CN107498554B - 一种基于动态模式的机械臂智能自主控制方法 - Google Patents

Abstract

本发明公开了一种基于动态模式的机械臂智能自主控制方法，该方法包括下述步骤：建立刚性机械臂的动力学模型和多个期望回归轨迹的通用模型；设计基于动态模式的常值神经网络控制器组；建立期望回归轨迹模型的动态估计器；设计动态模式的预识别策略和识别策略；设计基于动态模式的控制器切换策略。该方法使得机械臂能够从复杂的工作任务中获取和利用经验知识，不仅实现了机械臂系统在无人干预的情况下对动态模式的实时监测以及自主快速识别，而且保证了机械臂在模式切换过程中控制输入信号的光滑连续性，为控制系统的稳定性提供了保障，同时改善了系统控制器切换过程中的暂态性能。

Description

一种基于动态模式的机械臂智能自主控制方法

技术领域

本发明涉及基于模式识别的机械臂控制领域，具体涉及一种基于动态模式的机械臂智能自主控制方法。

背景技术

机器人的诞生和发展为人类科技和社会的进步带来了深远影响。作为机器人的一个重要分支，机械臂凭借其生产效率高和耐用性等优点，被广泛应用于工业生产、医疗以及太空探索等多个领域，以代替人力完成劳动强度大、安全风险高和操作环境复杂的工作。而随着机械臂应用领域的不断扩大以及智能制造业的快速发展，人们对机械臂控制系统的智能化程度要求越来越高，例如要求机械臂在复杂的工作任务中能够获取经验知识，并利用经验知识保证更好的工作效率和工作质量。

近年来，基于模式识别的控制系统研究得到学者们的热切关注，然而以机械臂为控制对象的模式控制研究应用仍较少。基于动态模式的机械臂控制系统要求机械臂在执行任务的同时，能够实时监测需要执行的任务模式。但是由于机械臂本身不具备任务模式识别的能力，如果任务在无法人为告知的情况下突然发生改变，机械臂的控制性能将受到严重影响。而且，当机械臂在不同的任务之间作切换时，涉及到控制器切换时存在的控制输入跳变问题，输入信号的跳变会对机械臂的驱动机构造成损害，从而破坏控制系统的稳定性。因此，有必要建立一个动态模式识别机制实时监测和自主识别机械臂需要执行的任务模式，同时设计控制器切换策略保证机械臂在不同任务模式之间作切换时控制输入信号的光滑连续性，也就是基于动态模式的机械臂智能自主控制方法。传统的模式识别方法一般用于处理静态环境下的模式识别问题，而且要求不同模式之间在本质属性上存在一定的差别以便划分，因此在应用范围上存在局限性，并不能解决现实中大多数的模式识别问题。而事实上，基于动态模式的控制方法在设计上不仅要使得动态环境下的模式识别机制实时有效运行，而且要保证控制系统在控制性能上的稳定性，因此在算法实现方面更为复杂。

发明内容

本发明的目的是针对现有技术的不足，提供了一种基于动态模式的机械臂智能自主控制方法，针对动态环境下的模式识别问题，提出了模式预识别策略以及模式识别策略，实现了机械臂系统对动态模式的实时监测和快速识别，为保证机械臂系统的控制性能提供了前提条件；同时在此基础上，根据所构造的常值神经网络控制器组，设计了基于动态模式的控制器切换策略，成功解决了控制器切换时存在的控制输入跳变问题，保障了控制系统的稳定性。

本发明的目的可以通过如下技术方案实现：

一种基于动态模式的机械臂智能自主控制方法，所述方法包括以下步骤：

步骤1、建立刚性机械臂动力学模型和多个期望回归轨迹的通用模型；

步骤2、设计基于动态模式的常值神经网络控制器组：定义每种期望回归轨迹为一种动态模式，根据确定学习理论，设计常值神经网络控制器组；

步骤3、建立期望回归轨迹模型的动态估计器：针对不同的动态模式下的期望回归轨迹模型，建立一个动态模式库，然后根据动态模式库构造动态估计器；

步骤4、设计动态模式的预识别策略和识别策略：

设计决策范数其中，N表示动态模式的数目，给出如下模式预识别策略和模式识别策略：

模式预识别策略：假设当前动态模式为i，设计阈值bⁱ＞0以及常数T_p＞0，若存在某个有限时刻使得在成立，则判定在有限时刻动态模式已发生改变，其中，表示动态模式i对应的决策范数；

模式识别策略：基于以上模式预识别策略得到的信息，对所有r∈{1,…,N}/{j}，若存在一个有限时刻使得且在时间成立，则判定被测模式为动态模式j；其中，表示动态模式j对应的决策范数在有限时刻的值，表示动态模式r对应的决策范数在有限时刻的值，表示动态模式j对应的决策范数在时间的值；

步骤5、设计基于动态模式的控制器切换策略：由步骤4中模式识别策略和预识别策略所给的信息，以及根据步骤2中构造的候选常值神经网络控制器组，设计如下动态模式切换过程中的控制器：

其中，τⁱ表示动态模式i对应的控制器，τ^i′表示识别过程的控制器，表示模式识别的过渡时间段，τ^j表示下一动态模式j对应的控制器，表示τ^j的作用时间段，指数项中的衰减系数a＞0。

进一步地，步骤1中，所述刚性机械臂的动力学模型为：

其中，x₁＝[x_1,1,x_1,2,…,x_1,n]^T为机械臂关节的角位移，x₂＝[x_2,1,x_2,2,…,x_2,n]^T为机械臂关节的角速度，n为机械臂的关节数，M(x₁)为机械臂系统的惯性矩阵，V_m(x₁,x₂)为向心力矩阵，G(x₁)为万有引力向量，F(x₂)为摩擦力向量，τ为控制力矩；M(x₁),V_m(x₁,x₂),G(x₁),F(x₂)均未知。

进一步地，步骤1中，所述期望回归轨迹的通用模型为：

其中，为机械臂关节角位置的期望回归轨迹，为机械臂关节角速度的期望回归轨迹，n为关节数量，为给定的连续函数。

进一步地，步骤2中，所述基于动态模式的常值神经网络控制器组为：

其中，τ^k表示动态模式k下的常值神经网络控制器，c_2,k为控制器增益常数，z_2,k表示控制器τ^k的中间误差，表示控制器τ^k的神经网络权值常量矩阵的转置，S^k(ψ^k)表示控制器τ^k的高斯型径向基函数向量，ψ^k为控制器τ^k的神经网络输入向量。

进一步地，步骤3中，所述动态模式库为：

其中，为动态模式k的神经网络权值常量矩阵。

进一步地，步骤3中，所述动态估计器为：

其中，为第k个动态估计器的状态，x_d1和x_d2为被测模式的回归轨迹模型的状态，b＞0为动态估计器中设计的增益常数，S^k(x_d1,x_d2)表示第k个动态估计器的高斯型径向基函数向量，表示动态模式k的神经网络权值常量矩阵的转置。

进一步地，步骤4中，所述决策范数为：

其中，残差 表示第k个动态估计器的状态，x_d2表示被测模式的回归轨迹模型的状态，T＞0为设计的时间常数。

进一步地，步骤5中，所述识别过程的控制器为：

其中，表示模式轨迹的训练域，表示模式轨迹的训练域；当时，控制器τ^i′采用原控制增益c_2,i；当时，控制器τ^i′采用高控制增益 满足条件其中，z_2,i表示控制器τ^i′的中间误差，表示控制器τ^i′的神经网络权值常量矩阵的转置，Sⁱ(ψⁱ)表示控制器τ^i′的高斯型径向基函数向量，ψⁱ为控制器τ^i′的神经网络输入向量。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明通过设计模式预识别策略和模式识别策略，成功解决了控制系统在动态环境下的模式分类与识别问题，使得机械臂系统在被监测模式发生改变时能够自主且快速地做出响应，并对该模式做出准确识别。

2、本发明通过设计基于动态模式的控制器切换策略，成功解决了控制器切换时存在的控制输入跳变问题，保障了控制系统的稳定性，改善了系统控制器切换过程中的暂态性能。

3、本发明通过设计基于动态模式的机械臂控制系统，使得机械臂能够从复杂的工作任务中获取和利用经验知识，从而实现了机械臂在多种工作任务下的智能自主控制。

附图说明

图1为本发明实施例基于动态模式的刚性机械臂系统的整体控制流程图。

图2为本发明实施例期望回归轨迹的相平面变化曲线图。

图3为本发明实施例决策范数变化曲线图。

图4为本发明实施例机械臂关节1的轨迹跟踪误差变化曲线图。

图5为本发明实施例机械臂关节2的轨迹跟踪误差变化曲线图。

图6为本发明实施例机械臂关节1和期望回归轨迹的角位置变化曲线图。

图7为本发明实施例机械臂关节2和期望回归轨迹的角位置变化曲线图。

图8为本发明实施例机械臂关节1的控制输入变化曲线图。

图9为本发明实施例机械臂关节2的控制输入变化曲线图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例：

本实施例提供了一种基于动态模式的双连杆刚性机械臂智能自主控制方法，系统整体控制流程图如图1所示，其详细实施过程包括：

步骤1、建立双连杆刚性机械臂的动力学模型：

其中，x₁＝[x_1,1,x_1,2]^T为机械臂关节的角位移，x₂＝[x_2,1,x_2,2]^T为机械臂关节的角速度，M(x₁)为机械臂系统的惯性矩阵，V_m(x₁,x₂)为向心力矩阵，G(x₁)为万有引力向量，F(x₂)为摩擦力向量，τ为控制力矩。

本实施例中选取的双连杆刚性机械臂模型的相关参数分别为：

其中，x_1,1和x_1,2分别为关节1和关节2的角位置，x_2,1和x_2,2分别为关节1和关节2的角速度，l₁＝1m和l₂＝1m分别为连杆1和连杆2的长度，m₁＝0.8kg和m₂＝2.3kg分别为连杆1和连杆2的质量，g＝9.8m/s²为重力加速度。

本实施例中给定三种期望回归轨迹的通用模型为：

其中，x_d1＝[x_d1,1,x_d1,2]^T为机械臂关节角位置的期望回归轨迹，x_d2＝[x_d2,1,x_d2,2]^T为机械臂关节角速度的期望回归轨迹，为给定的连续函数，将每种期望回归轨迹定义为一种动态模式，同时将连续函数分别选定为：和

步骤2、设计基于动态模式的常值神经网络控制器组：

根据确定学习理论，构造RBF神经网络逼近控制系统的未知动态，由收敛后的权值得到以下基于动态模式的常值神经网络控制器组：

其中，c_2,k为控制器增益常数，z_2,k表示控制器τ^k的中间误差，表示控制器τ^k的神经网络权值常量矩阵的转置，S^k(ψ^k)表示控制器τ^k的高斯型径向基函数向量，ψ^k为控制器τ^k的神经网络输入向量，本实施例中选取c_2,1＝15，c_2,2＝10，c_2,3＝10。

步骤3、建立期望回归轨迹模型的动态估计器：

针对不同的动态模式下的期望回归轨迹模型，根据确定学习理论，构造RBF神经网络逼近轨迹模型的未知动态，由收敛后的权值建立如下动态模式库：

其中，为动态模式k的神经网络权值常量矩阵。

然后根据动态模式库构造以下动态估计器：

其中，为第k个动态估计器的状态，x_d1和x_d2为被测模式的回归轨迹模型的状态，b＞0为动态估计器中设计的增益常数，S^k(x_d1,x_d2)表示第k个动态估计器的高斯型径向基函数向量，表示动态模式k的神经网络权值常量矩阵的转置，本实施例中选取b＝5。

步骤4、设计动态模式的预识别策略和识别策略：根据所构造的动态估计器，设计决策范数形式为：

其中，残差 表示第k个动态估计器的状态，x_d2表示被测模式的回归轨迹模型的状态，T＞0为设计的时间常数，本实施例中选取T＝4s；

并给出如下模式预识别策略和模式识别策略：

模式预识别策略：假设当前动态模式为i，设计阈值bⁱ以及常数T_p，若存在某个有限时刻使得在成立，则判定在时刻动态模式已发生改变，其中，表示动态模式i对应的决策范数，本实例中选取b¹＝0.0007，b²＝0.0025，b³＝0.0034，T_p＝0.1s；

模式识别策略：基于以上模式预识别策略得到的信息，对所有r∈{1,2,3}/{j}，若存在一个有限时刻使得且在时间成立，则判定被测模式为动态模式j，其中，表示动态模式j对应的决策范数在有限时刻的值，表示动态模式r对应的决策范数在有限时刻的值，表示动态模式j对应的决策范数在时间的值。

步骤5、设计基于动态模式的控制器切换策略：

由步骤4中模式识别策略和预识别策略所给的信息，以及根据步骤2中构造的候选常值神经网络控制器组，设计如下动态模式切换过程中的控制器：

其中，τⁱ表示动态模式i对应的控制器，τ^i′表示识别过程的控制器，表示模式识别的过渡时间段，τ^j表示下一动态模式j对应的控制器，表示τ^j的作用时间段，指数项中的衰减系数a＞0，本实例中选取a＝5。识别过程的控制器具有以下形式：

其中，表示模式轨迹的训练域，表示模式轨迹的训练域；当时，控制器τ^i′采用原控制增益c_2,i；当时，控制器τ^i′采用高控制增益 满足条件其中，z_2,i表示控制器τ^i′的中间误差，表示控制器τ^i′的神经网络权值常量矩阵的转置，Sⁱ(ψⁱ)表示控制器τ^i′的高斯型径向基函数向量，ψⁱ为控制器τ^i′的神经网络输入向量，本实例中选取

本实施例中，x₁和x₂的初始值为x_1,1(0)＝0.2，x_1,2(0)＝0，x_2,1(0)＝x_2,2(0)＝0；动态模式1的神经网络中心点均匀分布在[-1,1]×[-1,1]×[-1.2,1.2]×[-1.2,1.2]×[-1.6,1.6]×[-1.6,1.6]上，宽度为η₁＝[0.625,0.625,0.75,0.75,1,1]^T，节点数为15625；动态模式2的神经网络中心点均匀分布在[-2.4,2.4]×[2.4,2.4]×[-4,4]×[4,4]×[-8,8]×[-8,8]上，宽度为η₂＝[1.5,1.5,2.5,2.5,5,5]^T，节点数为15625；动态模式3的神经网络中心点均匀分布在[-2.4,2.4]×[-2.4,2.4]×[-2.4,2.4]×[-2.4,2.4]×[-5,5]×[-5,5]上，宽度为η₂＝[1.5,1.5,1.5,1.5,3.2,3.2]^T，节点数为15625。

本实施例选取期望回归轨迹在系统运行时间段内先从动态模式1切换到动态模式2，再从动态模式2切换到动态模式3，其相平面变化曲线如图2所示，图3为决策范数变化曲线，由图3可知，根据模式预识别策略，系统分别在和处检测到期望回归轨迹的模式发生改变，然后根据模式识别策略，系统在和处给出相应的模式识别结果；图4和图5分别为机械臂关节1和关节2的轨迹跟踪误差变化曲线图，由图4和图5可知，系统在模式识别过渡阶段通过控制器切换策略较好地抑制住了跟踪误差的增大；图6为机械臂关节1和期望回归轨迹的角位置变化曲线图，图7为机械臂关节2和期望回归轨迹的角位置变化曲线图；图6与图7中的小图清楚显示了实际轨迹与参考轨迹除了在初始时刻或切换阶段存在一定的偏差，其他部分都显示了实际轨迹能够很好地跟踪参考轨迹，这与附图4、5反映的信息是相一致的；图8和图9分别为机械臂关节1和关节2的控制输入变化曲线图，由图8和图9可知，根据模式识别结果和控制器切换策略，系统在进行控制器切换时保证了控制信号的光滑连续性，从而保障了系统的稳定性。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (5)

1.一种基于动态模式的机械臂智能自主控制方法，其特征在于，所述方法包括以下步骤：

步骤1、建立刚性机械臂动力学模型和多个期望回归轨迹的通用模型；

期望回归轨迹的通用模型建立成以下形式：

其中，为机械臂关节角位置的期望回归轨迹，为机械臂关节角速度的期望回归轨迹，n为关节数量，为给定的连续函数；

步骤2、设计基于动态模式的常值神经网络控制器组：定义每种期望回归轨迹为一种动态模式，根据确定学习理论，设计常值神经网络控制器组；

设计的常值神经网络控制器组为：

其中，τ^k表示动态模式k下的常值神经网络控制器，c_2,k为控制器增益常数，z_2,k表示控制器τ^k的中间误差，表示控制器τ^k的神经网络权值常量矩阵的转置，S^k(ψ^k)表示控制器τ^k的高斯型径向基函数向量，ψ^k为控制器τ^k的神经网络输入向量；

步骤3、建立期望回归轨迹模型的动态估计器：针对不同的动态模式下的期望回归轨迹模型，建立一个动态模式库，然后根据动态模式库构造动态估计器；

构造动态估计器为：

其中，为第k个动态估计器的状态，x_d1和x_d2为被测模式的回归轨迹模型的状态，b＞0为动态估计器中设计的增益常数，S^k(x_d1,x_d2)表示第k个动态估计器的高斯型径向基函数向量，表示动态模式k的神经网络权值常量矩阵的转置；

步骤4、设计动态模式的预识别策略和识别策略：

设计决策范数其中，N表示动态模式的数目，给出如下模式预识别策略和模式识别策略：

模式预识别策略：假设当前动态模式为i，设计阈值bⁱ＞0以及常数T_p＞0，若存在某个有限时刻使得在成立，则判定在有限时刻动态模式已发生改变，其中，表示动态模式i对应的决策范数；

模式识别策略：基于以上模式预识别策略得到的信息，对所有r∈{1,…,N}/{j}，若存在一个有限时刻使得且在时间成立，则判定被测模式为动态模式j；其中，表示动态模式j对应的决策范数在有限时刻的值，表示动态模式r对应的决策范数在有限时刻的值，表示动态模式j对应的决策范数在时间的值；

步骤5、设计基于动态模式的控制器切换策略：由步骤4中模式识别策略和预识别策略所给的信息，以及根据步骤2中构造的候选常值神经网络控制器组，设计如下动态模式切换过程中的控制器：

其中，τⁱ表示动态模式i对应的控制器，τ^i′表示识别过程的控制器，表示模式识别的过渡时间段，τ^j表示下一动态模式j对应的控制器，表示τ^j的作用时间段，指数项中的衰减系数a＞0。

2.根据权利要求1所述的一种基于动态模式的机械臂智能自主控制方法，其特征在于，步骤1中，所述刚性机械臂的动力学模型为：

其中，x₁＝[x_1,1,x_1,2,…,x_1,n]^T为机械臂关节的角位移，x₂＝[x_2,1,x_2,2,…,x_2,n]^T为机械臂关节的角速度，n为机械臂的关节数，M(x₁)为机械臂系统的惯性矩阵，V_m(x₁,x₂)为向心力矩阵，G(x₁)为万有引力向量，F(x₂)为摩擦力向量，τ为控制力矩。

3.根据权利要求1所述的一种基于动态模式的机械臂智能自主控制方法，其特征在于，步骤3中，所述动态模式库为：

其中，为动态模式k的神经网络权值常量矩阵。

4.根据权利要求1所述的一种基于动态模式的机械臂智能自主控制方法，其特征在于，步骤4中，所述决策范数为：

其中，残差 表示第k个动态估计器的状态，x_d2表示被测模式的回归轨迹模型的状态，T＞0为设计的时间常数。

5.根据权利要求1所述的一种基于动态模式的机械臂智能自主控制方法，其特征在于，步骤5中，所述识别过程的控制器为：

其中，表示模式轨迹的训练域，表示模式轨迹的训练域；当时，控制器τ^i′采用原控制增益c_2,i；当时，控制器τ^i′采用高控制增益满足条件其中，z_2,i表示控制器τ^i′的中间误差，表示控制器τ^i′的神经网络权值常量矩阵的转置，Sⁱ(ψⁱ)表示控制器τ^i′的高斯型径向基函数向量，ψⁱ为控制器τ^i′的神经网络输入向量。