调，管道内沉积各种有害物质，随气流一起进入室内，严重影响室内环境。中央空调定期清扫，成为一项必要的工作。但中央空调通风管道纵横交错,管路复杂，实行人工管道检测、清扫不仅费时费力、效率低下、易造成二次污染，而且存在安全隐患。因此研究开发风管清扫机器人完成管道清扫任务具有迫切的现实意义和重要的实用推广价值。精确的风管清扫机器人建模分析和轨迹跟踪控制是保证其在风管内部高效、快速、自主清扫的前提条件，本文将针对复杂工作环境下的风管清扫机器人，建立精确运动学模型，并研究该机器人的轨迹跟踪控制方法，得到相应的解决方案。在介绍了所设计的风管清扫机器人主体结构、工作环境，对机器人轨迹跟踪问题进行了分析的基础上，针对复杂管道环境下的风管清扫机器人，论文首先进行了运动学建模。建模过程中，通过实时测量地形变化引起的机器人底盘姿态角度的变化，并将该姿态角度作为输入量整合到机器人运动学模型中，得到地形环境和机器人共同作用下的末端位姿，从而建立了一个融合复杂地形影响的机器人整体运动学模型。然后，在考虑毛刷柔性和摩擦力不确定情况下，对机器人进行了整体动力学模型分析。在建立了精确的运动学和动力学模型之后，论文研究了多种风管清扫机器人轨迹跟踪控制方法，包括PID轨迹跟踪控制、基于BP神经网络的PID轨迹跟踪控制；RBF神经网络自适应轨迹跟踪控制；鲁棒控制、改进的鲁棒控制、鲁棒神经网络控制等。最后，数据验证了风管清扫机器人运动学模型的准确性，仿真实验表明了所设计的轨迹跟踪控制方法的可行性。
曹梦龙[10]2005年在《焊网机器人系统设计及其智能控制研究》文中指出工业机器人技术是当今世界引入注目的高新产品之一,许多国家把发展机器人作为高技术领域的战略目标列入国家发展计划。焊接是工业机器人应用的一个重要领域,目前,采用机器人焊接已成为焊接自动化技术现代化、智能化的主要标志。 本文以青岛科技局“智能钢筋焊网设备的研制及其产业化”发展计划项目为背景,主要介绍了参考进口设备流程,自行设计的焊网机器人系统(钢筋焊网焊接生产线),提出了智能焊网机器人的设计思想及控制方案。 焊网机器人系统中设计开发了采用电阻焊工艺的可移动单焊头焊网机器人,摆脱了以往电阻焊需要专用供电设备和使用场所的条件限制。整个生产线控制系统采用PC技术形成两级控制并具有网络化功能。系统设计依照机电体化的思想,力求使得整个系统柔性化、产业化,而设计多用、产业化智能机器人是达到这一目的的必由之路。 机器人是一个多输入多输出、强耦合、非线性时变受控对象,因而很难建立起精确的数学模型。本文将迭代控制与神经网络相结合,提出一种基于神经网络模型辨识的迭代学习智能控制方法。迭代学习控制ILC(Iterative Learning Control)算法执行简单,不需要准确的动力学模型;另外,神经网络具有对任意非线性映射的理想逼近能力,能学习和适应未知不确定系统的动态特性,使系统具有更强的适应性和鲁棒性并消除不确定性和外部干扰的影响。为了提高系统的实时性和初始鲁棒性,在控制器设计中还引入了反馈控制。 在MATLAB环境下的仿真结果表明该方法对未知外部干扰的机器人系统是十分有效的,可以实现机器人在不确定扰动的情况下运动的高精度控制。
参考文献：
[1]. 在机器人系统中神经网络智能控制技术的研究[D]. 陈杰. 西安电子科技大学. 2015
[2]. 智能神经网络的机器人控制理论方法研究[D]. 孙炜. 湖南大学. 2002
[3]. 大型冷凝器清洗机器人的智能鲁棒控制方法研究[D]. 彭金柱. 湖南大学. 2008
[4]. 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
[5]. 机器人模糊控制策略研究[D]. 林雷. 燕山大学. 2009
[6]. 水下机器人运动控制系统体系结构的研究[D]. 甘永. 哈尔滨工程大学. 2007
[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]. 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
[9]. 风管清扫机器人运动学分析及轨迹跟踪控制方法研究[D]. 吴宝强. 湖南大学. 2012
[10]. 焊网机器人系统设计及其智能控制研究[D]. 曹梦龙. 青岛科技大学. 2005
标签：自动化技术论文; 机器人论文; 机械手论文; 自适应论文; 移动机器人论文; 模糊神经网络论文; 模糊理论论文; 运动控制器论文; 控制理论论文; 模糊算法论文; 滑模控制论文;