CN108555914B - 一种基于腱驱动灵巧手的dnn神经网络自适应控制方法 - Google Patents

一种基于腱驱动灵巧手的dnn神经网络自适应控制方法 Download PDF

Info

Publication number
CN108555914B
CN108555914B CN201810742347.1A CN201810742347A CN108555914B CN 108555914 B CN108555914 B CN 108555914B CN 201810742347 A CN201810742347 A CN 201810742347A CN 108555914 B CN108555914 B CN 108555914B
Authority
CN
China
Prior art keywords
dexterous hand
tendon
force
formula
moment
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
CN201810742347.1A
Other languages
English (en)
Other versions
CN108555914A (zh
Inventor
王刑波
葛胜
孟敏锐
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201810742347.1A priority Critical patent/CN108555914B/zh
Publication of CN108555914A publication Critical patent/CN108555914A/zh
Application granted granted Critical
Publication of CN108555914B publication Critical patent/CN108555914B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/1607—Calculation of inertia, jacobian matrixes and inverses
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1633—Programme controls characterised by the control loop compliant, force, torque control, e.g. combined with position control

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种基于腱驱动灵巧手的DNN神经网络自适应控制方法，该方法通过构建n节关节灵巧手手指的末端操作器和外界环境接触时的动力学关系式，然后输入理想力至灵巧手求出灵巧手上对应关节的力矩与灵巧手实际输出的力矩之差；随后基于PID控制器，加入DNN神经网络构建灵巧手手指末端操作器的力控制模型，并将力矩之差输入力控制模型求出第一力矩；接着计算灵巧手中关节变化导致的腱长度变化与末端操作器中执行器的自身变化速率之和；并根据灵巧手的关节力矩阵求得第二力矩；最后将计算得到的第一力矩和第二力矩传给构建的灵巧手动力学模型，得到灵巧手的实际输出力和关节角，实现对灵巧手的力位混合控制；本发明灵巧手控制系统的控制性能稳定。

Description

一种基于腱驱动灵巧手的DNN神经网络自适应控制方法
技术领域
本发明属于机器人灵巧手的力位混合控制领域，尤其涉及一种基于腱驱动灵巧手的DNN神经网络自适应控制方法。
背景技术
多指灵巧手的研制和开发，正日益受到各国机器人学者的关注和重视。鉴于它能实现较多的人手功能如细微操作等，与工业机器人手臂配合可扩大机器人的作业范围，改变了现有工业机器人单一的作业模式，所以有着广阔的应用前景。
考虑到机器人灵巧手的动力学是非线性的，机器人操纵器在实际应用中面临各种不确定性，例如负载参数，内部摩擦和外部干扰等；所以人们考虑解决方案以实现对机器人操纵器的精确跟踪控制。
现有技术中通过使用神经网络对此进行调节，传统的神经网络采用的是输入层、输出层和一个隐含层；输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果，但是这种结构对于复杂的函数则显得无能为力；而当灵巧手指在负载变化和扰动存在时，其系统参数是时变的，即为时变、复杂的非线性系统；现有中通过设计出固定参数的线性PID控制器往往难以得到最优的控制效果。
发明内容
本发明的主要目的在于提供了一种基于腱驱动灵巧手的DNN神经网络自适应控制方法，该方法在原有的PID控制器上加入DNN神经网络，根据跟踪力误差及误差的变化率，在线调节以达到最优控制的目的，具体技术方案如下：
一种基于腱驱动灵巧手的DNN神经网络自适应控制方法，应用于机器人控制，所述方法包括步骤：
构建n节关节灵巧手手指的末端操作器和外界环境接触时的动力学关系式
Figure GDA0003027210040000021
并输入理想力Fd至所述灵巧手，理想力Fd经过机器人雅克比矩阵，转换为对应关节的力矩与灵巧手实际输出的力矩之差e(k)；
基于PID控制器，加入DNN神经网络构建所述灵巧手手指末端操作器的力控制模型，并将e(k)作为所述力控制模型的输入，求出第一力矩τf；
由公式
Figure GDA0003027210040000022
计算灵巧手中关节变化导致的腱长度l变化与末端操作器中执行器的自身变化速率之和，并对公式
Figure GDA0003027210040000023
求积分得到公式x＝RTq+△l，其中，△l表示所述灵巧手的弹性拉伸；
令灵巧手中所有腱的刚度为kt，根据腱张力f与弹性拉伸△l成比例，求得腱张力f表达公式为f＝kt△l，并结合公式x＝RTq+△l求得腱张力与位置之间的表达公式f＝kt(x-RTq)，并根据灵巧手的关节力矩阵R求得第二力矩τt＝Rf，由第一力矩和第二力矩可得到机器人手指的输入力矩τ＝τf+τt；
构建灵巧手动力学模型
Figure GDA0003027210040000024
将计算得到的τ传给灵巧手动力学模型
Figure GDA0003027210040000025
得到灵巧手的实际输出力Fe和关节角q，实现对灵巧手的力位混合控制。
作为优选，所述公式
Figure GDA0003027210040000026
中，
Figure GDA0003027210040000027
是灵巧手指的关节角度矢量，角速度矢量以及角加速度矢量，M(q)∈Rn×n为灵巧手正定惯量矩阵；
Figure GDA0003027210040000031
为离心力和科氏力矢量；τ∈Rn×1为关节输入力或者力矩矢量。
作为优选，所述力控制模型包括网络输入层、隐含层和网络输出层；其中，网络输入层的输入为e(k)和
Figure GDA0003027210040000032
Figure GDA0003027210040000033
隐含层的输入由公式
Figure GDA0003027210040000034
表示，输出由公式
Figure GDA0003027210040000035
表示，式中，
Figure GDA0003027210040000036
表示隐含层的加权系数，f表示活化函数；网络输出层由公式
Figure GDA0003027210040000037
Figure GDA0003027210040000038
表示，式中，
Figure GDA0003027210040000039
表示网络输出层的加权系数，g(x)表示线性函数；
作为优选，所述方法还包括步骤，将所述网络输出层得到的结果与预设定的理想值进行比较并更新参数。
作为优选，所述网络输出层中包含参数kp、ki和kd，其中，
Figure GDA00030272100400000310
本发明采用上述技术方案，具有以下有益效果：
(1)本方法改善了原有PID下kp，ki，kd三个参数固定的情况，通过DNN网络来调节PID参数，实现了在线调整达到最优控制的目的。
(2)本方法将DNN神经网络和PID控制相结合，不仅具有PID控制精度高的特点，还具备DNN网络对控制参数进行在线整定，能够更好地近似非线性对象的优势，使得控制模型具有更强的适应性。
(3)采用DNN神经网络，改进了之前单层隐含层神经网络，训练效果差，适应能力差的缺点；DNN神经网络通过更多的神经元，直接增强模型的能力，能够更加准确地逼近理想值。
附图说明
图1为本发明所述基于腱驱动灵巧手的DNN神经网络自适应控制方法的流程图示意；
图2为本发明所述基于腱驱动灵巧手的DNN神经网络自适应控制方法的控制框图；
图3为本发明所述腱驱动灵巧手手指结构图示意。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
参阅图1，在本发明实施例中，提供了一种基于腱驱动灵巧手的DNN神经网络自适应控制方法，应用于机器人控制，所述方法包括步骤：首先，构建n节关节灵巧手手指的末端操作器和外界环境接触时的动力学关系式
Figure GDA0003027210040000041
式中，
Figure GDA0003027210040000042
是灵巧手指的关节角度矢量，角速度矢量以及角加速度矢量，M(q)∈Rn×n为灵巧手正定惯量矩阵；
Figure GDA0003027210040000043
为离心力和科氏力矢量；τ∈Rn×1为关节输入力或者力矩矢量；并输入理想力Fd至所述灵巧手，理想力Fd经过机器人雅克比矩阵，转换为对应关节的力矩与灵巧手实际输出的力矩之差e(k)；然后，基于PID控制器，加入DNN神经网络构建所述灵巧手手指末端操作器的力控制模型，并将e(k)作为力控制模型的输入，求出第一力矩τf；接着根据公式
Figure GDA0003027210040000051
计算灵巧手中关节变化导致的腱长度l变化与末端操作器中执行器的自身变化速率之和，并对公式
Figure GDA0003027210040000052
求积分得到公式x＝RTq+△l，其中，△l表示灵巧手的弹性拉伸；并令灵巧手中所有腱的刚度为kt，根据腱张力f与弹性拉伸△l成比例，求得腱张力f表达公式为f＝kt△l，并结合公式x＝RTq+△l求得腱张力与位置之间的表达公式f＝kt(x-RTq)，并根据灵巧手的关节力矩阵R求得第二力矩τt＝Rf；最后构建灵巧手动力学模型
Figure GDA0003027210040000053
将计算得到的τ传给灵巧手动力学模型
Figure GDA0003027210040000054
得到灵巧手的实际输出力Fe和关节角q，实现对灵巧手的力位混合控制。
结合图3，图示为腱驱动灵巧手手指结构示意图，从中可知，通过腱绳t1和t2来调节灵巧手手指的运动和速度，实现操纵手指实现相应运动；具体的，当食指基关节上腱绳t1和t2的速度方向相反时，能实现基关节的弯曲、伸直；当t1和t2的绳端速度方向相反，且中关节上t3和t4的绳端速度方向也相反时，可以同时实现手指的侧摆和弯曲。
参阅图2，在本发明实施例中，基于腱驱动灵巧手的DNN神经网络自适应控制方法包括力控制过程和位置控制过程，其中，力控制过程具体过程为：首先输入理想力Fd，经过机器人雅克比变换矩阵JT，转化为理想力矩τd，然后与手指动力学模型输出的实际力矩τe之差，从而得到力矩之差e(k)＝τd(k)-τ(k)，并作为力控制模型的输入，经过DNN网络预测训练得到kp,ki,kd；最后通过PID控制器的调节，得到输出第一力矩
Figure GDA0003027210040000061
传给灵巧手动力学模型；位置控制的具体过程为：首先输入理想腱位置Xd，与实际腱位置Xf＝RTq之差，式中，RT代表腱空间转换矩阵，q代表关节位置；然后经过腱刚度系数kt相乘，得到腱张力f；最后通过腱映射矩阵R转化为关节力矩τ，即第二力矩，和力控制模型的力矩之和传给灵巧手动力学模型，实现对力和位置的混合控制。
在具体实施例中，力控制模型包括网络输入层、隐含层和网络输出层；其中，网络输入层的输入为e(k)和
Figure GDA0003027210040000062
Figure GDA0003027210040000063
隐含层的输入由公式
Figure GDA0003027210040000064
表示，输出由公式
Figure GDA0003027210040000065
表示，式中，
Figure GDA0003027210040000066
表示隐含层的加权系数，f表示活化函数；网络输出层由公式
Figure GDA0003027210040000067
Figure GDA0003027210040000068
表示，式中，
Figure GDA0003027210040000069
表示网络输出层的加权系数，g(x)表示线性函数；并将网络输出层得到的结果与预设定的理想值进行比较并更新参数；优选的，在网络输出层中包含参数kp、ki和kd，其中，
Figure GDA00030272100400000610
本发明采用上述技术方案，具有以下有益效果：
(1)本方法改善了原有PID下kp，ki，kd三个参数固定的情况，通过DNN网络来调节PID参数，实现了在线调整达到最优控制的目的：
(2)本方法将DNN神经网络和PID控制相结合，对控制参数进行在线整定，能够更好地近似非线性对象，具有较强的适应性：
(3)采用DNN神经网络，改进了之前单层隐含层神经网络，训练效果差，适应能力差的缺点；DNN神经网络通过更多的神经元，直接增强模型的能力，能够更加准确地逼近理想值。
以上仅为本发明的较佳实施例，但并不限制本发明的专利范围，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。

Claims (5)

1.一种基于腱驱动灵巧手的DNN神经网络自适应控制方法，应用于机器人控制，其特征在于，所述方法包括步骤：
构建n节关节灵巧手手指的末端操作器和外界环境接触时的动力学关系式
Figure FDA0003027210030000011
并输入理想力Fd至所述灵巧手，理想力Fd经过机器人雅克比矩阵，转换为对应关节的力矩与灵巧手实际输出的力矩之差e(k)；
基于PID控制器，加入DNN神经网络构建所述灵巧手手指末端操作器的力控制模型，并将e(k)作为所述力控制模型的输入，求出第一力矩τf；
由公式
Figure FDA0003027210030000012
计算灵巧手中关节变化导致的腱长度l变化与末端操作器中执行器的自身变化速率之和，并对公式
Figure FDA0003027210030000013
求积分得到公式x＝RTq+△l，其中，△l表示所述灵巧手腱的弹性拉伸；
令灵巧手中所有腱的刚度为kt，根据腱张力f与弹性拉伸△l成比例，求得腱张力f表达公式为f＝kt△l，并结合公式x＝RTq+△l求得腱张力与位置之间的表达公式f＝kt(x-RTq)，并根据灵巧手的关节力矩阵R求得第二力矩τt＝Rf，由第一力矩和第二力矩可得到机器人手指的输入力矩τ＝τf+τt；
构建灵巧手动力学模型
Figure FDA0003027210030000014
将计算得到的τ传给灵巧手动力学模型
Figure FDA0003027210030000015
得到灵巧手的实际输出力Fe和关节角q，实现对灵巧手的力位混合控制。
2.根据权利要求1所述的一种基于腱驱动灵巧手的DNN神经网络自适应控制方法，其特征在于，所述公式
Figure FDA0003027210030000016
中，
Figure FDA0003027210030000021
是灵巧手指的关节角度矢量，角速度矢量以及角加速度矢量，M(q)∈Rn×n为灵巧手正定惯量矩阵；
Figure FDA0003027210030000022
为离心力和科氏力矢量；τ∈Rn×1为关节输入力或者力矩矢量。
3.根据权利要求1所述的一种基于腱驱动灵巧手的DNN神经网络自适应控制方法，其特征在于，所述力控制模型包括网络输入层、隐含层和网络输出层；其中，网络输入层的输入为e(k)和
Figure FDA0003027210030000023
Figure FDA0003027210030000024
隐含层的输入由公式
Figure FDA0003027210030000025
表示，输出由公式
Figure FDA0003027210030000026
表示，式中，
Figure FDA0003027210030000027
表示隐含层的加权系数，f表示活化函数；网络输出层由公式
Figure FDA0003027210030000028
Figure FDA0003027210030000029
表示，式中，
Figure FDA00030272100300000215
表示网络输出层的加权系数，g(x)表示线性函数；(其中e(k)和
Figure FDA00030272100300000210
分别表示由手指实际和期望接触力误差计算得到转矩误差及其变化率，
Figure FDA00030272100300000211
表示深度学习网络DNN在第k时刻的输入，
Figure FDA00030272100300000212
表示隐含层的第i个神经元节点的计算结果。
Figure FDA00030272100300000213
表示输出层的第l个神经元节点的计算结果)
4.根据权利要求3所述的一种基于腱驱动灵巧手的DNN神经网络自适应控制方法，其特征在于，所述方法还包括步骤，将所述网络输出层得到的结果与预设定的理想值进行比较并更新参数。
5.根据权利要求3所述的一种基于腱驱动灵巧手的DNN神经网络自适应控制方法，其特征在于，所述网络输出层中包含参数kp、ki和kd，其中，
Figure FDA00030272100300000214
CN201810742347.1A 2018-07-09 2018-07-09 一种基于腱驱动灵巧手的dnn神经网络自适应控制方法 Active CN108555914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810742347.1A CN108555914B (zh) 2018-07-09 2018-07-09 一种基于腱驱动灵巧手的dnn神经网络自适应控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810742347.1A CN108555914B (zh) 2018-07-09 2018-07-09 一种基于腱驱动灵巧手的dnn神经网络自适应控制方法

Publications (2)

Publication Number Publication Date
CN108555914A CN108555914A (zh) 2018-09-21
CN108555914B true CN108555914B (zh) 2021-07-09

Family

ID=63555685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810742347.1A Active CN108555914B (zh) 2018-07-09 2018-07-09 一种基于腱驱动灵巧手的dnn神经网络自适应控制方法

Country Status (1)

Country Link
CN (1) CN108555914B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109760051B (zh) * 2019-01-16 2020-02-07 哈尔滨工业大学 一种绳驱超冗余自由度机器人的绳索长度变化确定方法
CN110842962B (zh) * 2019-12-02 2021-03-12 深圳忆海原识科技有限公司 32自由度仿生柔顺内骨骼灵巧手
CN111037589A (zh) * 2019-12-11 2020-04-21 西安工程大学 一种机器人末端结构及其控制方法
CN114055466B (zh) * 2021-10-08 2023-10-13 南京邮电大学 基于tde的灵巧手指自适应滑模跟踪控制方法
CN114536382B (zh) * 2022-04-26 2022-08-12 中国科学院自动化研究所 神经拟态灵巧手机器人

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1299082A (zh) * 1999-12-07 2001-06-13 广州大学 Pid神经网络控制器
CN101596338A (zh) * 2009-04-29 2009-12-09 天津大学 基于bp神经网络整定pid的功能性电刺激精密控制方法
WO2011036626A2 (en) * 2009-09-22 2011-03-31 Ariel - University Research And Development Company, Ltd. Orientation controller, mechanical arm, gripper and components thereof
CN107030694A (zh) * 2017-04-20 2017-08-11 南京航空航天大学 腱驱动机械手腱张力约束末端力位操作控制方法和装置
CN108132602A (zh) * 2017-12-07 2018-06-08 四川理工学院 固态酿酒翻曲机械手神经网络滑模自适应控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1299082A (zh) * 1999-12-07 2001-06-13 广州大学 Pid神经网络控制器
CN101596338A (zh) * 2009-04-29 2009-12-09 天津大学 基于bp神经网络整定pid的功能性电刺激精密控制方法
WO2011036626A2 (en) * 2009-09-22 2011-03-31 Ariel - University Research And Development Company, Ltd. Orientation controller, mechanical arm, gripper and components thereof
CN107030694A (zh) * 2017-04-20 2017-08-11 南京航空航天大学 腱驱动机械手腱张力约束末端力位操作控制方法和装置
CN108132602A (zh) * 2017-12-07 2018-06-08 四川理工学院 固态酿酒翻曲机械手神经网络滑模自适应控制方法

Also Published As

Publication number Publication date
CN108555914A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
CN108555914B (zh) 一种基于腱驱动灵巧手的dnn神经网络自适应控制方法
CN111496792B (zh) 一种机械臂输入饱和固定时间轨迹跟踪控制方法及系统
Sutanto et al. Encoding physical constraints in differentiable newton-euler algorithm
Rigatos Model-based and model-free control of flexible-link robots: A comparison between representative methods
CN105773623A (zh) 基于预测型间接迭代学习的scara机器人轨迹跟踪控制方法
CN102363301A (zh) 机器人拟人手指自适应指尖力跟踪控制方法
CN111230882B (zh) 水果分拣并联机器人夹持机构的自适应变阻抗控制方法
Huang et al. A FAT-based adaptive controller for robot manipulators without regressor matrix: theory and experiments
CN109648564B (zh) 一种基于递阶结构mpc的多自由度柔性关节机械臂系统的控制方法
Hu et al. Prescribed time tracking control without velocity measurement for dual-arm robots
Jiang Impedance control of flexible robot arms with parametric uncertainties
Zhang et al. Time delay compensation of a robotic arm based on multiple sensors for indirect teaching
Ding et al. Dynamic modelling and PFL-based trajectory tracking control for underactuated cable-driven truss-like manipulator
JP3105694B2 (ja) マニピュレータ制御方法
Wang et al. Active compliance control based on EKF torque fusion for robot manipulators
Nedelchev et al. High-bandwidth control of twisted string actuators
Neto et al. Accumulative learning using multiple ANN for flexible link control
CN113650014B (zh) 一种基于回声状态网络的冗余机械臂追踪控制方法
Dinh et al. Localized Extreme Learning Machine for online inverse dynamic model estimation in soft wearable exoskeleton
Wu et al. An adaptive neural network compensator for decoupling of dynamic effects of a macro-mini manipulator
Liu et al. Robot trajectory modification using human-robot force interaction
Huang et al. Neural network adaptive backstepping control of multi-link underwater flexible manipulators
Passold et al. Feedback error learning neural network applied to a scara robot
Wapenhans et al. Optimal trajectory planning with application to industrial robots
Duan et al. Variable structure control with feedforward compensator for robot manipulators subject to load uncertainties

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