CN102825603B - 网络遥操作机器人系统及时延克服方法 - Google Patents

Abstract

本发明公开了一种网络遥操作机器人系统及时延克服方法，本系统由两个结构相同，功能对称的机械手通过网络通讯环节联系在一起。操作者对主机械手进行操作，使主机械手动作，主机械手通过力和角位移传感器以及通信控制环节将动作信号传递给从机械手，使其能够跟随主机械手同向运动。当从机械手受到环境影响时，能够再原路返回给主机械手，使主机械手也同样感受到环境的作用，再反馈给操作者。本发明采用了基于事件的建模方法和模糊预测控制算法，对模型失配有较好的鲁棒性，使系统克服网络时延所造成的影响。

Description

网络遥操作机器人系统及时延克服方法

技术领域

本发明涉及一种机器人的控制系统及方法，尤其涉及一种基于网络的遥操作机器人的控制系统以及时延克服方法，属于机器人技术领域。

背景技术

20世纪90代以来，计算机网络技术得到了飞速发展，借助计算机网络、机械电子和传感器等方面的技术把机器人与网络相连，可以实现基于网络的遥操作机器人。网络遥操作机器人可以利用网络作为媒介，连接位于网络两端的操作者和机器人等设备，操作者利用从远端反馈回的声音、图像、位置、力等状态信息，实时对远端机器人进行交互控制，完成生产、实验、探险等操作行为。

然而，随着遥操作机器人被广泛应用到空间、深海、工业生产及人民生活的各个领域，在操作者的安全性和工作效率提高的同时，其严重的不足也暴露出来：遥操作系统固有的时延特性影响着系统的正常工作，时延较大或变化时，将大大降低系统的性能，甚至造成不稳定。网络传输时延尤其是大时延和变时延给遥操作机器人带来的影响，主要体现在降低系统的稳定性、透明性。

经过几十年的发展，国内外的学者专家们已经提出了不少解决时延问题的方法，目前关于遥操作机器人系统的研究方法主要有三种，即预测控制、远程规划和双边控制。

预测控制作为解决遥操作系统时延问题的有效方法，其主要思想是通过在主机器人控制站建立从机器人和环境的虚拟模型，并用虚拟模型对从机械手受力进行预测。当远程从机器人和环境的模型和虚拟模型的模型相同时，操作者对虚拟模型的接触就等同于和真实环境的接触。但是预测控制也有自身的不足之处，它一种基于模型的精确控制方法，需要知道从机械手和环境的精确模型，而且控制算法相对复杂。为了解决预测控制算法复杂的问题，将预测控制与模糊推理相结合，可以将模型模糊化，使控制方法更简单，更符合人们的控制思想，再结合不依赖于时间基于事件的建模方法，可进一步克服时延的影响，提高控制效果。

发明内容

本发明的目的在于提供一种网络遥操作机器人系统及时延克服方法，优化网络遥操作系统，并解决网络遥操作机器人现存的时延问题。

本发明的目的通过以下技术方案予以实现：

一种网络遥操作机器人系统，由两个结构相同，功能对称的机械手通过网络通讯环节联系在一起。包括主机械臂1、从机械臂2、主计算机3、从计算机4、第一数据采集卡5、第二数据采集卡6、第一单片机7、第二单片机8。所述主计算机3通过第一数据采集卡5采集主机械臂1的位置和力信号，所述从计算机4通过第二数据采集卡6采集从机械臂2的位置和力信号，所述主计算机3和从计算机4通过TCP/IP网络通讯环节将主从机械臂的位置和力信号相互传递，所述主计算机3将控制信号由串口通信传递至第一单片机7，第一单片机7输出PWM脉冲信号控制主机械臂1工作，所述从计算机4将控制信号由串口通信传递至第二单片机8，第二单片机8输出PWM脉冲信号控制从机械臂2工作。

一种网络遥操作机器人系统的时延克服方法，包括以下步骤：

1.建立针对网络时延的基于事件模型

以事件变量s代替现有系统中的参考变量—时间T，基于事件的控制中，选取s为机械手走过的距离，设定每当s递增一段距离，产生一个事件，并把当前的状态信息发送给路径管理器；

运动参考变量的产生方法：经过事件产生器得到反馈事件s，为了使参考事件s跟踪上期望参考事件s_d，采用如下算法产生期望的事件输入：

$s_d=s-k(\frac{{\mathrm{ds}}_d}{\mathrm{dt}}-\frac{\mathrm{ds}}{\mathrm{dt}})$

定义e=s_d-s，可知s收敛于s_d；

设机器人的一般模型如下：

$\left\{\begin{array}{cc}\frac{\mathrm{dx}}{\mathrm{dt}}=f\left(x\right)+g\left(x\right)u& x\∈R^n,u\∈R^m\\ y=h\left(x\right)& y\∈R^m\end{array}\right.$

令所选的新参考变量s=S(x(t))，由可知基于事件模型的机器人系统可表示如下：

$\left\{\begin{array}{cc}\frac{\mathrm{dx}}{\mathrm{dt}}=\frac{f\left(x\left(s\right)\right)}{v\left(s\right)}+\frac{g\left(x\left(s\right)\right)}{v\left(s\right)}u& x\∈R^n,u\∈R^m\\ y=h\left(x\left(s\right)\right)& y\∈R^m\end{array}\right.$

其中， $v\left(s\right)=\frac{\mathrm{dS}\left(x\left(t\right)\right)}{\mathrm{dt}}$

由建立的基于事件的模型可知系统的模型参数；

2.模糊预测控制算法

结合所建立的基于事件模型进行模糊广义预测控制器的设计；

基于广义预测控制的模型预测和滚动优化：

设网络遥操作机器人系统的预测模型由受控自回归积分滑动平均模型，即CARIMA方程描述：

A(z^-1)y(k)=B(z^-1)u_GPC(k-1)+C(z^-1)ξ(k)/Δ

其中A(z^-1)、B(z^-1)和C(z^-1)分别是n、m和n阶的z^-1的多项式，可令C(z^-1)=1，y(k)为系统输出，u_GPC(k-1)表示控制量，ξ(k)表示均值为零的白噪声序列，z^-1为后移算子，Δ=1-z^-1为差分算子，若时滞大于零，则B(z^-1)多项式开头的一项或几项系统等于零。由于CARIMA模型能自然地把积分作用纳入控制律中，可以消除系统的稳态误差；

考虑k时刻的优化性能指标，采用下式表示：

$J=\underset{j=1}{\overset{N_1}{\mathrm{\Σ}}}{[y(k+j)-y_r(k+j)]}^2+\underset{j=1}{\overset{N_{\mathrm{\μ}}}{\mathrm{\Σ}}}\mathrm{\λ}{\left[{\mathrm{\Δu}}_{\mathrm{GPC}}(k+j-1)\right]}^2$

式中，y_r为已知的参考序列，λ是大于零的控制加权系数，N₁是最大预测时域，N_μ表示控制时域（N_μ<N₁），即在N_μ步后控制量将不再发生变化；

为了预测超前j步的输出，引入丢番图方程

1＝E_j(z^-1)A(z^-1)Δ+z^-jF_j(z^-1)

E_j(z^-1)B_j(z^-1)=G_j(z^-1)+z^-jH_j(z^-1)

其中E_j(z^-1)、F_j(z^-1)、G_j(z^-1)和H_j(z^-1)分别是j-1、n、j-1和m-1阶的z^-1的多项式；

由上述公式可知，只要给定预测时域N₁，控制时域N_μ和加权常数λ，就可以求出控制量Δu_GPC(k)，其向量形式如下所示：

u_GPC(k)=u(k-1)+g^T(y_r-Fy)

Δu_GPC(k)=g^T(y_r-Fy)

式中，g^T为(G^TG+λI)^-1G^T的第一行；

具体算法步骤如下：

第一步：由基于事件的模型可知被控对象模型参数A(z^-1)和B(z^-1)；

第二步：给定预测时域N₁，控制时域N_μ和加权常数λ；

第三步：由丢番图方程求解多项式E_j，F_j，G_j和H_j；

第四步：计算矩阵G及(G^TG+λI)^-1；

第五步：求解出控制量u_GPC(k)和Δu_GPC(k)。

本发明的目的还可以通过以下技术措施来进一步实现：

前述网络遥操作机器人系统的时延克服方法，还包括基于模糊推理的反馈校正方法；

控制信号Δu(k)由下面两部分组成：

Δu(k)=Δu_GPC(k)+Δu_F(k)

其中u_F(k)为模糊推理的得到对误差的补偿控制量；

设e(k)和ec(k)为系统k时刻的反馈偏差和偏差变化值，由于系统存在τ步时延，则u_F(k)由e(k-τ)和ec(k-τ)确定；

即：e(k-τ)=y_r(k-τ)-y_m(k-τ)

ec(k-τ)=e(k-τ)-e(k-τ)

其中，y_r(k-τ)为对象输出反馈值，y_m(k-τ)为对象模型输出值，则u_F可由e(k-τ)和ec(k-τ)来判断；

模糊补偿控制器的设计将采用如下的控制律：将e和ec的论域分别划分为5个模糊集{NB，NS,ZE,PS,PB}和3个模糊集{N，Z，P}，为了得到更准确的预测误差补偿，设定偏差e采用高斯隶属度函数，偏差变化率ec采用三角形隶属度函数，定义模糊规则如下：

R_i：If e is A_m and ec is B_n then u_F is C_k

其中，A_m∈{NB，NS,ZE,PS,PB}，B_n∈{N，Z，P}，i＝1，2，…，15，u_F为补偿控制输入；

控制规则如下所示：

在进行反模糊化时，为了得到更精确的控制量，采用面积重心法求得u_F的清晰值，即用如下的推理方法进行计算：

$u_F=\underset{i=1}{\overset{15}{\mathrm{\&Sigma;}}}({\stackrel{\&OverBar;}{w}}_i\&CenterDot;C_i)/\underset{i=1}{\overset{15}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{w}}_i$

$w_i=A_m\left(e(k-\mathrm{\&tau;})\right)\&CenterDot;B_n\left(\mathrm{ec}(k-\mathrm{\&tau;})\right)/\underset{i=1}{\overset{15}{\mathrm{\&Sigma;}}}(A_m\left(e(k-\mathrm{\&tau;})\right)\&CenterDot;B_n\left(\mathrm{ec}(k-\mathrm{\&tau;})\right))$

考虑到u_F变化过大可能会影响控制效果，则误差补偿控制量Δu_F(k)由下式进行约束：

Δu_F(k)=λ(u_F(k)-u_F(k-1))

其中λ∈[0，1]，为常数。

与现有技术相比，本发明的有益效果是：

1.本发明针对网络遥操作系统存在的时延问题，在建模方面采用了基于事件的模型，规避时延问题的影响，使系统成为闭环的，实时控制系统，可以保证系统的稳定性。

2.在建立基于事件模型的基础上，将预测控制与模糊推理相结合，对模型失配有较好的鲁棒性，也可以更好地克服时延的影响。

附图说明

图1是本发明网络遥操作机器人系统结构图；

图2是网络遥操作机器人主从端控制结构图；

图3是LabVIEW主端软件流程图；

图4是LabVIEW从端软件流程图；

图5是LabVIEW前面板设计框图；

图6是基于事件的模型框图；

图7是模糊预测控制器的结构框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

如图1所示，网络遥操作机器人系统，由两个结构相同，功能对称的机械手通过网络通讯环节联系在一起。

如图2所示，网络遥操作机器人系统，包括主机械臂1、从机械臂2、主计算机3、从计算机4、第一数据采集卡5、第二数据采集卡6、第一单片机7、第二单片机8。所述主计算机3通过第一数据采集卡5采集主机械臂1的位置和力信号，所述从计算机4通过第二数据采集卡6采集从机械臂2的位置和力信号，所述主计算机3和从计算机4通过TCP/IP网络通讯环节将主从机械臂的位置和力信号相互传递，所述主计算机3将控制信号由串口通信传递至第一单片机7，第一单片机7输出PWM脉冲信号控制主机械臂1工作，所述从计算机4将控制信号由串口通信传递至第二单片机8，第二单片机8输出PWM脉冲信号控制从机械臂2工作。

操作者操纵主机械臂动作，由此产生的位移信号通过角位置传感器由数据采集卡采集，并通过TCP/IP网络通讯环节将位置信号传递到从手计算机，从计算机通过一定的算法，将控制信号通过串口通信传递给单片机，单片机发送PWM脉冲信号控制从机械臂电机的转动，使从机械臂能够跟随主机械臂运动。当从机械臂遇到环境的作用时，力传感器就会感受到力信号，并由数据采集卡采集，通过TCP/IP网络通讯环节发送给主计算机，主计算机通过一定的算法，将控制信号通过串口通信传递给单片机，单片机再发送PWM脉冲信号控制主机械臂电机的转动，使操作者感受到从机械臂所受到的力，对后面的动作进行调整。

计算机上的软件平台将通过LabVIEW软件构建，实现主从手位置跟踪实验，并在计算机上实时显示实验的各种波形及数据。网络遥操作机器人的LabVIEW软件平台主要包括前面板和程序框图的设计。程序框图将包括下面四个部分的设计。

（1）数据采集：在网络遥操作机器人系统中，需要通过数据采集卡采集机械臂的位置及力的模拟量数据。因此，在LabVIEW平台中建立一个简单的VI，实现数据采集卡的模拟量读取。

（2）串口通信：在网络遥操作机器人系统中，单片机需要通过串口接收计算机发送的指令，从而产生相应的PWM脉冲信号控制电机，驱动主从机械臂实现位置跟踪和力反馈。

（3）网络通讯：在本实验系统中，主从计算机采用TCP/IP协议通过网络接口互相传递主从机械臂的位置力等数据。从计算机根据主从机械臂位置差值控制从手跟踪主手运动；主计算机根据主从机械臂力的差值反馈从手所受的力作用。

（4）算法设计：网络遥操作机器人要求精确度高，定位准确，操作稳定，作为经典控制方法的PID控制在网络时延等干扰因素下很难达到实际要求，所以本发明提出了网络遥操作机器人系统LabVIEW实验平台的模糊预测控制方案。在LabVIEW平台下，并没有提供模糊控制和预测控制的工具包，可是LabVIEW具有脚本节点的功能，通过脚本节点用户可以执行外部文件，如MATLAB的m文件。在LabVIEW软件程序框图的函数面板上可以导入MATLAB脚本节点写好的控制算法文件。LabVIEW软件流程图如图3、4所示。

针对网络遥操作机器人的LabVIEW程序设计分成主机械臂端和从机械臂端两个部分。从机械臂端配置好有关参数，主机械臂端在指定的端口进行侦听，当从端发送TCP连接请求时，主端进行连接，此时系统开始进行网络通讯。主端将位置信息通过数据采集发送给从端，从端读取数据并显示保存，同时通过一定的算法，将数据通过串口通信发送给单片机，使从机械臂跟踪主机械臂的运动。当遇到环境作用时，从端就会将力信息通过数据采集发送给主端，主端读取数据并显示保存，将数据通过串口通信发送给单片机，使主端感受到从端收到的力。在此过程中，主端可以通过发送本地停止请求结束连接。从端收到主端的“停止”标志后，也会关闭本地的TCP连接。

如图5所示，LabVIEW前面板中将主要包括三部分。第一部分为网络连接的地址、端口以及连接停止按钮等；第二部分为盘式主从手角度值和条式主从手力值；第三部分为输出的主从手位置曲线或者主从手力值曲线，可以方便观察系统的实时跟踪反馈情况。

网络遥操作机器人时延克服方法具体如下：

1.针对网络时延的基于事件模型建立

如图6所示，为了更好地解决网络时延问题，本发明采用了基于事件的建模方式。

基于事件的模型实质就是选择一个与系统输出相关而与时间无关的变量作为运动参考变量，系统的规划和设计都是基于这个新的事件变量s来进行的。s代替以往系统中的参考变量—时间T，从而规避时延问题的影响，使系统成为闭环的，实时控制系统，可以保证系统的稳定性。当系统运行在负载环境中或者运行过程中遇到不确定、突发性行事件时，基于事件的模型也能够保持系统的协调并具备处理这些突发性情况的能力，进一步保证了系统的稳定性。

由Lyapunov稳定性判据可知，如果原机器人系统在时间t为参考的情况下是渐进稳定的，那么由逆定理可知，我们可以找到一个Lyapunov函数L(X(t))满足：

1.L(X(t))正定

2.负定。

如果系统的运动以事件s作为参考变量，且s=П(y)是时间变量t的非减函数，那么L(X(s))依然正定。

另外， $\frac{\mathrm{dL}\left(X\left(t\right)\right)}{\mathrm{dt}}=\frac{\mathrm{dL}\left(X\left(s\right)\right)}{\mathrm{dt}}=\frac{\mathrm{dL}\left(X\left(s\right)\right)}{\mathrm{ds}}\frac{\mathrm{ds}}{\mathrm{dt}}$

只要所选事件s是时间t的非减或单调增函数，那么

因此是负定的。那么该系统关于事件参考变量s渐进稳定。

由此可见，基于事件的控制系统的可靠性在于事件模型不直接依赖于时间，因而时延对控制系统的稳定将不会产生影响。也就是说，只要为系统找到合适的事件s为参考变量，时延问题对控制系统的影响将大大降低。

基于事件的控制中，选取s为主机械手走过的距离，由于期望s是随时间递增的函数，故选择的事件满足要求．设定每当s递增第一距离，如0.02m时，就会产生一个事件，并把当前的状态信息发送给路径管理器。

运动参考变量的产生方法：经过事件产生器得到反馈事件s，为了使参考事件s跟踪上期望参考事件s_d，采用如下算法产生期望的事件输入：

$s_d=s-k(\frac{{\mathrm{ds}}_d}{\mathrm{dt}}-\frac{\mathrm{ds}}{\mathrm{dt}})$

定义e=s_d-s，可知s收敛于s_d。

机器人的一般模型如下：

$\left\{\begin{array}{cc}\frac{\mathrm{dx}}{\mathrm{dt}}=f\left(x\right)+g\left(x\right)u& x\&Element;R^n,u\&Element;R^m\\ y=h\left(x\right)& y\&Element;R^m\end{array}\right.$

令所选的新参考变量s=S(x(t))，由可知基于事件模型的机器人系统可表示如下：

$\left\{\begin{array}{cc}\frac{\mathrm{dx}}{\mathrm{dt}}=\frac{f\left(x\left(s\right)\right)}{v\left(s\right)}+\frac{g\left(x\left(s\right)\right)}{v\left(s\right)}u& x\&Element;R^n,u\&Element;R^m\\ y=h\left(x\left(s\right)\right)& y\&Element;R^m\end{array}\right.$

其中， $v\left(s\right)=\frac{\mathrm{dS}\left(x\left(t\right)\right)}{\mathrm{dt}}$

由建立的基于事件的模型可知系统的模型参数。

2.模糊预测控制算法

如图7所示，本发明综合考虑了预测控制的输出预测和滚动优化的特点，对模型失配造成的误差，直接采用模糊推理，进行反馈校正。这样，结合了预测控制和模糊推理的优点，可以进一步解决时延问题对网络遥操作机器人的困扰。

结合所建立的基于事件模型，下面进行模糊广义预测控制器的设计。

1）基于广义预测控制的模型预测和滚动优化

设网络遥操作机器人系统的预测模型由受控自回归积分滑动平均模型，即CARIMA方程描述：

A(z^-1)y(k)=B(z^-1)u_GPC(k-1)+C(z^-1)ξ(k)/Δ

其中A(z^-1)、B(z^-1)和C(z^-1)分别是n、m和n阶的z^-1的多项式，可令C(z^-1)=1，y(k)为系统输出，u_GPC(k-1)表示控制量，ξ(k)表示均值为零的白噪声序列，z^-1为后移算子，Δ=1-z^-1为差分算子，若时滞大于零，则B(z^-1)多项式开头的一项或几项系统等于零。由于CARIMA模型能自然地把积分作用纳入控制律中，可以消除系统的稳态误差。

考虑k时刻的优化性能指标，采用下式表示：

$J=\underset{j=1}{\overset{N_1}{\mathrm{\&Sigma;}}}{[y(k+j)-y_r(k+j)]}^2+\underset{j=1}{\overset{N_{\mathrm{\&mu;}}}{\mathrm{\&Sigma;}}}\mathrm{\&lambda;}{\left[{\mathrm{\&Delta;u}}_{\mathrm{GPC}}(k+j-1)\right]}^2$

式中，y_r为已知的参考序列，λ是大于零的控制加权系数，N₁是最大预测时域，N_μ表示控制时域（N_μ<N₁），即在N_μ步后控制量将不再发生变化。

为了预测超前j步的输出，引入丢番图方程

1＝E_j(z^-1)A(z^-1)Δ+z^-jF_j(z^-1)

E_j(z^-1)B_j(z^-1)=G_j(z^-1)+z^-jH_j(z^-1)

其中E_j(z^-1)、F_j(z^-1)、G_j(z^-1)和H_j(z^-1)分别是j-1、n、j-1和m-1阶的z^-1的多项式。

由上述公式可知，只要给定预测时域N₁，控制时域N_μ和加权常数λ，就可以求出控制量Δu_GPC(k)。其向量形式如下所示：

u_GPC(k)=u(k^-1)+g^T(y_r-Fy)

Δu_GPC(k)=g^T(y_r-Fy)

式中，g^T为(G^TG+λI)^-1G^T的第一行。

具体算法步骤如下：

第一步：由基于事件的模型可知被控对象模型参数A(z^-1)和B(z^-1)。

第二步：给定预测时域N₁，控制时域N_μ和加权常数λ

第三步：由丢番图方程求解多项式E_j，F_j，G_j和H_j。

第四步：计算矩阵G及(G^TG+λI)^-1

第五步：求解出控制量u_GPC(k)和Δu_GPC(k)。

2）基于模糊推理的反馈校正

在一般的广义预测控制中，预测控制的预测模型和滚动优化思想都得到了体现，而反馈校正环节体现的较少。由于环境，噪音，网络延迟和干扰因素，使得实际控制系统的数学模型和预测模型有较大的误差，为了解决这一问题，本发明利用模糊补偿来修正预测模型的输出，它不仅能进一步克服模型失配的影响，而且还提高了预测的准确性，即控制信号Δu(k)由下面两部分组成：

Δu(k)=Δu_GPC(k)+Δu_F(k)

其中u_F(k)为模糊推理的得到对误差的补偿控制量。

设e(k)和ec(k)为系统k时刻的反馈偏差和偏差变化值，由于系统存在τ步时延，则u_F(k)由e(k-τ)和ec(k-τ)确定。

即：e(k-τ)=y_r(k-τ)-y_m(k-τ)

ec(k-τ)=e(k-τ)-e(k-τ-1)

其中，y_r(k-τ)为对象输出反馈值，y_m(k-τ)为对象模型输出值，则u_F可由e(k-τ)和ec(k-τ)来判断。

模糊补偿控制器的设计将采用如下的控制律：将e和ec的论域分别划分为5个模糊集{NB，NS,ZE,PS,PB}和3个模糊集{N，Z，P}，为了得到更准确的预测误差补偿，设定偏差e采用高斯隶属度函数，偏差变化率ec采用三角形隶属度函数，定义模糊规则如下：

R_i：If e is A_m and ec is B_n then u_F is C_k

其中，A_m∈{NB，NS,ZE,PS,PB}，B_n∈{N，Z，P}，i＝1，2，…，15，u_F为补偿控制输入。

控制规则如下所示：

在进行反模糊化时，为了得到更精确的控制量，将采用面积重心法求得u_F的清晰值，即用如下的推理方法进行计算：

$u_F=\underset{i=1}{\overset{15}{\mathrm{\&Sigma;}}}({\stackrel{\&OverBar;}{w}}_i\&CenterDot;C_i)/\underset{i=1}{\overset{15}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{w}}_i$

其中， $w_i=A_m\left(e(k-\mathrm{\&tau;})\right)\&CenterDot;B_n\left(\mathrm{ec}(k-\mathrm{\&tau;})\right)/\underset{i=1}{\overset{15}{\mathrm{\&Sigma;}}}(A_m\left(e(k-\mathrm{\&tau;})\right)\&CenterDot;B_n\left(\mathrm{ec}(k-\mathrm{\&tau;})\right))$

此外，考虑到防止因u_F变化过大影响控制效果，误差补偿控制量Δu_F(k)由下式进行约束：

Δu_F(k)=λ(u_F(k)-u_F(k-1))

其中λ∈[0，1]，为常数。

除上述实施例外，本发明还可以有其他实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。

Claims (1)

1.一种网络遥操作机器人系统时延克服方法，网络遥操作机器人系统由两个结构相同，功能对称的机械手通过网络通讯环节联系在一起；包括主机械臂(1)、从机械臂(2)、主计算机(3)、从计算机(4)、第一数据采集卡(5)、第二数据采集卡(6)、第一单片机(7)、第二单片机(8)；所述主计算机(3)通过第一数据采集卡(5)采集主机械臂(1)的位置和力信号，所述从计算机(4)通过第二数据采集卡(6)采集从机械臂(2)的位置和力信号，所述主计算机(3)和从计算机(4)通过TCP/IP网络通讯环节将主从机械臂的位置和力信号相互传递，所述主计算机(3)将控制信号由串口通信传递至第一单片机(7)，第一单片机(7)输出PWM脉冲信号控制主机械臂(1)工作，所述从计算机(4)将控制信号由串口通信传递至第二单片机(8)，第二单片机(8)输出PWM脉冲信号控制从机械臂(2)工作；

网络遥操作机器人系统的时延克服方法，包含下列步骤：

1)建立针对网络时延的基于事件模型

以事件变量s代替现有系统中的参考变量—时间T，基于事件的控制中，选取s为机械手走过的距离，设定每当s递增一段距离，产生一个事件，并把当前的状态信息发送给路径管理器；

运动参考变量的产生方法：经过事件产生器得到反馈事件s，为了使参考事件s跟踪上期望参考事件s_d，采用如下算法产生期望的事件输入：

$s_d=s-k(\frac{{\mathrm{ds}}_d}{\mathrm{dt}}-\frac{\mathrm{ds}}{\mathrm{dt}})$

定义e＝s_d-s，可知s收敛于s_d；

设机器人的一般模型如下：

$\left\{\begin{array}{cc}\frac{\mathrm{dx}}{\mathrm{dt}}=f\left(x\right)+g\left(x\right)u& x\&Element;R^n,u\&Element;R^m\\ y=h\left(x\right)& y\&Element;R^m\end{array}\right.$

令所选的新参考变量s＝S(x(t))，由可知基于事件模型的机器人系统可表示如下：

$\left\{\begin{array}{cc}\frac{\mathrm{dx}}{\mathrm{ds}}=\frac{f\left(x\left(s\right)\right)}{v\left(s\right)}+\frac{g\left(x\left(s\right)\right)}{v\left(s\right)}u& x\&Element;R^n,u\&Element;R^m\\ y=h\left(x\left(s\right)\right)& y\&Element;R^m\end{array}\right.$

其中， $v\left(s\right)=\frac{\mathrm{dS}\left(x\left(t\right)\right)}{\mathrm{dt}}$

由建立的基于事件的模型可知系统的模型参数；

2)模糊预测控制算法

结合所建立的基于事件模型进行模糊广义预测控制器的设计；

基于广义预测控制的模型预测和滚动优化：

设网络遥操作机器人系统的预测模型由受控自回归积分滑动平均模型，即CARIMA方程描述：

A(z^-1)y(k)＝B(z^-1)u_GPC(k-1)+C(z^-1)ξ(k)/Δ

其中A(z^-1)、B(z^-1)和C(z^-1)分别是n、m和n阶的z^-1的多项式，可令C(z^-1)＝1，y(k)为系统输出，u_GPC(k-1)表示控制量，ξ(k)表示均值为零的白噪声序列，z^-1为后移算子，Δ＝1-z^-1为差分算子，若时滞大于零，则B(z^-1)多项式开头的一项或几项系数等于零，由于CARIMA模型能自然地把积分作用纳入控制律中，可以消除系统的稳态误差；

考虑k时刻的优化性能指标，采用下式表示：

$J=\underset{j=1}{\overset{N_1}{\mathrm{\&Sigma;}}}{[y(k+j)-y_r(k+j)]}^2+\underset{j=1}{\overset{N_{\mathrm{\&mu;}}}{\mathrm{\&Sigma;}}}\mathrm{\&lambda;}{\left[\mathrm{\&Delta;}{u}_{\mathrm{GPC}}(k+j-1)\right]}^2$

式中，y_r为已知的参考序列，λ是大于零的控制加权系数，N₁是最大预测时域，N_μ表示控制时域(N_μ＜N₁)，即在N_μ步后控制量将不再发生变化；

为了预测超前j步的输出，引入丢番图方程

1＝E_j(z^-1)A(z^-1)Δ+z^-jF_j(z^-1)

E_j(z^-1)B_j(z^-1)＝G_j(z^-1)+z^-jH_j(z^-1)

其中E_j(z^-1)、F_j(z^-1)、G_j(z^-1)和H_j(z^-1)分别是j-1、n、j-1和m-1阶的z^-1的多项式；

由上述公式可知，只要给定预测时域N₁，控制时域N_μ和加权常数λ，就可以求出控制量Δu_GPC(k)，其向量形式如下所示：

u_GPC(k)＝u(k-1)+g^T(y_r-Fy)

Δu_GPC(k)＝g^T(y_r-Fy)

式中，g^T为(G^TG+λI)^-1G^T的第一行；

具体算法步骤如下：

第一步：由基于事件的模型可知被控对象模型参数A(z^-1)和B(z^-1)；

第二步：给定预测时域N₁，控制时域N_μ和加权常数λ；

第三步：由丢番图方程求解多项式E_j，F_j，G_j和H_j；

第四步：计算矩阵G及(G^TG+λI)^-1；

第五步：求解出控制量u_GPC(k)和Δu_GPC(k)；

3)所述网络遥操作机器人系统的时延克服方法还包括基于模糊推理的反馈校正方法；

控制信号Δu(k)由下面两部分组成：

Δu(k)＝Δu_GPC(k)+Δu_F(k)

其中u_F(k)为模糊推理的得到对误差的补偿控制量；

设e(k)和ec(k)为系统k时刻的反馈偏差和偏差变化值，由于系统存在τ步时延，则u_F(k)由e(k-τ)和ec(k-τ)确定；

即：e(k-τ)＝y_r(k-τ)-y_m(k-τ)

ec(k-τ)＝e(k-τ)-e(k-τ)

其中，y_r(k-τ)为对象输出反馈值，y_m(k-τ)为对象模型输出值，则u_F可由e(k-τ)和ec(k-τ)来判断；

其特征在于，模糊补偿控制器的设计采用如下的控制律：将e和ec的论域分别划分为5个模糊集{NB,NS,ZE,PS,PB}和3个模糊集{N,Z,P}，为了得到更准确的预测误差补偿，设定偏差e采用高斯隶属度函数，偏差变化率ec采用三角形隶属度函数，定义模糊规则如下：

R_i：If e is A_m and ec is B_n then u_F is C_k

其中，A_m∈{NB,NS,ZE,PS,PB}，B_n∈{N,Z,P}，i＝1,2,…,15，u_F为补偿控制输入；

控制规则如下所示：

在进行反模糊化时，为了得到更精确的控制量，采用面积重心法求得u_F的清晰值，即用如下的推理方法进行计算：

$u_F=\underset{i=1}{\overset{15}{\mathrm{\&Sigma;}}}({\stackrel{\&OverBar;}{w}}_i\&CenterDot;C_i)/\underset{i=1}{\overset{15}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{w}}_i$

$w_i=A_m\left(e(k-\mathrm{\&tau;})\right)\&CenterDot;B_n\left(\mathrm{ec}(k-\mathrm{\&tau;})\right)/\underset{i=1}{\overset{15}{\mathrm{\&Sigma;}}}(A_m\left(e(k-\mathrm{\&tau;})\right)\&CenterDot;B_n\left(\mathrm{ec}(k-\mathrm{\&tau;})\right))$

考虑到u_F变化过大可能会影响控制效果，则误差补偿控制量Δu_F(k)由下式进行约束：

Δu_F(k)＝λ(u_F(k)-u_F(k-1))

其中λ∈[0,1]，为常数。