CN108303880B - 一种基于时延补偿的机器人遥操作预测控制方法 - Google Patents

一种基于时延补偿的机器人遥操作预测控制方法 Download PDF

Info

Publication number
CN108303880B
CN108303880B CN201810047031.0A CN201810047031A CN108303880B CN 108303880 B CN108303880 B CN 108303880B CN 201810047031 A CN201810047031 A CN 201810047031A CN 108303880 B CN108303880 B CN 108303880B
Authority
CN
China
Prior art keywords
robot
neural network
local
remote
rbf neural
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
Application number
CN201810047031.0A
Other languages
English (en)
Other versions
CN108303880A (zh
Inventor
黄攀峰
陈海飞
刘正雄
董刚奇
孟中杰
张夷斋
张帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201810047031.0A priority Critical patent/CN108303880B/zh
Publication of CN108303880A publication Critical patent/CN108303880A/zh
Application granted granted Critical
Publication of CN108303880B publication Critical patent/CN108303880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)

Abstract

本发明涉及一种基于时延补偿的机器人遥操作预测控制方法，首先给出机器人的数学模型以及一些相关说明，然后再利用双重RBF神经网络，包括两个预测RBF神经网络和两个估计RBF神经网络，分别预测主从端的状态信息(本地端预测RBF神经网络用来预测从端机器人状态信息；远端预测RBF神经网络用来预测本地端机器人状态信息)和估计主从端建模时的不确定性(本地端估计RBF神经网络用来估计本地端机器人不确定性；远端预测RBF神经网络用来估计本地端机器人不确定性)。最后基于设计的预测控制方法设计了一个类PD控制器实现了主从端机器人的跟踪控制。

Description

一种基于时延补偿的机器人遥操作预测控制方法
技术领域
本发明属于机器人控制技术研究领域，涉及一种基于时延补偿的机器人遥操作预测控制方法。
背景技术
机器人遥操作技术，是指操作人员在本地端通过操作本地端机器人实现对远端机器人高沉浸感、近实时同步操作的技术。它的这种远程操作特性使得它在生活中的各 个领域获得了广泛的应用，例如在航天器的在轨服务领域，机器遥操作技术可进行包 括失效卫星维护和救助、太空垃圾清理等任务。同时，机器人遥操作技术还常常用于 海洋开发领域、医疗领域、远程制造和核材料处理、核电站安全监控等人类不便或无 法亲身参与的领域。于是，机器人遥操作技术作为机器人应用领域的一种重要支撑技 术得到了极大地重视和研究。
机器人遥操作系统主要由五部分组成，包括操作者，本地端机器人(主端)，主从端通信链路，远端机器人(远端)和远端环境。机器人遥操作系统的运行机制可分为 如下几个阶段：第一阶段，操作者在本地端通过施加控制作用给本地端机器人，从而 使得本地端机器人按照期望的轨迹运动和动作。第二阶段，本地端机器人的动作信息 (包括位置、角度和速度等信息)，通过主从端上行通信链路传输至远端机器人，远端 机器人按照输入的运动和动作信息对目标执行期望的操作。第三阶段，机器人的动作 信息和远端环境信息(包括位置、角度、速度和环境外作用力等信息)，通过主从端下 行通信链路传输至本地端机器人。第四阶段，操作者根据传输回来的远端信息，与本 地端机器人信息作比较和判断，从而发出进一步的操作命令，最终使得远端机器人能 够跟随本地端机器人执行相应的操作。
然而，信号在主从端通信链路的传输过程中会产生传输时延。同时，信号的各个处理阶段也会产生较大的处理时延。从而导致信号不能实时的得到传输和利用，这就 导致了本地端机器人和远端机器人的操作和动作的不同步，大大降低了系统的操作性 能，甚至导致整个系统的不稳定。因此有必要设计先进的控制策略对时延进行补偿， 保证信号的实时传输。信号的能否实时传输和利用，直接影响着系统的操作性能、稳 定性和任务的成败，所以克服大时延对机器人遥操作系统的影响成为了机器人遥操作 技术的研究重点。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，本发明提出一种基于时延补偿的机器人遥操作预测控制方法，通过预测控制策略实时的预测系统的状态，并利用该预测状态信息执行 相应的操作，达到时延补偿的目的，从而从根本上消除时延的影响。
技术方案
一种基于时延补偿的机器人遥操作预测控制方法，其特征在于：在本地机器人端添加一个RBF神经网络，在远端机器人侧添加一个RBF神经网络，步骤如下：
步骤1、建立本地端机器人和远端机器人的动力学模型：
Figure BDA0001551211030000021
Figure BDA0001551211030000022
其中，下标m和s分别表示本地端机器人和远端机器人；qm和qs分别表示本地 端机器人和远端机器人的关节角位置，Mm(qm)和Ms(qs)分别为本地端机器人和远 端机器人对称正定惯性矩阵，
Figure BDA0001551211030000023
和
Figure BDA0001551211030000024
分别为本地端机器人和远端机 器人的离心力和哥氏力项，Gm(qm)和Gs(qs)分别为本地端机器人和远端机器人的重力 项，
Figure BDA0001551211030000025
和
Figure BDA0001551211030000026
分别为本地端机器人和远端机器人的不确定项，τm和τs分别为本 地端机器人和远端机器人的控制力矩，Fh和Fe分别为操作者作用于本地端机器人和环 境远端机器人的外力；
步骤2：
1、本地机器人端的预测RBF神经网络和远端机器人侧的预测RBF神经网络
a：本地机器人端的RBF神经网络的预测RBF神经网络的输入信号为：qs(t-ds(t))、
Figure BDA0001551211030000031
和
Figure BDA0001551211030000032
输出信号为：
Figure BDA0001551211030000033
其中
Figure BDA0001551211030000034
为qs(t-ds(t))预测误差：
Figure BDA0001551211030000035
自适应律为：
Figure BDA0001551211030000036
b、在远端机器人侧的预测RBF神经网络，预测信息
Figure BDA0001551211030000037
预测RBF神经网络的输入信号为：qm(t-dm(t))、
Figure BDA0001551211030000038
Figure BDA0001551211030000039
和
Figure BDA00015512110300000310
输出信号为：
Figure BDA00015512110300000311
其中
Figure BDA00015512110300000312
为qm(t-dm(t))预测误差：
Figure BDA00015512110300000313
自适应律
Figure BDA00015512110300000314
2、本地机器人端的预测RBF神经网络和远端机器人侧的估计RBF神经网络：
a、在本地机器人系统端，设计一个估计RBF神经网络，以输入信息(qm(t)、
Figure BDA00015512110300000315
Figure BDA00015512110300000316
)状态信息来估计本地机器人系统建模时的不确定性fm，并用
Figure BDA00015512110300000317
表示估计值，
Figure BDA00015512110300000318
估计误差为
Figure BDA00015512110300000319
Figure BDA00015512110300000320
RBF估计神经网络自适应律为：
Figure BDA0001551211030000041
b、在远端机器人系统端，设计一个估计RBF神经网络，输入信息(qs(t)、
Figure BDA0001551211030000042
Figure BDA0001551211030000043
)状态信息来估计远端机器人系统建模时的不确定性fs，并用
Figure BDA0001551211030000044
表示估计值，即 该估计神经网络的输出为：
Figure BDA0001551211030000045
估计误差为
Figure BDA0001551211030000046
Figure BDA0001551211030000047
RBF估计神经网络自适应律为：
Figure BDA0001551211030000048
步骤3：基于步骤2设计的神经网络，结合比例和微分控制算法设计预测控制器 对时延进行补偿，以下式实现系统的控制
Figure BDA0001551211030000049
Figure BDA00015512110300000410
其中：
Figure BDA00015512110300000411
和
Figure BDA00015512110300000412
为比例项，
Figure BDA00015512110300000413
和
Figure BDA00015512110300000414
为微分项，
Figure BDA00015512110300000415
和
Figure BDA00015512110300000416
不 确定性估计项；
Figure BDA00015512110300000417
和
Figure BDA00015512110300000418
表示基于预测控制算法的主从端跟踪误差，最终的 目标实现
Figure BDA00015512110300000419
和
Figure BDA00015512110300000420
有益效果
本发明提出的一种基于时延补偿的机器人遥操作预测控制方法，首先给出机器人的数学模型以及一些相关说明，然后再利用双重RBF神经网络，包括两个预测RBF神 经网络和两个估计RBF神经网络，分别预测主从端的状态信息(本地端预测RBF神经 网络用来预测从端机器人状态信息；远端预测RBF神经网络用来预测本地端机器人状 态信息)和估计主从端建模时的不确定性(本地端估计RBF神经网络用来估计本地端 机器人不确定性；远端预测RBF神经网络用来估计本地端机器人不确定性)。最后基于 设计的预测控制方法设计了一个类PD控制器实现了主从端机器人的跟踪控制。
附图说明
图1：系统工作机制及结构框架图
图2：预测RBF神经网络(本地端)
具体实施方式
现结合实施例、附图对本发明作进一步描述：
为了实现上述目的，本发明所采用附图一所示的工作机制及框架，该技术方案包括以下实施步骤：
1)建立本地端机器人和远端机器人的动力学模型；
2)本地端训练两个RBF神经网络，其中一个用来预测本地端机器人的状态信息，另一个用来逼近本地端机器人系统建模的不确定性。同理，对从端机器人也执行同样 的步骤；
3)基于设计的神经网络，结合比例和微分控制算法设计预测控制器对时延进行补偿，从而最终实现主从端的跟踪控制。
步骤1)：
结合附图一给出机器人遥操作系统本地机器人和远端机器人动力学模型为：
Figure BDA0001551211030000051
其中，下标m和s分别表示本地端机器人和远端机器人；qm和qs分别表示本地 端机器人和远端机器人的关节角位置，Mm(qm)和Ms(qs)分别为本地端机器人和远 端机器人对称正定惯性矩阵，
Figure BDA0001551211030000052
和
Figure BDA0001551211030000053
分别为本地端机器人和远端机 器人的离心力和哥氏力项，Gm(qm)和Gs(qs)分别为本地端机器人和远端机器人的重力 项，
Figure BDA0001551211030000054
和
Figure BDA0001551211030000055
分别为本地端机器人和远端机器人的不确定项，τm和τs分别为本 地端机器人和远端机器人的控制力矩，Fh和Fe分别为操作者作用于本地端机器人和环 境远端机器人的外力；
步骤2)：
本地端机器人系统和远端机器人系统中的RBF神经网络设计思路和方案如下：
(1)预测RBF神经网络：
本地端机器人RBF预测神经网络，用来预测远端机器人传输回来的关节角位置信息。由于实际的远端机器人关节角位置等状态信息被传输至本地端机器人端时，经历 了时延ds(k)，所以导致本地端利用的不是最新信息。然而，主从端传输链路和数据处 理环节的存在，系统中状态信号存在时延是不可避免的。为了从根本上解决时延对系 统性能的影响，本发明在本地机器人端添加一个RBF神经网络(利用RBF神经网络能 以任意精度逼近任一个连续函数的功能)，来预测远端机器人经过时延ds(t)最终将到 达本地端机器人的关节角位置qs(t-ds(t))等状态信息。由于该预测RBF神经网络的 存在，使得本地端机器人真正利用的是预测信息
Figure BDA0001551211030000061
而不是真实的 qs(t-ds(t))。
设计的预测RBF神经网络(本地端)如附图2所示，该预测RBF神经网络的输入 信号为：qs(t-ds(t))、
Figure BDA0001551211030000062
Figure BDA0001551211030000063
和
Figure BDA0001551211030000064
输出信号为:
Figure BDA0001551211030000065
其中
Figure BDA0001551211030000066
为qs(t-ds(t))预测误差：
Figure BDA0001551211030000067
并基于预测误差
Figure BDA0001551211030000068
自适应调节预测RBF神经网络的参数，实现较高精度的预测。自 适应律如下：
Figure BDA0001551211030000069
同样，在远端机器人侧，也按照同样的思路和方法设计一个预测RBF神经网络， 来预测本地端机器人经过时延dm(t)最终将到达本地端机器人的关节角位置qm(t-dm(t))等状态信息。所以远端机器人真正利用的是预测信息
Figure BDA0001551211030000071
而不是 qm(t-dm(t))。
设计的预测RBF神经网络(远端)，该预测RBF神经网络的输入信号为： qm(t-dm(t))、
Figure RE-GDA0001615835690000071
和
Figure RE-GDA0001615835690000072
输出信号为:
Figure BDA0001551211030000075
其中
Figure BDA0001551211030000076
为qm(t-dm(t))预测误差：
Figure BDA0001551211030000077
并基于预测误差
Figure BDA0001551211030000078
自适应调节预测RBF神经网络的参数，实现较高精度的预测。自 适应律如下：
Figure BDA0001551211030000079
(2)估计RBF神经网络：
利用RBF神经网络的函数逼近和数据拟合的能力，设计一个估计RBF神经网络来估计系统的不确定性。
在本地机器人系统端，设计一个估计RBF神经网络。利用输入信息
Figure RE-GDA0001615835690000078
Figure RE-GDA0001615835690000079
等状态信息来估计本地机器人系统建模时的不确定性fm，并用
Figure RE-GDA00016158356900000710
表示估计值， 即该估计神经网络的输出为：
Figure BDA00015512110300000712
再定义估计误差为
Figure BDA00015512110300000713
Figure BDA00015512110300000714
对应的RBF估计神经网络自适应律为：
Figure BDA00015512110300000715
同样，在远端机器人系统端，也设计一个估计RBF神经网络(远端)。利用输入信 息
Figure RE-GDA00016158356900000715
等状态信息来估计远端机器人系统建模时的不确定性fs，并 用
Figure RE-GDA00016158356900000716
表示估计值，即该估计神经网络的输出为：
Figure BDA00015512110300000718
Figure BDA0001551211030000081
再定义估计误差为
Figure BDA0001551211030000082
Figure BDA0001551211030000083
对应的RBF估计神经网络自适应律为：
Figure BDA0001551211030000084
步骤3)
基于设计的步骤2)设计的神经网络，结合比例和微分控制算法设计预测控制器对时延进行补偿。
Figure BDA0001551211030000085
其中
Figure BDA0001551211030000086
和
Figure BDA0001551211030000087
为比例项，
Figure BDA0001551211030000088
和
Figure BDA0001551211030000089
为微分项，
Figure BDA00015512110300000810
和
Figure BDA00015512110300000811
不确定性估 计项。
Figure BDA00015512110300000812
和
Figure BDA00015512110300000813
表示基于预测控制算法的主从端跟踪误差，最终的目标是实 现
Figure BDA00015512110300000814
和
Figure BDA00015512110300000815
特别说明：预测RBF神经网络(远端)、估计RBF神经网络(本地端)、估计RBF 神经网络(远端)的神经网络架构均相同。所以在这里只列出图2预测RBF神经网络 的(远端)的架构图。

Claims (1)

1.一种基于时延补偿的机器人遥操作预测控制方法，其特征在于：在本地机器人端添加一个RBF神经网络，在远端机器人侧添加一个RBF神经网络，步骤如下：
步骤1、建立本地端机器人和远端机器人的动力学模型：
Figure FDA0002579860730000011
Figure FDA0002579860730000012
其中，下标m和s分别表示本地端机器人和远端机器人；qm和qs分别表示本地端机器人和远端机器人的关节角位置，Mm(qm)和Ms(qs)分别为本地端机器人和远端机器人对称正定惯性矩阵，
Figure FDA0002579860730000013
和
Figure FDA0002579860730000014
分别为本地端机器人和远端机器人的离心力和哥氏力项，Gm(qm)和Gs(qs)分别为本地端机器人和远端机器人的重力项，
Figure FDA0002579860730000015
和
Figure FDA0002579860730000016
分别为本地端机器人和远端机器人的不确定项，τm和τs分别为本地端机器人和远端机器人的控制力矩，Fh和Fe分别为操作者作用于本地端机器人和环境远端机器人的外力；
步骤2：
1、本地机器人端的预测RBF神经网络和远端机器人侧的预测RBF神经网络
a：本地机器人端的RBF神经网络的预测RBF神经网络的输入信号为：qs(t-ds(t))、
Figure FDA0002579860730000017
Figure FDA0002579860730000018
和
Figure FDA0002579860730000019
输出信号为：
Figure FDA00025798607300000110
其中
Figure FDA00025798607300000111
为qs(t-ds(t))预测误差：
Figure FDA00025798607300000112
自适应律为：
Figure FDA00025798607300000113
b、在远端机器人侧的预测RBF神经网络，预测信息
Figure FDA00025798607300000114
预测RBF神经网络的输入信号为：qm(t-dm(t))、
Figure FDA00025798607300000115
Figure FDA00025798607300000116
和
Figure FDA00025798607300000117
输出信号为：
Figure FDA00025798607300000118
其中
Figure FDA00025798607300000119
为qm(t-dm(t))预测误差：
Figure FDA0002579860730000021
自适应律
Figure FDA0002579860730000022
2、本地机器人端的预测RBF神经网络和远端机器人侧的估计RBF神经网络：
a、在本地机器人系统端，设计一个估计RBF神经网络，以输入信息
Figure FDA0002579860730000023
Figure FDA0002579860730000024
状态信息来估计本地机器人系统建模时的不确定性fm，并用
Figure FDA0002579860730000025
表示估计值，
Figure FDA0002579860730000026
估计误差为
Figure FDA0002579860730000027
Figure FDA0002579860730000028
RBF估计神经网络自适应律为：
Figure FDA0002579860730000029
b、在远端机器人系统端，设计一个估计RBF神经网络，输入信息
Figure FDA00025798607300000210
Figure FDA00025798607300000211
状态信息来估计远端机器人系统建模时的不确定性fs，并用
Figure FDA00025798607300000212
表示估计值，即该估计神经网络的输出为：
Figure FDA00025798607300000213
估计误差为
Figure FDA00025798607300000214
Figure FDA00025798607300000215
RBF估计神经网络自适应律为：
Figure FDA00025798607300000216
步骤3：基于步骤2设计的神经网络，结合比例和微分控制算法设计预测控制器对时延进行补偿，以下式实现系统的控制
Figure FDA00025798607300000217
Figure FDA00025798607300000218
其中：
Figure FDA00025798607300000219
和
Figure FDA00025798607300000220
为比例项，
Figure FDA00025798607300000221
和
Figure FDA00025798607300000222
为微分项，
Figure FDA00025798607300000223
和
Figure FDA00025798607300000224
不确定性估计项；
Figure FDA00025798607300000225
和
Figure FDA00025798607300000226
表示基于预测控制算法的主从端跟踪误差，最终的目标实现
Figure FDA00025798607300000227
和
Figure FDA00025798607300000228
CN201810047031.0A 2018-01-18 2018-01-18 一种基于时延补偿的机器人遥操作预测控制方法 Active CN108303880B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810047031.0A CN108303880B (zh) 2018-01-18 2018-01-18 一种基于时延补偿的机器人遥操作预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810047031.0A CN108303880B (zh) 2018-01-18 2018-01-18 一种基于时延补偿的机器人遥操作预测控制方法

Publications (2)

Publication Number Publication Date
CN108303880A CN108303880A (zh) 2018-07-20
CN108303880B true CN108303880B (zh) 2020-11-06

Family

ID=62865569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810047031.0A Active CN108303880B (zh) 2018-01-18 2018-01-18 一种基于时延补偿的机器人遥操作预测控制方法

Country Status (1)

Country Link
CN (1) CN108303880B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108958022B (zh) * 2018-07-09 2020-05-12 燕山大学 非线性主-从时延系统的时滞相关有限时间同步控制方法
CN109240086B (zh) * 2018-10-16 2020-02-28 浙江大学 一种非线性双边遥操作系统的自适应鲁棒控制方法
CN110262256B (zh) * 2019-07-18 2020-09-11 浙江大学 一种非线性遥操作系统的多边自适应滑模控制方法
CN111240191B (zh) * 2020-01-16 2022-09-02 西北工业大学 变时延条件下机器人系统的自适应模糊阶次稳定操控方法
CN111571594B (zh) * 2020-05-26 2022-10-04 南通大学 一种提高遥操作机器人透明性和稳定性的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012018229A3 (ko) * 2010-08-03 2012-03-29 한국기술교육대학교 산학협력단 시간영역 수동성 기법을 이용하여 시간 지연에서의 안정적인 원격제어를 보장하는 양방향 제어기, 햅틱 인터페이스 장치 및 방법, 그리고 원격조종로봇 시스템
CN105353616A (zh) * 2015-11-17 2016-02-24 西北工业大学 一种基于波变量的定时延遥操作控制方法
CN105904461A (zh) * 2016-05-16 2016-08-31 西北工业大学 一种基于径向基函数的神经网络自适应遥操作控制方法
CN106773668A (zh) * 2016-11-22 2017-05-31 西北工业大学 一种用于变时延双边遥操作系统的稳定控制方法
CN107092193A (zh) * 2017-06-27 2017-08-25 星际（重庆）智能装备技术研究院有限公司 不依赖理想轨迹的非线性纯时延系统的跟踪控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012018229A3 (ko) * 2010-08-03 2012-03-29 한국기술교육대학교 산학협력단 시간영역 수동성 기법을 이용하여 시간 지연에서의 안정적인 원격제어를 보장하는 양방향 제어기, 햅틱 인터페이스 장치 및 방법, 그리고 원격조종로봇 시스템
CN105353616A (zh) * 2015-11-17 2016-02-24 西北工业大学 一种基于波变量的定时延遥操作控制方法
CN105904461A (zh) * 2016-05-16 2016-08-31 西北工业大学 一种基于径向基函数的神经网络自适应遥操作控制方法
CN106773668A (zh) * 2016-11-22 2017-05-31 西北工业大学 一种用于变时延双边遥操作系统的稳定控制方法
CN107092193A (zh) * 2017-06-27 2017-08-25 星际（重庆）智能装备技术研究院有限公司 不依赖理想轨迹的非线性纯时延系统的跟踪控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
时延遥操作系统的非对称双通道波变量补偿法;戴沛 等;《航空学报》;20170225;第38卷(第2期);论文第2-6页 *

Also Published As

Publication number Publication date
CN108303880A (zh) 2018-07-20

Similar Documents

Publication Publication Date Title
CN108303880B (zh) 一种基于时延补偿的机器人遥操作预测控制方法
Chen et al. Integrated adaptive robust control for multilateral teleoperation systems under arbitrary time delays
CN108803344B (zh) 一种基于模态切换的机器人双边遥操作对称预测控制方法
Jain et al. Cooperative path following of robotic vehicles using an event-based control and communication strategy
CN108646569B (zh) 离散时间状态下的遥操作系统的控制方法
CN111650832B (zh) 一种水下多足步行机器人机械足姿态跟踪控制方法
CN107422639B (zh) 一种基于时间延迟估计的双边遥操作控制方法
Liu Distributed synchronization for heterogeneous robots with uncertain kinematics and dynamics under switching topologies
Mei et al. Containment control for multiple Euler-Lagrange systems with parametric uncertainties in directed networks
Lv et al. Event-triggered neural network control of autonomous surface vehicles over wireless network
CN113342010B (zh) 一种自触发通信的水下滑翔机协同控制系统
CN114063457B (zh) 一种机械臂系统的事件触发容错控制方法
Qi et al. Three-dimensional formation control based on filter backstepping method for multiple underactuated underwater vehicles
Rego et al. Cooperative path-following control with logic-based communications: Theory and practice
Wei et al. Asymmetric time‐varying BLF‐based model‐free hybrid force/position control for SEA‐based 2‐DOF manipulator
Zheng et al. Trajectory control and vibration suppression of rigid‐flexible parallel robot based on singular perturbation method
Liu et al. Adaptive terminal sliding mode control for time-delay teleoperation with uncertainties
Esmaili et al. Adaptive synchronous artificial neural network based PI-type sliding mode control on two robot manipulators
Pourrahim et al. Experimental evaluation of a saturated output feedback controller using RBF neural networks for SCARA robot IBM 7547
Li et al. Event-triggered boundary control of a flexible manipulator with uncertain end load
Zou et al. Adaptive robust control for bilateral teleoperated robotic manipulators with arbitrary time delays
Tran et al. Finite-Time Output Control for Uncertain Robotic Manipulators With Time-Varying Output Constraints
CN114488791B (zh) 基于操作者意图理解的遥操作事件触发固定时间控制方法
CN113848712B (zh) 一种基于云的多移动机器人输出一致性控制系统
Ha Adaptive fractional-order integral fast terminal sliding mode and fault-tolerant control of dual-arm robots

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