CN107479385B - 直角坐标机器人迭代滑模交叉耦合控制方法 - Google Patents
直角坐标机器人迭代滑模交叉耦合控制方法 Download PDFInfo
- Publication number
- CN107479385B CN107479385B CN201710801742.8A CN201710801742A CN107479385B CN 107479385 B CN107479385 B CN 107479385B CN 201710801742 A CN201710801742 A CN 201710801742A CN 107479385 B CN107479385 B CN 107479385B
- Authority
- CN
- China
- Prior art keywords
- formula
- equation
- sliding mode
- iterative
- controller
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
Abstract
本发明公开了一种直角坐标机器人迭代滑模交叉耦合控制方法。所述控制方法包括以下过程:建立所述直角坐标机器人轮廓误差模型和直流电机模型,以及建立滑模速度控制器、迭代学习位置控制器、轴间变增益交叉耦合控制器,进行迭代滑模交叉耦合控制。其中滑模速度控制器用以抑制非周期干扰,迭代学习位置控制器用以减小跟踪误差,轴间变增益交叉耦合控制器用以减小轮廓误差。本发明所构建的迭代滑模交叉耦合控制器具有较高的轮廓精度和较强的鲁棒性。
Description
技术领域
本发明涉及直角坐标机器人控制技术领域,特别是一种直角坐标机器人迭代滑模交叉耦合控制方法。
背景技术
工业机器人是集机械、电子、控制、计算机、传感器、人工智能等多学科先进技术于一体的自动化装备,代表着未来智能装备的发展方向。目前,国内外汽车、电子电器、工程机械等行业已大量使用工业机器人自动化生产线,以保证产品质量和生产高效率。
工业机器人按坐标形式可以划分为直角坐标型机器人、圆柱坐标型机器人、极坐标型机器人和多关节型机器人。作为工业机器人其中的一种类型,直角坐标机器人(Cartesian Robot)具有超大行程、负载能力强、动态特性高、扩展能力强、简单经济、寿命长等特性,由于可以在末端加持不同操作用途的工具,适用于多品种、便批量的柔性化作业,完成如焊接、码垛、包装、点胶、检测、打印等一系列作业。
直角坐标机器人的三轴运动控制是机器人的灵魂所在,对轮廓误差控制的好坏将直接影响末端执行器的位姿精度。目前,国内外学者对直角坐标机器人运动控制的研究着重于对单轴进行跟踪控制,主要手段包括摩擦力补偿、前馈控制和扰动补偿等。但是,上述方法对三轴同步、轨迹跟踪和轮廓误差控制的提升是有限的。系统外部扰动和参数摄动会严重影响三轴同步、轨迹跟踪和轮廓误差控制的精度。
发明内容
本发明的目的在于提供一种精度高、鲁棒性好的直角坐标机器人迭代滑模交叉耦合控制方法。
实现本发明目的的技术解决方案为:一种直角坐标机器人迭代滑模交叉耦合控制方法,所述控制方法包括以下两个过程:
建立所述直角坐标机器人轮廓误差模型和直流电机模型,以及
建立滑模速度控制器、迭代学习位置控制器、轴间变增益交叉耦合控制器,进行迭代滑模交叉耦合控制。
进一步地,所述直角坐标机器人轮廓误差模型的建立过程如下:
假设t0时刻,在直角坐标系中,P为末端执行器的实际位置,坐标为(a,b,c);F(t)为期望轨迹;R为期望位置,坐标为(x1,y1,z1),则为直角坐标机器人的跟踪误差向量,记作 在三轴上的投影分别为ex、ey、ez,即三轴各自的跟踪误差;R′坐标为(x0,y0,z0),直线RR′为轨迹F(t)在R处的切线;从P处向直线RR′作垂线,垂足为Q,坐标为(x,y,z),则为机器人的轮廓误差向量,记作 在三轴上的投影分别为εx、εy、εz,即三轴各自的轮廓误差;
由R、Q、R′三点求得直线RR′的线性方程为:
将式(2)和式(4)代入式(5)中,求得:
将式(6)求出的参数t0代回式(3),得坐标点Q:
进一步地,所述直角坐标机器人直流电机模型的建立过程如下:
直流电机的电枢回路方程为:
式中,Ua为电枢电压,Id为电枢电流,E为感应电动势,Rd为绕组的电阻,L为绕组的电感,t为时间;
忽略粘性摩擦和弹性转矩,得到电机轴上的运动方程为:
式中,Te为电磁转矩,TL为负载转矩,J为转子转动惯量,ω为电机转速,GD2为电力拖动系统折算到电机轴上的飞轮矩,n为转速;
额定励磁下的感应电动势方程和电磁转矩方程分别为:
E=Cen (11)
Te=CmId (12)
式中,Ce为电动势常数,Cm为转矩系数;
将式(11)和式(12)代入式(9)和(10)中并整理得:
式中,Tl=L/Rd,为电枢回路电磁时间常数;IdL=TL/Cm,为负载电流;Tm=GD2Rd/(375CeCm),为机电时间常数;
在零初始条件下,对式(14)取Laplace变换,得到电压与电流之间的传递函数:
对式(15)取Laplace变换,得到电流与电动势之间的传递函数:
进一步地,所述建立滑模速度控制器、迭代学习位置控制器、轴间变增益交叉耦合控制器,进行迭代滑模交叉耦合控制,具体如下:
Ua=RdId+Cen (17)
联立式(10)、式(12)和式(17),合并消去Id和Te,得:
移项整理,得:
设状态变量x=n*-n,将n=n*-x代入式(19)中,得系统的状态方程为:
其中,n*表示转速的观测量;
取PI型滑模面S:
其中,S为滑模面,Cp、Ci为滑膜系数,x为状态变量;
对式(21)求导,得:
化简式(23),得到系统的等效控制律为:
其中,η为滑膜效率,sat(S)表示相关滑膜变量;
C=Cxεx+Cyεy+Czεz (26)
式中,Cx、Cy和Cz分别为各轴的交叉耦合增益值;
对于X轴,跟随误差为:
同理,Y轴和Z轴的跟随分别误差为:
式中,k是迭代次数,是三轴的期望轨迹,Rx,k+1、Ry,k+1、Rz,k+1是经过k+1次迭代学习后三轴的输出轨迹,Gx、Gy、Gz是三轴的传递函数,是经过k+1次迭代学习后三轴位置环的输出即速度环的输入,Гx、Гy、Гz是三轴的迭代学习律,Ex,k、Ey,k、Ez,k是经过k+1次迭代学习后三轴的跟随误差,C为交叉耦合控制器的传递函数;
联立式(27)、式(28)和式(29),得:
对式(30)取范数,得:
根据迭代学习控制的收敛条件,可得:
本发明与现有技术相比,其显著优点为:(1)采用单轴速度环采用滑模控制,能有效抑制系统的非周期干扰;(2)位置环采用迭代学习控制,具有高精度的跟踪性能;(3)轴间采用变增益交叉耦合控制器,能演算并补偿轮廓误差,能大幅度提高直角坐标机器人的轮廓精度和鲁棒性。
附图说明
图1是本发明的任意轨迹的实时轮廓误差模型示意图。
图2是本发明的直流电机动态结构图。
图3是本发明的迭代滑模交叉耦合控制器结构简图。
图4是本发明的空间螺旋线期望轨迹与实际输出轨迹图。
图5是本发明的y轴负载变化时速度环SMC与PID的对比图。
图6是本发明的x轴位置环ILC与PID跟踪误差的对比图。
图7是本发明的ILC+SMC+CCC与CCC轮廓误差的对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
结合图1~图7,一种直角坐标机器人迭代滑模交叉耦合控制方法,所述控制方法包括以下过程:
所述直角坐标机器人轮廓误差模型建立过程如下:
假设t0时刻,在直角坐标系中,P为末端执行器的实际位置,坐标为(a,b,c),F(t)为期望轨迹,R为期望位置,坐标为(x1,y1,z1),则为直角坐标机器人的跟踪误差向量,记作其在三轴上的投影分别为ex、ey、ez,即三轴各自的跟踪误差;R′坐标为(x0,y0,z0),直线RR′为轨迹F(t)在R处的切线;从P处向直线RR′作垂线,垂足为Q,坐标为(x,y,z),则为机器人的轮廓误差向量,记作其在三轴上的投影分别为εx、εy、εz,即三轴各自的轮廓误差。
由R、Q、R′三点可求得直线RR′的线性方程为:
将式(2)和式(4)代入式(5)中,可求得:
将式(6)求出的参数t0代回式(3),得坐标点Q:
所述直角坐标机器人直流电机模型建立过程如下:直流电机的电枢回路方程为:
式中,Ua为电枢电压,Id为电枢电流,E为感应电动势,Rd为绕组的电阻,L为绕组的电感,t为时间;
忽略粘性摩擦和弹性转矩,得到电机轴上的运动方程为:
式中,Te为电磁转矩,TL为负载转矩,J为转子转动惯量,ω为电机转速,GD2为电力拖动系统折算到电机轴上的飞轮矩,n为转速;
额定励磁下的感应电动势方程和电磁转矩方程分别为:
E=Cen (11)
Te=CmId (12)
式中,Ce为电动势常数,Cm为转矩系数;
将式(11)和式(12)代入式(9)和(10)中并整理得:
式中,Tl=L/Rd,为电枢回路电磁时间常数;IdL=TL/Cm,为负载电流;Tm=GD2Rd/(375CeCm),为机电时间常数。
在零初始条件下,对式(14)取Laplace变换,得到电压与电流之间的传递函数:
对式(15)取Laplace变换,得到电流与电动势之间的传递函数:
所述直角坐标机器人迭代滑模交叉耦合控制方法建立过程如下:
对于所述直角坐标机器人,设计速度环滑模控制器,可以抑制非周期干扰;设计位置环迭代学习控制器,能够抑制周期性干扰和减小单轴跟踪误差;设计轴间变增益交叉耦合控制器,用以减小系统的轮廓误差。
Ua=RdId+Cen (17)
联立式(10)、式(12)和式(17),合并消去Id和Te,得:
移项整理,得:
设状态变量x=n*-n,将n=n*-x代入式(19)中,得系统的状态方程为:
其中,n*表示转速的观测量;
取PI型滑模面S:
其中,S为滑模面,Cp、Ci为滑膜系数,x为状态变量;
对式(21)求导,得:
化简式(23),得到系统的等效控制律为:
其中,η为滑膜效率,sat(S)表示相关滑膜变量;
C=Cxεx+Cyεy+Czεz (26)
式中,Cx、Cy和Cz分别为各轴的交叉耦合增益值,能够影响轮廓误差的修正速度。
对于X轴,跟随误差为:
同理,Y轴和Z轴的跟随分别误差为:
式中,k是迭代次数,是三轴的期望轨迹,Rx,k+1、Ry,k+1、Rz,k+1是经过k+1次迭代学习后三轴的输出轨迹,Gx、Gy、Gz是三轴的传递函数,是经过k+1次迭代学习后三轴位置环的输出即速度环的输入,Гx、Гy、Гz是三轴的迭代学习律,Ex,k、Ey,k、Ez,k是经过k+1次迭代学习后三轴的跟随误差,C为交叉耦合控制器的传递函数;
联立式(27)、式(28)和式(29),得:
对式(30)取范数,得:
根据迭代学习控制的收敛条件,可得:
将本发明提出的控制方法运用到直角坐标机器人中,该直角坐标机器人采用三台相同的直流电机作为的驱动部件。
机器人的期望跟踪轨迹为空间螺旋线,方程为:
图4仿真结果表明,对所设计的迭代滑模交叉耦合控制器进行验证,两者基本重合,所设计的控制器性能良好。为验证速度环滑模控制、位置环迭代学习控制的优越性,将分别单独测试其性能:
图5仿真结果表明,比较速度环(SMC)和普通PID控制在抑制非周期干扰方面的性能,以y轴为例,y轴转速跟踪的是周期为1s,幅值为568rpm的余弦波。电机空载运行后,PID控制需要将近0.1s进入稳态,而SMC很快进入稳态;在0.5s给电机加10N的负载,PID的动态响应能力较弱,而SMC体现出很强的抗干扰能力。
图6仿真结果表明,比较位置环(ILC)和普通PID控制在位置跟踪方面的性能,以x轴为例,x轴位置跟踪的是周期为1s,幅值为100mm的余弦波。PID控制能够使位置跟踪误差迅速收敛,但是由于没有学习能力,重复运行并不能改善系统性能,位置误差峰峰值始终保持在±0.62mm;采用ILC,系统运行到第2秒,即迭代学习进行了2次后,位置误差逐渐减小,最终峰峰值收敛于±0.08mm,以此验证了ILC具有高精度的跟踪性能。
图7仿真结果表明,比较迭代滑模交叉耦合控制器与普通交叉耦合控制器(CCC)在控制轮廓误差方面的性能,在ILC+SMC+CCC控制下,系统具有学习能力,轮廓误差不断减少,经过6次迭代后,已经小于普通CCC控制下的轮廓误差,随着迭代次数的增加,最终轮廓误差被控制在0.04mm。可见,采用ILC+SMC+CCC控制可以有效地补偿轮廓误差。
综上所述,本发明一种直角坐标机器人迭代滑模交叉耦合控制方法,针对直角坐标机器人,本发明设计了一种迭代滑模交叉耦合控制器。单轴速度环采用滑模控制,能有效抑制系统的非周期干扰;位置环采用迭代学习控制,具有高精度的跟踪性能;轴间采用变增益交叉耦合控制器,能演算并补偿轮廓误差。仿真结果表明,本发明所设计的迭代滑模交叉耦合控制器能大幅度提高直角坐标机器人的轮廓精度和鲁棒性。
Claims (2)
1.一种直角坐标机器人迭代滑模交叉耦合控制方法,其特征在于,所述控制方法包括以下两个过程:
建立所述直角坐标机器人轮廓误差模型和直流电机模型,以及
建立滑模速度控制器、迭代学习位置控制器、轴间变增益交叉耦合控制器,进行迭代滑模交叉耦合控制;
所述直角坐标机器人轮廓误差模型的建立过程如下:
假设t0时刻,在直角坐标系中,P为末端执行器的实际位置,坐标为(a,b,c);F(t)为期望轨迹;R为期望位置,坐标为(x1,y1,z1),则为直角坐标机器人的跟踪误差向量,记作在三轴上的投影分别为ex、ey、ez,即三轴各自的跟踪误差;R′坐标为(x0,y0,z0),直线RR′为轨迹F(t)在R处的切线;从P处向直线RR′作垂线,垂足为Q,坐标为(x,y,z),则为机器人的轮廓误差向量,记作在三轴上的投影分别为εx、εy、εz,即三轴各自的轮廓误差;
由R、Q、R′三点求得直线RR′的线性方程为:
将式(2)和式(4)代入式(5)中,求得:
将式(6)求出的参数t0代回式(3),得坐标点Q:
所述直角坐标机器人直流电机模型的建立过程如下:
直流电机的电枢回路方程为:
式中,Ua为电枢电压,Id为电枢电流,E为感应电动势,Rd为绕组的电阻,L为绕组的电感,t为时间;
忽略粘性摩擦和弹性转矩,得到电机轴上的运动方程为:
式中,Te为电磁转矩,TL为负载转矩,J为转子转动惯量,ω为电机转速,GD2为电力拖动系统折算到电机轴上的飞轮矩,n为转速;
额定励磁下的感应电动势方程和电磁转矩方程分别为:
E=Cen (11)
Te=CmId (12)
式中,Ce为电动势常数,Cm为转矩系数;
将式(11)和式(12)代入式(9)和(10)中并整理得:
式中,Tl=L/Rd,为电枢回路电磁时间常数;IdL=TL/Cm,为负载电流;Tm=GD2Rd/(375CeCm),为机电时间常数;
在零初始条件下,对式(14)取Laplace变换,得到电压与电流之间的传递函数:
对式(15)取Laplace变换,得到电流与电动势之间的传递函数:
2.根据权利要求1所述的直角坐标机器人迭代滑模交叉耦合控制方法,其特征在于,所述建立滑模速度控制器、迭代学习位置控制器、轴间变增益交叉耦合控制器,进行迭代滑模交叉耦合控制,具体如下:
Ua=RdId+Cen (17)
联立式(10)、式(12)和式(17),合并消去Id和Te,得:
移项整理,得:
设状态变量x=n*-n,将n=n*-x代入式(19)中,得系统的状态方程为:
其中,n*表示转速的观测量;
取PI型滑模面S:
其中,S为滑模面,Cp、Ci为滑膜系数,x为状态变量;
对式(21)求导,得:
化简式(23),得到系统的等效控制律为:
其中,η为滑膜效率,sat(S)表示相关滑膜变量;
C=Cxεx+Cyεy+Czεz (26)
式中,Cx、Cy和Cz分别为各轴的交叉耦合增益值;
对于X轴,跟随误差为:
同理,Y轴和Z轴的跟随误差分别为:
式中,k是迭代次数,是三轴的期望轨迹,Rx,k+1、Ry,k+1、Rz,k+1是经过k+1次迭代学习后三轴的输出轨迹,Gx、Gy、Gz是三轴的传递函数, 是经过k+1次迭代学习后三轴位置环的输出即速度环的输入,Гx、Гy、Гz是三轴的迭代学习律,Ex,k、Ey,k、Ez,k是经过k+1次迭代学习后三轴的跟随误差,C也为交叉耦合控制器的传递函数;
联立式(27)、式(28)和式(29),得:
对式(30)取范数,得:
根据迭代学习控制的收敛条件,可得:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710801742.8A CN107479385B (zh) | 2017-09-07 | 2017-09-07 | 直角坐标机器人迭代滑模交叉耦合控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710801742.8A CN107479385B (zh) | 2017-09-07 | 2017-09-07 | 直角坐标机器人迭代滑模交叉耦合控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107479385A CN107479385A (zh) | 2017-12-15 |
CN107479385B true CN107479385B (zh) | 2021-09-03 |
Family
ID=60583593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710801742.8A Active CN107479385B (zh) | 2017-09-07 | 2017-09-07 | 直角坐标机器人迭代滑模交叉耦合控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107479385B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303877B (zh) * | 2018-01-10 | 2020-05-05 | 浙江工业大学 | 一种基于eso的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法 |
CN108563123B (zh) * | 2018-04-16 | 2021-04-06 | 东南大学 | 直线电机x-y的自适应迭代学习鲁棒控制系统及设计方法 |
JP6795559B2 (ja) * | 2018-08-22 | 2020-12-02 | ファナック株式会社 | 制御装置および軸送り制御方法 |
CN109240082A (zh) * | 2018-08-25 | 2019-01-18 | 南京理工大学 | 一种履带式移动机器人滑模云模型交叉耦合控制方法 |
CN111427308B (zh) * | 2020-02-29 | 2021-07-23 | 华南理工大学 | 一种用于数控平台轨迹规划的误差补偿综合控制方法 |
CN111624943B (zh) * | 2020-05-15 | 2023-07-07 | 西安航空职业技术学院 | 一种位置环交叉耦合机器人轮廓控制方法 |
CN111993801B (zh) * | 2020-09-10 | 2021-07-13 | 广东海洋大学 | 基于反演模型的打印机迭代学习控制方法及打印机系统 |
US11351802B2 (en) | 2020-09-10 | 2022-06-07 | Guangdong Ocean University | Model inversion-based iterative learning control method for printer and printer system |
CN112596389B (zh) * | 2020-12-18 | 2022-05-17 | 杭州电子科技大学 | 基于闭环交叉耦合迭代学习的水晶研磨控制方法与系统 |
CN113219840B (zh) * | 2021-06-09 | 2022-02-01 | 西安文理学院 | 三轴运动平台自适应滑模交叉耦合轮廓控制方法 |
CN116560222B (zh) * | 2023-03-13 | 2023-11-21 | 中国矿业大学 | 针对时变不确定性间歇过程的交叉耦合迭代学习控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105083408A (zh) * | 2015-08-27 | 2015-11-25 | 华翔翔能电气股份有限公司 | 一种吸盘式墙面作业机器人四轴同步控制系统及控制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823379B (zh) * | 2014-02-28 | 2017-06-13 | 北京理工大学 | 基于迭代学习的高频率角振动转台滑模控制方法 |
CN104483897B (zh) * | 2014-08-27 | 2017-01-25 | 渤海大学 | 一种直驱龙门式运动平台轮廓控制装置及方法 |
CN105676780B (zh) * | 2014-11-17 | 2019-12-03 | 沈阳工业大学 | 基于模糊小脑模型关节控制器的xy运动平台轮廓控制装置 |
KR102238960B1 (ko) * | 2015-12-09 | 2021-04-14 | 현대중공업지주 주식회사 | 개선된 베어링 예압 구조를 가진 로봇 |
CN106873641A (zh) * | 2017-03-20 | 2017-06-20 | 普宙飞行器科技(深圳)有限公司 | 三轴微型云台及其控制方法 |
-
2017
- 2017-09-07 CN CN201710801742.8A patent/CN107479385B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105083408A (zh) * | 2015-08-27 | 2015-11-25 | 华翔翔能电气股份有限公司 | 一种吸盘式墙面作业机器人四轴同步控制系统及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107479385A (zh) | 2017-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107479385B (zh) | 直角坐标机器人迭代滑模交叉耦合控制方法 | |
de Queiroz et al. | Adaptive nonlinear boundary control of a flexible link robot arm | |
Wen et al. | Elman fuzzy adaptive control for obstacle avoidance of mobile robots using hybrid force/position incorporation | |
CN110842913B (zh) | 一种单关节机械臂的自适应滑模迭代学习控制方法 | |
CN109240092A (zh) | 基于多智能体可重构模块化柔性机械臂轨迹跟踪控制方法 | |
CN111673742A (zh) | 一种工业机器人轨迹跟踪控制算法 | |
CN115476356A (zh) | 一种无需力传感器的空间机械臂自适应混合阻抗控制方法 | |
Kang et al. | Kinematic path‐tracking of mobile robot using iterative learning control | |
CN116638544A (zh) | 一种基于超局部模型的关节模组协同控制方法 | |
Baballe et al. | Different Types of Servo Motors and Their Applications | |
Guo et al. | Active disturbance rejection control for PMLM servo system in CNC machining | |
Mesmer et al. | Challenges of linearization-based control of industrial robots with cycloidal drives | |
Hashemi et al. | Trajectory planning optimization with dynamic modeling of four wheeled omni-directional mobile robots | |
Wang et al. | Trajectory tracking of robot based on fractional order fuzzy pi controller | |
Shamseldin et al. | A New Self-Tuning Nonlinear PID Motion Control for One-Axis Servomechanism with Uncertainty Consideration | |
Liu et al. | Estimation and compensation of gravity and friction forces for robot arms: Theory and experiments | |
Zhou et al. | Mowing robot trajectory tracking control algorithm research | |
Huang et al. | Overview of trajectory planning methods for robot systems | |
Song et al. | Joint torque detection based on motor current and singular perturbation control for cleaning room manipulator | |
Zhang et al. | Design of an industrial robot polishing control system | |
Bai et al. | Research of the torque compensation method for the vibration suppression of the industrial robot | |
Zhao et al. | A New Impedance Control Method for End Effector Manipulator of Autonomous Unmanned System | |
Fadlo et al. | Optimal trajectory tracking control for a wheeled mobile robot using backstepping technique | |
Fateh et al. | Robust control of a high-speed manipulator in state space | |
Nakamura et al. | Torque Control of Two-Inertia System Using Ultrasonic Motor with Angular Velocity Saturation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |