CN111290273A - 基于外骨骼机器人柔性作动器的位置跟踪优化控制方法 - Google Patents

基于外骨骼机器人柔性作动器的位置跟踪优化控制方法 Download PDF

Info

Publication number
CN111290273A
CN111290273A CN202010099404.6A CN202010099404A CN111290273A CN 111290273 A CN111290273 A CN 111290273A CN 202010099404 A CN202010099404 A CN 202010099404A CN 111290273 A CN111290273 A CN 111290273A
Authority
CN
China
Prior art keywords
disturbance
control
optimization
exoskeleton robot
follows
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.)
Granted
Application number
CN202010099404.6A
Other languages
English (en)
Other versions
CN111290273B (zh
Inventor
孙振兴
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.)
Huzhou Heli Robot Intelligent Technology Co Ltd
Original Assignee
Huzhou Heli Robot Intelligent Technology Co Ltd
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 Huzhou Heli Robot Intelligent Technology Co Ltd filed Critical Huzhou Heli Robot Intelligent Technology Co Ltd
Priority to CN202010099404.6A priority Critical patent/CN111290273B/zh
Publication of CN111290273A publication Critical patent/CN111290273A/zh
Application granted granted Critical
Publication of CN111290273B publication Critical patent/CN111290273B/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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

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

本发明公开一种基于外骨骼机器人柔性作动器的位置跟踪优化控制方法，包括动态数学模型的建立：使用牛顿运动定律，在忽略摩擦力影响的情况下，建立外骨骼机器人柔性作动器的动态数学模型；定义滚动优化性能指标：通过选择合适的优化指标，实现对控制性能的优化；基于扰动补偿的位置预测输出；扰动观测器的设计：通过测量得到的位置信息，针对匹配与非匹配干扰，分别设计对应的扰动观测器；复合控制器的设计：利用观测得到的扰动信息，结合广义预测，分别从前馈和反馈控制出发，设计对应的复合控制方案。本发明基于干扰主动补偿与广义模型预测控制相结合的位置跟踪算法，具有对给定参考轨迹的精确跟踪、抗干扰能力强、稳定性好、易于实现等特点。

Description

基于外骨骼机器人柔性作动器的位置跟踪优化控制方法
技术领域
本发明涉及外骨骼机器人控制系统领域，更具体地说，涉及一种基于干扰主动补偿与广义模型预测控制相结合的精确位置跟踪算法。
背景技术
外骨骼机器人在军事、医疗和工业等领域都有着十分重要的作用。在自然灾害救援中，外骨骼机器人能为救援人员提供更大的力量，能够轻松举起断壁残垣，拯救更多的生命。在战场上，外骨骼机器人能够帮助士兵减轻负重，外骨骼铠甲则可以使士兵能够抵御枪弹的伤害，挽救生命。在医疗救治中，外骨骼机器人能够帮助截瘫患者重新站立行走。此外，外骨骼机器人还能够增加老年人的运动能力，防止老年人因活动减少而导致生体机能下降，为老年人带来生活便利，提高生活品质。在工业生产方面，外骨骼能够在工人进行大体力劳动时减轻身体负重，节省体力，减少疲劳性损伤，提高劳动效率。
柔性作动器是外骨骼机器人控制系统中应用较为广泛的一种控制器，其特征在于驱动器与负载之间加入了弹簧，这使得作动器可以更好的与人类实现交互。与传统的刚性结构的驱动器相比较，柔性作动器的优点在于，低输出阻抗、低后驱力、抗冲击能力强、力传递平稳以及能效高等。由于上述优点，该类作动器被广泛应用于服务，援助和医疗康复等方面的机械设备上。
但是，由于柔性作动器中存在非线性、干扰以及不确定性等因素的影响，传统的线性控制方法，包括比例-积分-微分(PID)控制方法，不能保证兼容的驱动器系统具有足够高的性能。为了提高控制性能，近年来，已经为柔性驱动器系统开发了许多非线性控制方法，例如：专利(CN105796286B)中提出了一种模糊控制方法，但是该方法中，模糊集的确立方法比较复杂，且依赖专家经验。专利(CN102922508B)提出了一种滑模控制方法，该方法虽然具有较好的鲁棒性，但是由于滑膜控制固有的缺陷，该方法以牺牲跟踪性能为代价。专利(CN107397649A)提出了一种基于神经网络的控制方法，该方法计算量过大，不易控制器的在线实现。
在这些方法中，模型预测控制(MPC)是工业应用中得到广泛应用的先进控制技术之一。它可以被视作为一种通过对象的动态模型来预测系统状态的未来行为，且能根据性能优化的目标函数来决定控制作用的优化控制方法。因为模型预测控制(MPC)具有：鲁棒性，建模简单以及具有处理系统约束的能力等优点，所以该方法可以确保令人满意的系统性能。
模型预测控制(MPC)方法也有一定的局限性，其局限性在于它的控制性能在很大程度上取决于模型建立的精确度，即，很大一部分的工作集中在如何精确的建立系统的模型。除了建模误差外，外部干扰不可避免地给高精度预测带来很大障碍，并最终对闭环控制性能产生不良影响。因此，如何消除干扰和不确定性引起的不利影响始终是广大研究人员考虑的关键问题之一。
发明内容
针对以上问题，本发明提供了一种基于外骨骼机器人柔性作动器的位置跟踪优化控制方法，其主要基于干扰主动补偿与广义模型预测控制相结合的位置跟踪算法，具有对给定参考轨迹的精确跟踪、抗干扰能力强、稳定性好、易于实现等特点，解决了现有技术中存在匹配与非匹配扰动以及传统的模型预测控制方法依赖于模型参数给高精度预测带来不利影响的问题。
为实现上述目的，本发明通过以下技术方案实现：
步骤一，动态数学模型的建立：使用牛顿运动定律，在忽略摩擦力影响的情况下，建立外骨骼机器人柔性作动器的动态数学模型；
步骤二，定义滚动优化性能指标：通过选择合适的优化指标，实现对控制性能的优化；
步骤三，基于扰动补偿的位置预测输出；为了得到位置预测值，在考虑扰动补偿的情况下，确立对应的位置预测输出表达式；
步骤四，扰动观测器的设计：通过测量得到的位置信息，针对匹配与非匹配干扰，分别设计对应的扰动观测器；
步骤五，复合控制器的设计：利用观测得到的扰动信息，结合广义预测，分别从前馈和反馈控制出发，设计对应的复合控制方案。
作为改进，所述步骤一中动态数学模型的建立以及步骤二中定义滚动优化性能指标的具体方法如下：
外骨骼机器人柔性作动器的动态数学模型可以描述为：
Figure BDA0002386430410000031
al＝k/Jl，am＝k/Jm，bm＝1/Jm，Jm和Jl代表电机和链路的质量，θm和θl代表电机和连杆的角度；u是电机转矩，k是弹簧的刚度；d1(t)和d2(t)分别是电机和负载的干扰。
Figure BDA0002386430410000032
为al(t)，am(t)，bm(t)的标称常数值，然后上式可以改写为：
Figure BDA0002386430410000033
Figure BDA0002386430410000034
且
Figure BDA0002386430410000035
值得注意的是，匹配和不匹配的干扰都会对作动器系统的控制性能产生不利影响，柔性作动器的跟踪精度不可避免地被降低。本发明中的解决的关键问题是优化跟踪问题，即设计控制器在受到上述两种干扰的情况下，系统输出仍能精确的跟踪参考信号θr。
柔性作动器的优化指标，代价方程可以写为：
Figure BDA0002386430410000036
其中T>0是预测周期，θr(t)是期望的参考位置信号。
作为改进，所述步骤三中输出位置预测基于泰勒级数展开后如下式：
Figure BDA0002386430410000041
通过选择使用Taylor的前四项，在上式中的基础上，如下构造预测的θl和θr：
Figure BDA0002386430410000042
Figure BDA0002386430410000043
其中
Figure BDA0002386430410000044
和
Figure BDA0002386430410000045
分别是θl和θr的预测位置；
Figure BDA0002386430410000046
和
Figure BDA0002386430410000047
是ωl,ωm,
Figure BDA0002386430410000048
和
Figure BDA0002386430410000049
的估计值，这些参数将在后面给出观测方案。
作为改进，所述步骤四中扰动观测器的设计具体如下:
通过测量得到的位置信息，针对匹配与非匹配干扰，分别设计对应的扰动观测器；
Figure BDA00023864304100000410
其中pl>0是扰动观测器的带宽。注意
Figure BDA00023864304100000411
此时不成立。为了实现扰动观测器，定义
Figure BDA0002386430410000051
和
Figure BDA0002386430410000052
然后得到实际干扰观测器：
Figure BDA0002386430410000053
Figure BDA0002386430410000054
其中，电机端扰动的观测方程为：
Figure BDA0002386430410000055
Figure BDA0002386430410000056
其中pm>0是干扰观观测器的带宽。设
Figure BDA0002386430410000057
和
Figure BDA0002386430410000058
然后得到实际扰动观测器:
Figure BDA0002386430410000059
Figure BDA00023864304100000510
作为进一步改进，基于外骨骼机器人柔性作动器的复合控制器的设计具体如下：
通过公式(5)中得到的位置预测值，公式(3)中的性能指标函数可以进一步写成：
Figure BDA0002386430410000061
其中★代表独立的控制量u。注意到，
Figure BDA0002386430410000062
令
Figure BDA0002386430410000063
从公式(8)中可得优化后的控制器为：
Figure BDA0002386430410000071
其中，本发明中复合控制器由以下两部分组成：首先，通过构造两个降阶扰动观测器(RDOB)来估计集总扰动，然后，干扰观测值被用于广义预测控制器的设计当中，由此构成复合控制器的设计方案；通过引入广义模型预测控制技术，减少传统模型预测控制器对系统参数的依赖，提高了系统的动态性能，且所设计的控制器结构简单，算法易于实现。
本发明有益效果在于：
本发明提出了一种优化的位置跟踪控制算法，该方法采用基于扰动观测器与广义预测控制相结合的复合控制策略，以实现在匹配和不匹配干扰下的鲁棒性和精确跟踪能力；首先，广义预测控制(GPC)方法被用于反馈控制器设计中，该方法具有不完全依赖于系统模型的特点；其次，通过基于降阶扰动观测器(RDOB)来对系统的集总扰动进行观测，通过将干扰观测值引入控制器的设计中，用于消除匹配配与非匹配干扰的影响；通过与传统的控制方法进行实验对比，表明了本发明所提控制方法具有精确的跟踪性能和优良的抗干扰能力。
附图说明
图1是本发明所提出的控制器下的柔性作动器的控制结构框图；
图2是在具有不同积分增益Ki的PID控制器作用下的轨迹跟踪性能图；
图3是在GPC和GPC+RDOB控制器作用下的轨迹跟踪性能图；
图4是阶跃扰动作用下不同积分增益Ki的PID控制性能图；
图5是阶跃扰动作用下GPC和GPC+RDOB控制性能图；
具体实施方式
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供一种基于外骨骼机器人柔性作动器的位置跟踪优化控制方法，包括如下步骤：
步骤一，动态数学模型的建立：使用牛顿运动定律，在忽略摩擦力影响的情况下，建立外骨骼机器人柔性作动器的动态数学模型；
步骤二，定义滚动优化性能指标：通过选择合适的优化指标，实现对控制性能的优化；
步骤三，基于扰动补偿的位置预测输出；为了得到位置预测值，在考虑扰动补偿的情况下，确立对应的位置预测输出表达式；
步骤四，扰动观测器的设计：通过测量得到的位置信息，针对匹配与非匹配干扰，分别设计对应的扰动观测器；
步骤五，复合控制器的设计：利用观测得到的扰动信息，结合广义预测，分别从前馈和反馈控制出发，设计对应的复合控制方案。
所述步骤一中动态数学模型的建立以及步骤二中定义滚动优化性能指标的具体方法如下：
外骨骼机器人柔性作动器的动态数学模型可以描述为：
Figure BDA0002386430410000081
al＝k/Jl，am＝k/Jm，bm＝1/Jm，Jm和Jl代表电机和链路的质量，θm和θl代表电机和连杆的角度；u是电机转矩，k是弹簧的刚度；d1(t)和d2(t)分别是电机和负载的干扰。
Figure BDA0002386430410000082
为al(t)，am(t)，bm(t)的标称常数值，然后上式可以改写为：
Figure BDA0002386430410000091
Figure BDA0002386430410000092
且
Figure BDA0002386430410000093
值得注意的是，匹配和不匹配的干扰都会对作动器系统的控制性能产生不利影响，柔性作动器的跟踪精度不可避免地被降低。本发明中的解决的关键问题是优化跟踪问题，即设计控制器在受到上述两种干扰的情况下，系统输出仍能精确的跟踪参考信号θr。
其中，柔性作动器的优化指标，代价方程可以写为：
Figure BDA0002386430410000094
其中T>0是预测周期，θr(t)是期望的参考位置信号。
所述步骤三中输出位置预测基于泰勒级数展开后如下式：
Figure BDA0002386430410000095
通过选择使用Taylor的前四项，在上式中的基础上，如下构造预测的θl和θr：
Figure BDA0002386430410000101
Figure BDA0002386430410000102
其中
Figure BDA0002386430410000103
和
Figure BDA0002386430410000104
分别是θl和θr的预测位置；
Figure BDA0002386430410000105
和
Figure BDA0002386430410000106
是ωl,ωm,
Figure BDA0002386430410000107
和
Figure BDA0002386430410000108
的估计值，这些参数将在后面给出观测方案。
所述步骤四中扰动观测器的设计具体如下:
通过测量得到的位置信息，针对匹配与非匹配干扰，分别设计对应的扰动观测器；
Figure BDA0002386430410000109
其中pl>0是扰动观测器的带宽。注意
Figure BDA00023864304100001010
此时不成立。为了实现扰动观测器，定义
Figure BDA00023864304100001011
和
Figure BDA00023864304100001012
然后得到实际干扰观测器：
Figure BDA00023864304100001013
Figure BDA00023864304100001014
其中，电机端扰动的观测方程为：
Figure BDA0002386430410000111
Figure BDA0002386430410000112
其中pm>0是干扰观观测器的带宽。设
Figure BDA0002386430410000113
和
Figure BDA0002386430410000114
然后得到实际扰动观测器:
Figure BDA0002386430410000115
Figure BDA0002386430410000116
值得说明的是，基于外骨骼机器人柔性作动器的复合控制器的设计具体如下：
通过公式(5)中得到的位置预测值，公式(3)中的性能指标函数可以进一步写成：
Figure BDA0002386430410000117
其中★代表独立的控制量u。注意到，
Figure BDA0002386430410000121
令
Figure BDA0002386430410000122
从公式(8)中可得优化后的控制器为：
Figure BDA0002386430410000123
其中，本发明中复合控制器由以下两部分组成：首先，通过构造两个降阶扰动观测器(RDOB)来估计集总扰动，然后，干扰观测值被用于广义预测控制器的设计当中，由此构成复合控制器的设计方案；通过引入广义模型预测控制技术，减少传统模型预测控制器对系统参数的依赖，提高了系统的动态性能，且所设计的控制器结构简单，算法易于实现。
如图2所示，具有不同积分增益Ki的PID控制下的轨迹跟踪性能，在其他参数相同的前提下，选择较大的积分增益可以提升跟踪精度，但是也会增加系统的超调量。
如图3所示，GPC和GPC+RDOB下的轨迹跟踪性能，在其它参数不变的情况下，较小的T(0)能产生更快的收敛速度和更高的跟踪精度，但是控制量也随之增大。相比较于GPC.PID而言，GPC+RDOB跟踪误差更小、跟踪精度更高。
如图4所示，在阶跃扰动作用下，较大的积分增益可以有效提升抗干扰能力，但其控制量也随之变大。
如图5所示，在阶跃扰动作用下，GPC和GPC+RDOB都有着较强的抗干扰能力。相比较于GPC.PID而言，GPC+RDOB具有更强的抗干扰能力。
该方法首先利用干扰观测技术，实现了对外骨骼机器人柔性作动器匹配与非匹配扰动的观测，然后将观测值补偿到输入端，实现了扰动观测前馈控制，最后利用广义模型预测控制技术设计了反馈控制器。通过引入广义模型预测控制技术，经少了控制器对系统参数的依赖，提高了系统的动态性能，并且所设计的控制器结构简单，算法易于实现。通过与传统的控制方法进行仿真对比，表明了本发明所提控制方法具有精确的跟踪性能和优良的抗干扰能力。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于外骨骼机器人柔性作动器的位置跟踪优化控制方法，其特征在于，包括如下步骤：
步骤一，动态数学模型的建立：使用牛顿运动定律，在忽略摩擦力影响的情况下，建立外骨骼机器人柔性作动器的动态数学模型；
步骤二，定义滚动优化性能指标：通过选择合适的优化指标，实现对控制性能的优化；
步骤三，基于扰动补偿的位置预测输出；为了得到位置预测值，在考虑扰动补偿的情况下，确立对应的位置预测输出表达式；
步骤四，扰动观测器的设计：通过测量得到的位置信息，针对匹配与非匹配干扰，分别设计对应的扰动观测器；
步骤五，复合控制器的设计：利用观测得到的扰动信息，结合广义预测，分别从前馈和反馈控制出发，设计对应的复合控制方案。
2.根据权利要求1所述的基于外骨骼机器人柔性作动器的位置跟踪优化控制方法，其特征在于，所述步骤一中动态数学模型的建立以及步骤二中定义滚动优化性能指标的具体方法如下：
外骨骼机器人柔性作动器的动态数学模型为：
Figure FDA0002386430400000011
al＝k/Jl，am＝k/Jm，bm＝1/Jm，Jm和Jl代表电机和连杆的质量，θm和θl代表电机和连杆的角度；u是电机转矩，k是弹簧的刚度；d1(t)和d2(t)分别是电机和负载端的干扰。
Figure FDA0002386430400000012
Figure FDA0002386430400000013
为al(t)，am(t)，bm(t)的标称值，然后上式可以改写为：
Figure FDA0002386430400000021
Figure FDA0002386430400000026
且
Figure FDA0002386430400000022
柔性作动器的优化指标，代价方程为：
Figure FDA0002386430400000023
其中T>0是预测周期，θr(t)是期望的参考位置信号。
3.根据权利要求1所述的基于外骨骼机器人柔性作动器的位置跟踪优化控制方法，其特征在于，所述步骤三中输出位置预测基于泰勒级数展开后如下式：
Figure FDA0002386430400000024
通过选择使用Taylor的前四项，在上式中的基础上，如下构造预测值θl和θr：
Figure FDA0002386430400000025
Figure FDA0002386430400000031
其中
Figure FDA0002386430400000037
和
Figure FDA0002386430400000038
分别是θl和θr的预测位置；
Figure FDA0002386430400000039
和
Figure FDA00023864304000000310
是ωl,ωm,
Figure FDA00023864304000000311
和
Figure FDA00023864304000000312
的估计值。
4.根据权利要求1所述的基于外骨骼机器人柔性作动器的位置跟踪优化控制方法，其特征在于，所述步骤四中扰动观测器的设计具体如下:
通过测量得到的位置信息，针对匹配与非匹配干扰，分别设计对应的扰动观测器；
Figure FDA0002386430400000032
其中pl>0是扰动观测器的带宽，
Figure FDA00023864304000000313
此时不成立；为了实现扰动观测器，定义
Figure FDA00023864304000000314
和
Figure FDA00023864304000000315
然后得到扰动观测器：
Figure FDA00023864304000000318
Figure FDA0002386430400000033
其中，电机端扰动的观测方程为：
Figure FDA00023864304000000319
Figure FDA0002386430400000034
其中pm>0是干扰观测器的带宽，设
Figure FDA00023864304000000316
和
Figure FDA00023864304000000317
然后得到扰动观测器:
Figure FDA0002386430400000035
Figure FDA0002386430400000036
5.根据权利要求1所述的基于外骨骼机器人柔性作动器的位置跟踪优化控制方法，其特征在于，基于外骨骼机器人柔性作动器的复合控制器的设计具体如下：
通过公式(5)中得到的位置预测值，公式(3)中的性能指标函数可以进一步写成：
Figure FDA0002386430400000041
其中★代表独立的控制量u，注意到，
Figure FDA0002386430400000042
Figure FDA0002386430400000043
令
Figure FDA0002386430400000044
从公式(8)中可得优化后的控制器为：
Figure FDA0002386430400000051
6.根据权利要求5所述的基于外骨骼机器人柔性作动器的位置优化跟踪方法，其特征在于，所述复合控制器包括用于估计集总扰动的两个降阶扰动观测器(RDOB)和广义预测控制器，干扰观测值被用于广义预测控制器的设计当中。
CN202010099404.6A 2020-02-18 2020-02-18 基于外骨骼机器人柔性作动器的位置跟踪优化控制方法 Active CN111290273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010099404.6A CN111290273B (zh) 2020-02-18 2020-02-18 基于外骨骼机器人柔性作动器的位置跟踪优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010099404.6A CN111290273B (zh) 2020-02-18 2020-02-18 基于外骨骼机器人柔性作动器的位置跟踪优化控制方法

Publications (2)

Publication Number Publication Date
CN111290273A true CN111290273A (zh) 2020-06-16
CN111290273B CN111290273B (zh) 2022-08-12

Family

ID=71020156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010099404.6A Active CN111290273B (zh) 2020-02-18 2020-02-18 基于外骨骼机器人柔性作动器的位置跟踪优化控制方法

Country Status (1)

Country Link
CN (1) CN111290273B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111781841A (zh) * 2020-08-28 2020-10-16 浙江协力机器人技术有限公司 基于外骨骼机器人的有限时间模型预测控制方法
CN111796525A (zh) * 2020-08-28 2020-10-20 南京工业大学 基于外骨骼机器人机械臂的模型预测控制方法
CN111965979A (zh) * 2020-08-28 2020-11-20 南京工业大学 基于外骨骼机器人作动器的有限时间控制方法
CN111958606A (zh) * 2020-09-10 2020-11-20 浙江协力机器人技术有限公司 一种应用于多自由度机械臂的分布式鲁棒跟踪控制方法
CN111983925A (zh) * 2020-08-28 2020-11-24 南京工业大学 基于外骨骼机器人的广义动态预测控制方法
CN112008726A (zh) * 2020-08-28 2020-12-01 浙江协力机器人技术有限公司 基于外骨骼机器人作动器的复合有限时间控制方法
CN112183753A (zh) * 2020-08-17 2021-01-05 复旦大学 一种通过电机布局优化提高运动台控制带宽的方法及系统
CN112947123A (zh) * 2021-03-29 2021-06-11 南京工业大学 一种抑制多源干扰的外骨骼机器人跟踪控制方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104698848A (zh) * 2015-02-11 2015-06-10 电子科技大学 一种下肢外骨骼康复机器人康复训练的控制方法
CN108388114A (zh) * 2018-02-07 2018-08-10 中国航空工业集团公司西安飞机设计研究所 一种基于输出重定义的柔性机械臂复合控制方法
CN109358501A (zh) * 2018-09-28 2019-02-19 中国科学院长春光学精密机械与物理研究所 自抗扰控制方法、控制器及精跟踪控制系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104698848A (zh) * 2015-02-11 2015-06-10 电子科技大学 一种下肢外骨骼康复机器人康复训练的控制方法
CN108388114A (zh) * 2018-02-07 2018-08-10 中国航空工业集团公司西安飞机设计研究所 一种基于输出重定义的柔性机械臂复合控制方法
CN109358501A (zh) * 2018-09-28 2019-02-19 中国科学院长春光学精密机械与物理研究所 自抗扰控制方法、控制器及精跟踪控制系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张佳帆: "基于柔性外骨骼人机智能系统基础理论及应用技术研究", 《中国博士学位论文全文数据库 信息科技辑》, no. 11, 15 November 2009 (2009-11-15), pages 140 - 44 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183753A (zh) * 2020-08-17 2021-01-05 复旦大学 一种通过电机布局优化提高运动台控制带宽的方法及系统
CN112183753B (zh) * 2020-08-17 2023-03-07 复旦大学 一种通过电机布局优化提高运动台控制带宽的方法及系统
CN111965979B (zh) * 2020-08-28 2021-09-24 南京工业大学 基于外骨骼机器人作动器的有限时间控制方法
CN111983925A (zh) * 2020-08-28 2020-11-24 南京工业大学 基于外骨骼机器人的广义动态预测控制方法
CN112008726A (zh) * 2020-08-28 2020-12-01 浙江协力机器人技术有限公司 基于外骨骼机器人作动器的复合有限时间控制方法
CN111965979A (zh) * 2020-08-28 2020-11-20 南京工业大学 基于外骨骼机器人作动器的有限时间控制方法
CN112008726B (zh) * 2020-08-28 2021-08-27 浙江协力机器人技术有限公司 基于外骨骼机器人作动器的复合有限时间控制方法
CN111781841A (zh) * 2020-08-28 2020-10-16 浙江协力机器人技术有限公司 基于外骨骼机器人的有限时间模型预测控制方法
CN111781841B (zh) * 2020-08-28 2022-05-17 浙江协力机器人技术有限公司 基于外骨骼机器人的有限时间模型预测控制方法
CN111796525B (zh) * 2020-08-28 2022-12-02 南京工业大学 基于外骨骼机器人机械臂的模型预测控制方法
CN111796525A (zh) * 2020-08-28 2020-10-20 南京工业大学 基于外骨骼机器人机械臂的模型预测控制方法
CN111958606A (zh) * 2020-09-10 2020-11-20 浙江协力机器人技术有限公司 一种应用于多自由度机械臂的分布式鲁棒跟踪控制方法
CN112947123A (zh) * 2021-03-29 2021-06-11 南京工业大学 一种抑制多源干扰的外骨骼机器人跟踪控制方法和系统

Also Published As

Publication number Publication date
CN111290273B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN111290273B (zh) 基于外骨骼机器人柔性作动器的位置跟踪优化控制方法
CN110170992B (zh) 一种基于动态规划的模块化机械臂多故障容错控制方法
Piltan et al. Evolutionary Design of Backstepping Artificial Sliding Mode Based Position Algorithm: Applied to Robot Manipulator
Piltan et al. Design PID-Like Fuzzy Controller With Minimum Rule Base and Mathematical Proposed On-line Tunable Gain: Applied to Robot Manipulator
Piltan et al. On line Tuning Premise and Consequence FIS: Design Fuzzy Adaptive Fuzzy Sliding Mode Controller Based on Lyaponuv Theory
Piltan et al. Design and implementation of sliding mode algorithm: Applied to robot manipulator-a review
Piltan et al. Design adaptive fuzzy inference sliding mode algorithm: applied to robot arm
Soltani et al. Design artificial nonlinear controller based on computed torque like controller with tunable gain
CN110181510B (zh) 一种基于时延估计与模糊逻辑的机械臂轨迹跟踪控制方法
CN111428317B (zh) 一种基于5g和循环神经网络的关节摩擦力矩补偿方法
Alavandar et al. Adaptive Neuro-Fuzzy Inference System based control of six DOF robot manipulator.
Khan et al. Singular perturbation-based adaptive integral sliding mode control for flexible joint robots
CN112782977A (zh) 一种基于bp神经网络与扩张观测器的电机柔顺控制方法
Shi et al. Research on vibration suppression and trajectory tracking control strategy of a flexible link manipulator
CN112947123B (zh) 一种抑制多源干扰的外骨骼机器人跟踪控制方法和系统
Wang Robot algorithm based on neural network and intelligent predictive control
Anh et al. Adaptive evolutionary neural control of perturbed nonlinear serial PAM robot
Alavandar et al. New hybrid adaptive neuro-fuzzy algorithms for manipulator control with uncertainties–Comparative study
CN116755481A (zh) 一种基于神经网络的pid振动主动控制与可靠性分析方法
CN114859847B (zh) 一种适用于互联非线性系统的可靠优化控制系统及方法
Wang et al. Modeling and robust control for tendon–sheath artificial muscle system twist with time-varying parameters and input constraints: An exploratory research
Prakash et al. Neuro-PI controller based model reference adaptive control for nonlinear systems
Wang et al. Modeling and adaptive control for tendon sheath artificial muscle actuated bending-tip systems with unknown parameters and input hysteresis: An experimental research
Ak et al. Fuzzy sliding mode controller with neural network for robot manipulators
Wang et al. Adaptive Impedance Control in Uncertain Environment for Uncertain Manipulator

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