CN111736460B - 机器人自适应迭代学习控制方法及系统 - Google Patents
机器人自适应迭代学习控制方法及系统 Download PDFInfo
- Publication number
- CN111736460B CN111736460B CN202010468108.9A CN202010468108A CN111736460B CN 111736460 B CN111736460 B CN 111736460B CN 202010468108 A CN202010468108 A CN 202010468108A CN 111736460 B CN111736460 B CN 111736460B
- Authority
- CN
- China
- Prior art keywords
- robot
- speed
- error
- module
- control module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 9
- 238000012886 linear function Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
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
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
本发明涉及机器人控制技术领域。本发明公开了一种自适应迭代学习控制方法,包括如下步骤:a、求取机器人位置误差;b、求取机器人速度误差;c、将机器人的期望位置、机器人的期望速度、k次迭代后的实际位置、k次迭代后的实际速度输入参数自适应控制模块;d、对位置误差和速度误差分别进行比例运算和微分运算后输入可变增益反馈控制模块;e、将参数自适应控制模块和可变增益反馈控制模块的输出相加得到控制力矩;f、以所述控制力矩作为控制机器人第k+1次迭代的控制力矩;其中,k为迭代次数,k=1,2…。本发明同时公开了自适应迭代学习控制系统。本发明在解决了工业机器人参数不确定性的同时兼顾了算法的收敛速度,能够有效保证工业机器人的位置和速度跟踪精度。
Description
技术领域
本发明涉及机器人控制技术领域,特别涉及机器人位置和速度控制技术,具体而言,涉及机器人自适应迭代学习控制系统。
背景技术
工业机器人能代替人类在工业环境中工作,完成单调、繁重、重复的长时间作业,有效地减小了人类的劳动强度,提高了生产效率,广泛应用于焊接、喷涂、抛光打磨、搬运码垛等作业。
随着现代工业的快速发展,需要更高水平的产品质量,这就对工业机器人的轨迹跟踪技术要求越来越高。在实际工业生产中,同一轨迹不断重复是工业机器人常见的工作模式,由于不断重复相同轨迹的特点,轨迹跟踪的误差也会随着重复次数的增加而累积,同时系统的控制性能也将降低。与其他控制方法相比,迭代学习控制不需要被控对象精确的数学模型,此外,迭代学习能把之前的控制经验,即控制输入控制误差等信息应用于下一次迭代,通过学习控制算法,使轨迹跟踪误差越来越小,经过有限次迭代之后,实现工业机器人对期望轨迹的跟踪。
而算法的收敛速度一直都是迭代学习控制研究过程中的重点。文献[戴宝林,龚俊,李翠明.带遗忘因子迭代学习控制最优增益研究[J].西北工业大学学报,2019,37(05):1077-1084.]提出带遗忘因子迭代学习控制最优增益,在迭代学习中引入了遗忘因子,根据遗忘因子和系统状态参数计算出系统最优控制增益,实现系统单调快速收敛。然而,遗忘因子的引入会使系统的输出误差不能趋近于零,只能收敛到零点的某一邻域内。文献[逄勃,邵诚.高阶参数优化迭代学习控制算法[J].控制理论与应用,2015(04):144-150.]提出了高阶参数优化迭代学习控制算法,采用高阶学习率也能加快算法收敛速度,但是,由于涉及到高阶学习率,该算法釆用之前多次迭代信息,算法的过程比较复杂。文献[张铁,李昌达,覃彬彬,et al.SCARA机器人的自适应迭代学习轨迹跟踪控制[J].中国机械工程,2018,494(14):90-95.]提出了一种自适应迭代学习轨迹跟踪算法,通过自适应迭代项克服机器人的未知参数带来的不确定性,但算法的收敛速度还有待提高。
发明内容
本发明所要解决的技术问题是针对执行重复运动的工业机器人,提出一种指数可变增益自适应迭代学习控制技术,克服机器人参数不确定性的同时兼顾算法的收敛速度,确保工业机器人的位置和速度跟踪精度。
为了实现上述目的,根据本发明具体实施方式的一个方面,提供了一种机器人自适应迭代学习控制方法,其特征在于,包括如下步骤:
其中,qd(t)为机器人的期望位置;qk(t)为k次迭代后的实际位置;
e、将参数自适应控制模块和可变增益反馈控制模块的输出相加得到控制力矩τk(t);
f、以τk(t)作为控制机器人第k+1次迭代的控制力矩;
其中,k为迭代次数,k=1,2…。
进一步的,控制力矩τk(t)满足下式:
其中,为机器人未知参数θk(t)的第k次估计值;矩阵KP∈Rn×n、KD∈Rn×n为对称正定矩阵;λ为常数;是关于的非线性函数;yk(t)为广义误差函数,矩阵Γ∈Rn×n、Λ∈Rn×n为对称正定矩阵。
为了实现上述目的,根据本发明具体实施方式的另一个方面,提供了一种机器人自适应迭代学习控制系统,其特征在于,包括位置误差模块、速度误差模块、比例运算模块、微分运算模块、指数可变增益反馈控制模块、参数自适应控制模块和求和模块;
将参数自适应控制模块和可变增益反馈控制模块的输出输入求和模块得到控制力矩τk(t);
以τk(t)作为控制机器人第k+1次迭代的控制力矩;
k为迭代次数,k=1,2…。
进一步的,所述控制力矩τk(t)满足下式:
其中,为机器人未知参数θk(t)的第k次估计值;矩阵KP∈Rn×n、KD∈Rn×n为对称正定矩阵;λ为常数;是关于的非线性函数;yk(t)为广义误差函数,矩阵Γ∈Rn×n、Λ∈Rn×n为对称正定矩阵。
根据本发明技术方案及其在某些实施例中进一步改进的技术方案,本发明具有如下有益效果:
本发明在解决了工业机器人参数不确定性的同时兼顾了算法的收敛速度,迭代过程中算法收敛更快,轨迹跟踪效果更好,能够有效保证工业机器人的位置和速度跟踪精度。
下面结合附图和具体实施方式对本发明做进一步的说明。本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的具体实施方式、示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明控制系统结构示意图;
其中:
1为位置误差模块;
2为速度误差模块;
3为比例运算模块;
4为微分运算模块;
5为可变增益反馈控制模块;
6为参数自适应控制模块;
7为求和模块。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的具体实施方式、实施例以及其中的特征可以相互组合。现将参考附图并结合以下内容详细说明本发明。
为了使本领域技术人员更好的理解本发明方案,下面将结合本发明具体实施方式、实施例中的附图,对本发明具体实施方式、实施例中的技术方案进行清楚、完整的描述,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。基于本发明中的具体实施方式、实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式、实施例,都应当属于本发明保护的范围。
本发明的机器人自适应迭代学习控制方法,包括如下步骤:
S5、将参数自适应控制模块的输出和可变增益反馈控制模块的输出相加得到控制力矩τk(t),这里控制力矩τk(t)满足下式:
其中,为机器人未知参数θk(t)的第k次估计值;矩阵KP∈Rn×n、KD∈Rn×n为对称正定矩阵;λ为常数;是关于的非线性函数;yk(t)为广义误差函数,矩阵Γ∈Rn×n、Λ∈Rn×n为对称正定矩阵;
S6、以τk(t)作为控制机器人第k+1次迭代的控制力矩;
其中,k为迭代次数,k=1,2…。
本发明的机器人自适应迭代学习控制系统如图1所述,包括位置误差模块1、速度误差模块2、比例运算模块3、微分运算模块4、指数可变增益反馈控制模块5、参数自适应控制模块6和求和模块7。
将参数自适应控制模块和可变增益反馈控制模块的输出信号输入求和模块,进行求和运算得到控制力矩τk(t);
控制力矩τk(t)满足下式:
以τk(t)作为控制机器人第k+1次迭代的控制力矩;
k为迭代次数,k=1,2…。
本发明采用指数可变增益反馈控制来加快算法收敛速度,然后在参数自适应部分设计广义误差函数来进一步减小轨迹跟踪误差,增强系统稳定性。
本发明的机器人自适应迭代学习控制系统,输出的控制力矩τk(t)为机器人第k+1次迭代的控制力矩。
本发明通过设计广义误差函数yk(t)来对位置和速度共同进行学习,使轨迹跟踪误差更小,增加系统的稳定性。
期望位置qd(t)与实际位置qk(t)的差值就是位置误差期望速度与实际速度的差值即为速度误差位置误差与速度误差分别经过比例运算(与KP相乘)和微分运算(与KDeλt相乘)后作为指数可变增益反馈控制模块的输入;期望位置qd(t)、期望速度和实际位置qk(t)、实际速度作为参数自适应律模块的输入,而机器人未知参数的估计值作为自适应模块的输出。最后,将指数可变增益反馈控制模块的输出信号与机器人未知参数的估计值相加得到控制力矩τk(t)作为工业机器人下一次位置和速度控制的力矩。
指数可变增益自适应迭代学习控制器位置和速度跟踪性能的证明:
根据上述设计的指数可变增益自适应迭代学习控制器,取如下的Lyapunov函数:
将Lyapunov函数写为如下递加形式:
于是有
将上式移项化简后得
可证:
Claims (2)
1.机器人自适应迭代学习控制方法,其特征在于,包括如下步骤:
其中,qd(t)为机器人的期望位置;qk(t)为k次迭代后的实际位置;
e、将参数自适应控制模块和可变增益反馈控制模块的输出相加得到控制力矩τk(t);
f、以τk(t)作为控制机器人第k+1次迭代的控制力矩;
k为迭代次数,k=1,2…;
2.机器人自适应迭代学习控制系统,其特征在于,包括位置误差模块、速度误差模块、比例运算模块、微分运算模块、指数可变增益反馈控制模块、参数自适应控制模块和求和模块;
将参数自适应控制模块和可变增益反馈控制模块的输出输入求和模块得到控制力矩τk(t);
以τk(t)作为控制机器人第k+1次迭代的控制力矩;
k为迭代次数,k=1,2…;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468108.9A CN111736460B (zh) | 2020-05-28 | 2020-05-28 | 机器人自适应迭代学习控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468108.9A CN111736460B (zh) | 2020-05-28 | 2020-05-28 | 机器人自适应迭代学习控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111736460A CN111736460A (zh) | 2020-10-02 |
CN111736460B true CN111736460B (zh) | 2022-04-29 |
Family
ID=72647912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010468108.9A Active CN111736460B (zh) | 2020-05-28 | 2020-05-28 | 机器人自适应迭代学习控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111736460B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862106B (zh) * | 2021-01-19 | 2024-01-30 | 中国人民大学 | 一种基于自适应编解码迭代学习控制信息传输系统和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631142A (zh) * | 2013-12-09 | 2014-03-12 | 天津工业大学 | 一种用于轮式机器人轨迹跟踪的迭代学习算法 |
CN105549598A (zh) * | 2016-02-16 | 2016-05-04 | 江南大学 | 一种二维运动移动机器人的迭代学习轨迹跟踪控制及其鲁棒优化方法 |
CN106527152A (zh) * | 2017-01-09 | 2017-03-22 | 山东大学 | 闭环分数阶PDɑ型迭代学习机器人控制器的设计方法及系统 |
CN108319144A (zh) * | 2018-02-21 | 2018-07-24 | 湘潭大学 | 一种机器人轨迹跟踪控制方法及系统 |
CN108508749A (zh) * | 2018-05-07 | 2018-09-07 | 北京航空航天大学 | 一种用于抓捕非合作目标的空间机械臂系统抗干扰迭代学习控制方法 |
CN110412866A (zh) * | 2019-05-14 | 2019-11-05 | 上海大学 | 基于自适应迭代学习的外骨骼单腿协同控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8649885B2 (en) * | 2008-11-25 | 2014-02-11 | Nikon Corporation | Frequency selective iterative learning control system and method for controlling errors in stage movement |
-
2020
- 2020-05-28 CN CN202010468108.9A patent/CN111736460B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631142A (zh) * | 2013-12-09 | 2014-03-12 | 天津工业大学 | 一种用于轮式机器人轨迹跟踪的迭代学习算法 |
CN105549598A (zh) * | 2016-02-16 | 2016-05-04 | 江南大学 | 一种二维运动移动机器人的迭代学习轨迹跟踪控制及其鲁棒优化方法 |
CN106527152A (zh) * | 2017-01-09 | 2017-03-22 | 山东大学 | 闭环分数阶PDɑ型迭代学习机器人控制器的设计方法及系统 |
CN108319144A (zh) * | 2018-02-21 | 2018-07-24 | 湘潭大学 | 一种机器人轨迹跟踪控制方法及系统 |
CN108508749A (zh) * | 2018-05-07 | 2018-09-07 | 北京航空航天大学 | 一种用于抓捕非合作目标的空间机械臂系统抗干扰迭代学习控制方法 |
CN110412866A (zh) * | 2019-05-14 | 2019-11-05 | 上海大学 | 基于自适应迭代学习的外骨骼单腿协同控制方法 |
Non-Patent Citations (2)
Title |
---|
SCARA机器人的自适应迭代学习轨迹跟踪控制;张铁 等;《中国机械工程》;20180731;第494卷(第14期);第90-95页 * |
变增益反馈 D 型迭代学习控制系统分析与仿真;董辉 等;《浙江工业大学学报》;20140228;第42卷(第2期);第214-218页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111736460A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109343350A (zh) | 一种基于模型预测控制的水下机器人路径跟踪控制方法 | |
Wang et al. | Neural-network-based terminal sliding-mode control of robotic manipulators including actuator dynamics | |
CN112904728A (zh) | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 | |
CN110815225B (zh) | 电机驱动单机械臂系统的点对点迭代学习优化控制方法 | |
CN107193210B (zh) | 一种非线性系统的自适应学习预设性能控制方法 | |
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 | |
CN107544256A (zh) | 基于自适应反步法的水下机器人滑模控制方法 | |
Qi et al. | Stable indirect adaptive control based on discrete-time T–S fuzzy model | |
CN104950677A (zh) | 基于反演滑模控制的机械臂系统饱和补偿控制方法 | |
CN107577146B (zh) | 基于摩擦整体逼近的伺服系统的神经网络自适应控制方法 | |
CN111142404A (zh) | 一种基于压电陶瓷驱动的微定位平台及其建模与控制方法 | |
CN103901776A (zh) | 一种工业机械手抗干扰鲁棒自适应pid控制方法 | |
CN111872937B (zh) | 一种任务空间中不确定机械臂的控制方法 | |
Tran et al. | Adaptive nonsingular fast terminal sliding mode control of robotic manipulator based neural network approach | |
Xu et al. | Enhanced bioinspired backstepping control for a mobile robot with unscented Kalman filter | |
CN115157238A (zh) | 一种多自由度机器人动力学建模和轨迹跟踪方法 | |
CN112571420B (zh) | 一种未知参数下的双功能模型预测控制方法 | |
CN111399375A (zh) | 一种基于非线性系统的神经网络预测控制器 | |
CN111736460B (zh) | 机器人自适应迭代学习控制方法及系统 | |
CN110842913A (zh) | 一种单关节机械臂的自适应滑模迭代学习控制方法 | |
Gierlak | Hybrid position/force control of the SCORBOT-ER 4pc manipulator with neural compensation of nonlinearities | |
Chen et al. | Learning control of flexible manipulator with unknown dynamics | |
CN110744552A (zh) | 一种基于奇异摄动理论的柔性机械臂运动控制方法 | |
Van Tran et al. | Artificial chemical reaction optimization algorithm and neural network based adaptive control for robot manipulator | |
Singh et al. | Comparison of conventional PID controller with sliding mode controller for a 2-link robotic 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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240112 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 610039 No. 999, golden week Road, Chengdu, Sichuan, Jinniu District Patentee before: XIHUA University |
|
TR01 | Transfer of patent right |