CN111965976B - 基于神经网络观测器的机器人关节滑模控制方法及系统 - Google Patents

基于神经网络观测器的机器人关节滑模控制方法及系统 Download PDF

Info

Publication number
CN111965976B
CN111965976B CN202010785085.4A CN202010785085A CN111965976B CN 111965976 B CN111965976 B CN 111965976B CN 202010785085 A CN202010785085 A CN 202010785085A CN 111965976 B CN111965976 B CN 111965976B
Authority
CN
China
Prior art keywords
joint
neural network
robot joint
robot
network observer
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
CN202010785085.4A
Other languages
English (en)
Other versions
CN111965976A (zh
Inventor
潘月斗
蔡国庆
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202010785085.4A priority Critical patent/CN111965976B/zh
Publication of CN111965976A publication Critical patent/CN111965976A/zh
Application granted granted Critical
Publication of CN111965976B publication Critical patent/CN111965976B/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)
  • Manipulator (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于神经网络观测器的机器人关节滑模控制方法及系统，该方法包括：对待控制的机器人关节系统建立动力学模型，并通过分离出局部变量，获得关节子系统模型；在交联项有限的约束情况下，针对关节子系统模型建立神经网络观测器，以对机器人关节系统的状态进行在线估计；其中，神经网络观测器估计的系统状态在有限的时间内收敛于机器人关节系统的实际状态；根据滑模变结构的控制思想设计滑模控制器，并在保证系统稳定的条件下，得到系统的控制输入。本发明可在机器人关节系统的系统状态和模型未知的情况下达到对机器人关节系统的控制，并且可保证机器人关节系统的控制精度和稳定性。

Description

基于神经网络观测器的机器人关节滑模控制方法及系统
技术领域
本发明涉及机器人控制技术领域，特别涉及一种基于神经网络观测器的机器人关节滑模控制方法及系统。
背景技术
机器人关节系统广泛的应用在航空航天、高危作业、医疗、服务、生产加工等等一系列环境中。机器人关节系统是一个多变量、非线性、强耦合系统，传统的转矩控制和PID控制方法已经很难满足对系统高精度、高稳定的需求。
面对机器人关节系统模型难以确定和状态难以测量的问题，利用神经网络逼近能力可以很好估算去逼近系统模型。在现有的神经网络与现代控制方法相结合的方法中，大多都是用来设计控制器，例如：神经网络自适应控制、神经网络滑模变结构控制和神经网络自抗扰技术。上述现有技术在相应领域均取得了不错的成果，但是无法解决非线性系统状态不可测的情形。
发明内容
本发明提供了一种基于神经网络观测器的机器人关节滑模控制方法及系统，以解决机器人关节系统模型难以确定，系统状态难以测量的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供了一种基于神经网络观测器的机器人关节滑模控制方法，该基于神经网络观测器的机器人关节滑模控制方法包括：
对待控制的机器人关节系统建立动力学模型，并从所述动力学模型中分离出局部变量，获得所述机器人关节系统中的各关节所对应的关节子系统模型；
在交联项有限的约束情况下，针对所述关节子系统模型建立神经网络观测器，以对所述机器人关节系统的状态进行在线估计；其中，所述神经网络观测器估计的系统状态在有限的时间内收敛于所述机器人关节系统的实际状态；
基于所述神经网络观测器所估计的系统状态，根据滑模变结构的控制思想设计滑模控制器，并在保证所述机器人关节系统稳定的条件下，得到控制输入；
基于所述神经网络观测器和滑模控制器实现所述机器人关节系统的控制。
进一步地，所述动力学模型的表达式如下：
Figure GDA0002947199060000021
y＝q
其中，q为关节的角度，
Figure GDA0002947199060000022
为关节的角速度，
Figure GDA0002947199060000023
为关节的角加速度，u为所述机器人关节系统的控制输入，M(q)为惯性矩阵，
Figure GDA0002947199060000024
为关节的库伦摩擦，
Figure GDA0002947199060000025
为离心力和哥氏力项，H(q)为重力项，y为输出的角度向量。
进一步地，所述从所述动力学模型中分离出局部变量，获得所述机器人关节系统中的各关节所对应的关节子系统模型，包括：
从所述动力学模型中分离出局部变量，获得所述机器人关节系统中的预设类型的关节所对应的关节子系统模型；其中，所述关节子系统模型表达式如下：
Figure GDA0002947199060000026
yi＝qi
其中，qi为所述预设类型的关节的角度，
Figure GDA0002947199060000027
为所述预设类型的关节的角速度，
Figure GDA0002947199060000028
为所述预设类型的关节的角加速度，ui为所述预设类型的关节的控制输入，Mi(qi)为所述预设类型的关节的惯性矩阵，
Figure GDA0002947199060000029
为所述预设类型的关节的库伦摩擦，
Figure GDA00029471990600000210
为所述预设类型的关节的离心力和哥氏力项，Hi(qi)为所述预设类型的关节的重力项，yi为所述预设类型的关节输出的角度向量，
Figure GDA00029471990600000211
为所述机器人关节系统的交联项。
进一步地，
Figure GDA00029471990600000212
的表达式如下：
Figure GDA00029471990600000213
进一步地，在获得所述机器人关节系统中的各关节所对应的关节子系统模型后，所述基于神经网络观测器的机器人关节滑模控制方法还包括：
根据所述关节子系统模型将子系统进行化简，定义xi1＝qi，
Figure GDA00029471990600000214
将子系统方程转化为状态空间方程，表达式如下：
Figure GDA00029471990600000215
Figure GDA00029471990600000216
yi＝xi1
令，F(xi)＝Mi -1(xi1)[(-Ci(xi1,xi2)xi2-Pi(xi2)-Hi(xi1)),
G(xi)＝Mi -1(xi1),Di(xi)＝-Mi -1(x1)Zi(xi1,xi2)转化为一般式：
Figure GDA0002947199060000031
yi＝cxi
其中，x＝[x1 x2]T,
Figure GDA0002947199060000032
b＝[0 1]T,c＝[1 0]T，Zi(xi1,xi2)为所述机器人关节系统中的子系统之间的交联项。
进一步地，采用RBF神经网络去逼近Fi(xi),Gi(xi)。
进一步地，所述神经网络观测器的表达式如下：
Figure GDA0002947199060000033
Figure GDA0002947199060000034
其中，
Figure GDA0002947199060000035
为xi的估计值，Ki＝[ki1ki2]T为神经网络观测器的反馈增益，状态误差和输出误差为
Figure GDA0002947199060000036
神经网络估计项
Figure GDA0002947199060000037
Figure GDA0002947199060000038
其中，
Figure GDA0002947199060000039
为函数逼近权值。
进一步地，所述基于神经网络观测器的机器人关节滑模控制方法还包括：
定义非线性函数的逼近误差，并设计李亚普洛夫函数
Figure GDA00029471990600000310
Figure GDA00029471990600000311
设计神经网络的权值更新率
Figure GDA00029471990600000312
对李亚普洛夫函数求导后得到满足导数负定的条件，如下：
Figure GDA00029471990600000313
通过得到的满足导数负定的条件使得所述神经网络观测器估计的系统状态在有限的时间内收敛于所述机器人关节系统的实际状态。
进一步地，所述基于神经网络观测器的机器人关节滑模控制方法还包括：
定义状态误差
Figure GDA00029471990600000314
设计Lyapunov函数为
Figure GDA00029471990600000315
滑模量为
Figure GDA00029471990600000316
关联项
Figure GDA00029471990600000317
有界，满足
Figure GDA00029471990600000318
Figure GDA00029471990600000319
其中，Sj≤1+|sj|+|sj|,dij≥0,令max{dij}＝δ要求
Figure GDA00029471990600000320
Figure GDA00029471990600000321
Figure GDA0002947199060000041
设计控制率为：
Figure GDA0002947199060000042
其中，选择满足Hurwitz条件的ci，
Figure GDA0002947199060000043
η是正常数，Lyapunov函数为Vi＝Vio+Vic，Vi≤0。
另一方面，本发明还提供了一种基于神经网络观测器的机器人关节滑模控制系统，该基于神经网络观测器的机器人关节滑模控制系统包括：
关节子系统模型构建模块，用于对待控制的机器人关节系统建立动力学模型，并从所述动力学模型中分离出局部变量，获得所述机器人关节系统中的各关节所对应的关节子系统模型；
神经网络观测器建立模块，用于在交联项有限的约束情况下，针对所述关节子系统模型构建模块所构建的关节子系统模型建立神经网络观测器，以对所述机器人关节系统的状态进行在线估计；其中，所述神经网络观测器估计的系统状态在有限的时间内收敛于所述机器人关节系统的实际状态；
滑模控制器设计模块，用于基于所述神经网络观测器所估计的系统状态，根据滑模变结构的控制思想设计滑模控制器，并在保证所述机器人关节系统稳定的条件下，得到控制输入；
控制模块，用于基于所述神经网络观测器建立模块所建立的神经网络观测器和所述滑模控制器设计模块所设计的滑模控制器实现机器人关节系统的控制。
再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
本发明在机器人关节系统动力学模型基础上分离出子系统模型，建立神经网络自适应观测器，并证明该观测器能够在有限时间内收敛，解决了实际工作中系统的很多参数会发生改变或者系统状态无法去测量的问题，同时受到建模误差的影响，从而导致系统的模型难以建立的问题。在对系统状态估计基础上设计滑模控制器，采用神经网络的方法有效避免滑模抖震的问题，在交联项满足约束条件下，提出机器人关节控制的新方法，不需要对系统进行额外的补偿，采用RBF神经网络观测器对系统进行实时估计并进行补偿，大大简化了机械臂的动力学模型，进而得到基于神经网络扰观测器的机器人关节滑模控制系统。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的第一实施例提供的基于神经网络观测器的机器人关节滑模控制方法的流程示意图；
图2为本发明的第一实施例提供的本发明的基本原理图；
图3为本发明的第一实施例提供的神经网络观测器的结构示意图；
图4是本发明的第一实施例提供的基于神经网络观测器的机器人关节滑模控制方法的工作原理示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种基于神经网络观测器的机器人关节滑模控制方法，该方法可以由电子设备实现，该电子设备可以是终端或者服务器。
利用本实施例的方法可以很好跟踪系统的理想目标，相较于神经网络与现代控制结合的方法，同样具备很好的控制效果，解决了机器人系统模型难以确定，系统状态难以测量的问题。针对机器人关节在实际工作中系统的很多参数会发生改变，各子系统之间的耦合关系和建模误差的存在，如：惯性矩阵、离心力和科氏力项、交联项的耦合性，导致系统的模型难以确定，从而设计了基于神经网络观测器的滑模控制方法。利用RBF神经网络观测器对系统的速度状态和位置状态进行估计，不需要实际测量原系统的信号，通过对多关节的交联项处理，设计每个子系统的控制方法，解决了系统模型未知系统状态不可测的问题，为神经网络观测器的滑模控制作为系统控制的有效方法提供了理论依据。
该机器人关节滑模控制方法的执行流程如图1所示，包括以下步骤：
S101，对待控制的机器人关节系统建立动力学模型，并从动力学模型中分离出局部变量，获得机器人关节系统中的各关节所对应的关节子系统模型；
S102，在交联项有限的约束情况下，针对关节子系统模型建立神经网络观测器，以对机器人关节系统的状态进行在线估计；其中，神经网络观测器估计的系统状态在有限的时间内收敛于机器人关节系统的实际状态；
S103，基于神经网络观测器所估计的系统状态，根据滑模变结构的控制思想设计滑模控制器，并在保证机器人关节系统稳定的条件下，得到控制输入；
S104，基于神经网络观测器和滑模控制器实现机器人关节系统的控制。
本实施例的方法通过建立的神经网络观测器对系统模型不确定参数和状态进行预测，并在系统稳定的条件下进行参数配置。由于保证了神经网络观测器在有限的时间内收敛于系统状态，也即让观测状态观测器估计的位置状态与系统的位置状态的误差在有限时间内趋近于零，从而可利用状态观测器的状态去替代系统状态，在保证稳定的前提下在线补偿原系统。同时系统的控制输入是在保证系统稳定条件下设计的，因此可以说明整个系统是稳定的。在整个控制过程中神经网络可有效的逼近系统模型，交联项的处理可使系统退化模型，基于神经网络观测器的滑模控制方法可以对整个系统起到很好的控制效果。
具体地，本实施例的基于神经网络观测器的滑模控制的原理图如图2所示，神经网络对机器人关节系统的不确定项进行行估计，对机器人关节系统的状态进行在线估算，通过对交联项的处理，用
Figure GDA0002947199060000061
代替G(x)，
Figure GDA0002947199060000067
代替F(x)，关联项转化为滑模量，最后在系统稳定基础上设计出滑模控制器。
基于上述，本实施例的动力学模型的表达式如下：
Figure GDA0002947199060000062
y＝q
其中，q∈Rn为关节的角度，
Figure GDA0002947199060000063
为关节的角速度，
Figure GDA0002947199060000064
为关节的角加速度，u∈Rn为待控制的机器人关节系统的控制输入，M(q)∈Rn×n为惯性矩阵，
Figure GDA0002947199060000065
为关节的库伦摩擦，
Figure GDA0002947199060000066
为离心力和哥氏力项，H(q)∈Rn为重力项，y∈Rn为输出的角度向量。
通过从动力学模型中分离出局部变量，获得机器人关节系统中的预设类型的关节所对应的关节子系统模型；其中，关节子系统的动力学微分方程如下：
Figure GDA0002947199060000071
yi＝qi
其中，qi为预设类型的关节的角度，
Figure GDA0002947199060000072
为预设类型的关节的角速度，
Figure GDA0002947199060000073
为预设类型的关节的角加速度，ui为预设类型的关节的控制输入，Mi(qi)为预设类型的关节的惯性矩阵，
Figure GDA0002947199060000074
为预设类型的关节的库伦摩擦，
Figure GDA0002947199060000075
为预设类型的关节的离心力和哥氏力项，Hi(qi)为预设类型的关节的重力项，yi为预设类型的关节输出的角度向量，
Figure GDA0002947199060000076
为机器人关节系统的交联项，其表达式如下：
Figure GDA0002947199060000077
关联项
Figure GDA0002947199060000078
有界满足
Figure GDA0002947199060000079
其中，Sj≤1+|sj|+|sj|，dij≥0，令max{dij}＝δ。
进一步地，根据关节子系统模型将子系统进行化简，定义
Figure GDA00029471990600000710
将子系统方程转化为状态空间方程，表达式如下：
Figure GDA00029471990600000711
Figure GDA00029471990600000712
yi＝xi1
令，F(xi)＝Mi -1(xi1)[(-Ci(xi1,xi2)xi2-Pi(xi2)-Hi(xi1)),
G(xi)＝Mi -1(xi1),Di(xi)＝-Mi -1(x1)Zi(xi1,xi2)转化为一般式：
Figure GDA00029471990600000713
yi＝cxi
其中，x＝[x1 x2]T,
Figure GDA00029471990600000714
b＝[0 1]T,c＝[1 0]T，系统中Mi(xi1)，
Figure GDA00029471990600000715
Zi(xi1,xi2)都是不确定的，Zi(xi1,xi2)是子系统之间的交联项，因此Fi(xi),Gi(xi)均为未知的非线性函数。
由于径向基函数神经网络对未知非线性连续函数具有较快的逼近速度和较高的逼近精度，因此可以采用RBF神经网络去逼近Fi(xi),Gi(xi)。
本实施例的关节子系统的神经网络观测器部分设计如图3所示，神经网络观测器的表达式如下：
Figure GDA00029471990600000716
Figure GDA0002947199060000081
其中，
Figure GDA0002947199060000082
为xi的估计值，Ki＝[ki1ki2]T为神经网络观测器的反馈增益，状态误差和输出误差为
Figure GDA0002947199060000083
神经网络估计项
Figure GDA0002947199060000084
Figure GDA0002947199060000085
其中，
Figure GDA0002947199060000086
为函数逼近权值。
下面，对神经网络观测器逼近系统状态在有限时间内收敛进行证明。
定义非线性函数的逼近误差为：
Figure GDA0002947199060000087
式中，|ξi|≤ξi0，ξ0是正常数。
设计神经网络的权值更新率为：
Figure GDA0002947199060000088
为了证明
Figure GDA0002947199060000089
是最终一致有界的，选择正定的Lyapunov函数：
Figure GDA00029471990600000810
对Lyapunov函数求导后得到满足导数负定的条件，如下：
Figure GDA00029471990600000811
当满足上述导数负定的条件时，可以证明神经网络观测器估计的系统状态在有限的时间内收敛于机器人关节系统的实际状态。
本实施例的控制方法的工作原理如图4所示，整个系统分为两个部分，第一个是原系统模型控制部分，第二个是神经网络观测器部分，神经网络对原系统的G(x),F(x)进行估计，通过
Figure GDA00029471990600000812
通过对Ki的设置在线补偿系统让系统变量
Figure GDA00029471990600000813
在有限时间内收敛到0，观测器的作用就是对原系统的位置和速度状态进行估计，最后利用观测出来的状态代替原状态，对交联项Z(xi)处理后利用滑模变结构控制思想在满足稳定前提下设计控制器Ui。
具体地，本实施例希望有限时间内xi1能够跟踪上xi1d，定义状态误差
Figure GDA00029471990600000814
设计Lyapunov函数为
Figure GDA00029471990600000815
滑模量为
Figure GDA00029471990600000816
关联项
Figure GDA00029471990600000817
有界，满足
Figure GDA00029471990600000818
其中，Sj≤1+|sj|+|sj|,dij≥0,令max{dij}＝δ要求
Figure GDA00029471990600000819
Figure GDA0002947199060000091
设计控制率为：
Figure GDA0002947199060000092
其中，选择满足Hurwitz条件的ci，
Figure GDA0002947199060000093
η是正常数，整个系统的Lyapunov函数为Vi＝Vio+Vic，由上述可知Vi≤0，整个系统是稳定的。
综上，本实施例的基于神经网络观测器的滑模控制方法，解决了在实际工作中关节系统的很多参数会发生改变或者系统状态无法去测量，如：重力项和系统的速度，各子系统之间的耦合关系且同时受到建模误差的影响，从而导致系统的模型难以建立的问题，传统的非线性控制方法如：PID控制和反馈线性化的方法，很难保证控制的精度和稳定性。本实施例利用观测器估计系统的角度和速度，滑模控制器可在系统速度和模型未知的情况下达到对系统的控制。且本实施例的基于神经网络观测器的滑模控制方法可以保证机器人关节的控制精度和稳定性。
此外，本实施例提供的机器人关节滑模控制方法，无需额外的硬件设备，通过直接在机器人关节模型上进行设计，建立神经网络观测器的数学模型和滑模控制器，为机器人关节系统开辟了新的控制思想，从另外的角度解决了机器人关节系统建模不确定性和机器人关节系统状态难以测量的问题，提高了机器人关节系统的鲁棒性，并且可以保证机器人关节系统的控制精度和稳定性。
第二实施例
本实施例提供了一种基于神经网络观测器的机器人关节滑模控制系统，该基于神经网络观测器的机器人关节滑模控制系统包括以下模块：
关节子系统模型构建模块，用于对待控制的机器人关节系统建立动力学模型，并从所述动力学模型中分离出局部变量，获得所述机器人关节系统中的各关节所对应的关节子系统模型；
神经网络观测器建立模块，用于在交联项有限的约束情况下，针对所述关节子系统模型构建模块所构建的关节子系统模型建立神经网络观测器，以对所述机器人关节系统的状态进行在线估计；其中，所述神经网络观测器估计的系统状态在有限的时间内收敛于所述机器人关节系统的实际状态；
滑模控制器设计模块，用于基于所述神经网络观测器所估计的系统状态，根据滑模变结构的控制思想设计滑模控制器，并在保证所述机器人关节系统稳定的条件下，得到控制输入；
控制模块，用于基于所述神经网络观测器建立模块所建立的神经网络观测器和所述滑模控制器设计模块所设计的滑模控制器实现机器人关节系统的控制。
本实施例的基于神经网络观测器的机器人关节滑模控制系统与上述第一实施例的基于神经网络观测器的机器人关节滑模控制方法相对应；其中，本实施例的基于神经网络观测器的机器人关节滑模控制系统中的各功能模块所实现的功能与上述第一实施例的方法中的各流程步骤一一对应；故，在此不再赘述。
第三实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以下步骤：
S101，对待控制的机器人关节系统建立动力学模型，并从动力学模型中分离出局部变量，获得机器人关节系统中的各关节所对应的关节子系统模型；
S102，在交联项有限的约束情况下，针对关节子系统模型建立神经网络观测器，以对机器人关节系统的状态进行在线估计；其中，神经网络观测器估计的系统状态在有限的时间内收敛于机器人关节系统的实际状态；
S103，基于神经网络观测器所估计的系统状态，根据滑模变结构的控制思想设计滑模控制器，并在保证机器人关节系统稳定的条件下，得到控制输入；
S104，基于神经网络观测器和滑模控制器实现机器人关节系统的控制。
第四实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行以下步骤：
S101，对待控制的机器人关节系统建立动力学模型，并从动力学模型中分离出局部变量，获得机器人关节系统中的各关节所对应的关节子系统模型；
S102，在交联项有限的约束情况下，针对关节子系统模型建立神经网络观测器，以对机器人关节系统的状态进行在线估计；其中，神经网络观测器估计的系统状态在有限的时间内收敛于机器人关节系统的实际状态；
S103，基于神经网络观测器所估计的系统状态，根据滑模变结构的控制思想设计滑模控制器，并在保证机器人关节系统稳定的条件下，得到控制输入；
S104，基于神经网络观测器和滑模控制器实现机器人关节系统的控制。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述仅是本发明的优选实施方式，应当指出，尽管已描述了本发明的优选实施例，但对于本技术领域的普通技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (2)

1.一种基于神经网络观测器的机器人关节滑模控制方法，其特征在于，所述基于神经网络观测器的机器人关节滑模控制方法包括：
对待控制的机器人关节系统建立动力学模型，并从所述动力学模型中分离出局部变量，获得所述机器人关节系统中的各关节所对应的关节子系统模型；
在交联项有限的约束情况下，针对所述关节子系统模型建立神经网络观测器，以对所述机器人关节系统的状态进行在线估计；其中，所述神经网络观测器估计的系统状态在有限的时间内收敛于所述机器人关节系统的实际状态；
基于所述神经网络观测器所估计的系统状态，根据滑模变结构的控制思想设计滑模控制器，并在保证所述机器人关节系统稳定的条件下，得到控制输入；
基于所述神经网络观测器和滑模控制器实现所述机器人关节系统的控制；
所述动力学模型的表达式如下：
Figure FDA0002947199050000011
y＝q
其中，q为关节的角度，
Figure FDA0002947199050000012
为关节的角速度，
Figure FDA0002947199050000013
为关节的角加速度，u为所述机器人关节系统的控制输入，M(q)为惯性矩阵，
Figure FDA0002947199050000014
为关节的库伦摩擦，
Figure FDA0002947199050000015
为离心力和哥氏力项，H(q)为重力项，y为输出的角度向量；
所述从所述动力学模型中分离出局部变量，获得所述机器人关节系统中的各关节所对应的关节子系统模型，包括：
从所述动力学模型中分离出局部变量，获得所述机器人关节系统中的预设类型的关节所对应的关节子系统模型；其中，所述关节子系统模型表达式如下：
Figure FDA0002947199050000016
yi＝qi
其中，qi为所述预设类型的关节的角度，
Figure FDA0002947199050000017
为所述预设类型的关节的角速度，
Figure FDA0002947199050000018
为所述预设类型的关节的角加速度，ui为所述预设类型的关节的控制输入，Mi(qi)为所述预设类型的关节的惯性矩阵，
Figure FDA0002947199050000019
为所述预设类型的关节的库伦摩擦，
Figure FDA00029471990500000110
为所述预设类型的关节的离心力和哥氏力项，Hi(qi)为所述预设类型的关节的重力项，yi为所述预设类型的关节输出的角度向量，
Figure FDA00029471990500000111
为所述机器人关节系统的交联项；
Figure FDA00029471990500000112
的表达式如下：
Figure FDA0002947199050000021
在获得所述机器人关节系统中的各关节所对应的关节子系统模型后，所述基于神经网络观测器的机器人关节滑模控制方法还包括：
根据所述关节子系统模型将子系统进行化简，定义xi1＝qi，
Figure FDA0002947199050000022
将子系统方程转化为状态空间方程，表达式如下：
Figure FDA0002947199050000023
Figure FDA0002947199050000024
yi＝xi1
令，
Figure FDA0002947199050000025
G(xi)＝Mi -1(xi1),Di(xi)＝-Mi -1(x1)Zi(xi1,xi2)转化为一般式：
Figure FDA0002947199050000026
yi＝cxi
其中，x＝[x1 x2]T,
Figure FDA0002947199050000027
b＝[0 1]T,c＝[1 0]T，Zi(xi1,xi2)为所述机器人关节系统中的子系统之间的交联项；
采用RBF神经网络去逼近Fi(xi),Gi(xi)；
所述神经网络观测器的表达式如下：
Figure FDA0002947199050000028
Figure FDA0002947199050000029
其中，
Figure FDA00029471990500000210
为xi的估计值，Ki＝[ki1 ki2]T为神经网络观测器的反馈增益，状态误差和输出误差为
Figure FDA00029471990500000211
神经网络估计项
Figure FDA00029471990500000212
Figure FDA00029471990500000213
其中，
Figure FDA00029471990500000214
为函数逼近权值，j＝1,2；
所述基于神经网络观测器的机器人关节滑模控制方法还包括：
定义非线性函数的逼近误差，并设计李亚普洛夫函数
Figure FDA00029471990500000215
Figure FDA00029471990500000216
设计神经网络的权值更新率
Figure FDA00029471990500000217
对李亚普洛夫函数求导后得到满足导数负定的条件，如下：
Figure FDA00029471990500000218
通过得到的满足导数负定的条件使得所述神经网络观测器估计的系统状态在有限的时间内收敛于所述机器人关节系统的实际状态；
所述基于神经网络观测器的机器人关节滑模控制方法还包括：
定义状态误差
Figure FDA0002947199050000031
设计Lyapunov函数为
Figure FDA0002947199050000032
滑模量为
Figure FDA0002947199050000033
关联项
Figure FDA0002947199050000034
有界，满足
Figure FDA0002947199050000035
Figure FDA0002947199050000036
其中，Sj≤1+|sj|+|sj|,dij≥0,令max{dij}＝δ要求
Figure FDA0002947199050000037
Figure FDA0002947199050000038
设计控制率为：
Figure FDA0002947199050000039
其中，选择满足Hurwitz条件的ci，
Figure FDA00029471990500000310
η是正常数，Lyapunov函数为Vi＝Vio+Vic，Vi≤0。
2.一种基于神经网络观测器的机器人关节滑模控制系统，其特征在于，所述基于神经网络观测器的机器人关节滑模控制系统包括：
关节子系统模型构建模块，用于对待控制的机器人关节系统建立动力学模型，并从所述动力学模型中分离出局部变量，获得所述机器人关节系统中的各关节所对应的关节子系统模型；
神经网络观测器建立模块，用于在交联项有限的约束情况下，针对所述关节子系统模型构建模块所构建的关节子系统模型建立神经网络观测器，以对所述机器人关节系统的状态进行在线估计；其中，所述神经网络观测器估计的系统状态在有限的时间内收敛于所述机器人关节系统的实际状态；
滑模控制器设计模块，用于基于所述神经网络观测器所估计的系统状态，根据滑模变结构的控制思想设计滑模控制器，并在保证所述机器人关节系统稳定的条件下，得到控制输入；
控制模块，用于基于所述神经网络观测器建立模块所建立的神经网络观测器和所述滑模控制器设计模块所设计的滑模控制器实现机器人关节系统的控制；
所述动力学模型的表达式如下：
Figure FDA0002947199050000041
y＝q
其中，q为关节的角度，
Figure FDA0002947199050000042
为关节的角速度，
Figure FDA0002947199050000043
为关节的角加速度，u为所述机器人关节系统的控制输入，M(q)为惯性矩阵，
Figure FDA0002947199050000044
为关节的库伦摩擦，
Figure FDA0002947199050000045
为离心力和哥氏力项，H(q)为重力项，y为输出的角度向量；
所述从所述动力学模型中分离出局部变量，获得所述机器人关节系统中的各关节所对应的关节子系统模型，包括：
从所述动力学模型中分离出局部变量，获得所述机器人关节系统中的预设类型的关节所对应的关节子系统模型；其中，所述关节子系统模型表达式如下：
Figure FDA0002947199050000046
yi＝qi
其中，qi为所述预设类型的关节的角度，
Figure FDA0002947199050000047
为所述预设类型的关节的角速度，
Figure FDA0002947199050000048
为所述预设类型的关节的角加速度，ui为所述预设类型的关节的控制输入，Mi(qi)为所述预设类型的关节的惯性矩阵，
Figure FDA0002947199050000049
为所述预设类型的关节的库伦摩擦，
Figure FDA00029471990500000410
为所述预设类型的关节的离心力和哥氏力项，Hi(qi)为所述预设类型的关节的重力项，yi为所述预设类型的关节输出的角度向量，
Figure FDA00029471990500000411
为所述机器人关节系统的交联项；
Figure FDA00029471990500000412
的表达式如下：
Figure FDA00029471990500000413
在获得所述机器人关节系统中的各关节所对应的关节子系统模型后，所述基于神经网络观测器的机器人关节滑模控制方法还包括：
根据所述关节子系统模型将子系统进行化简，定义xi1＝qi，
Figure FDA00029471990500000414
将子系统方程转化为状态空间方程，表达式如下：
Figure FDA00029471990500000415
Figure FDA00029471990500000416
yi＝xi1
令，F(xi)＝Mi -1(xi1)[(-Ci(xi1,xi2)xi2-Pi(xi2)-Hi(xi1)),
G(xi)＝Mi -1(xi1),Di(xi)＝-Mi -1(x1)Zi(xi1,xi2)转化为一般式：
Figure FDA0002947199050000051
yi＝cxi
其中，x＝[x1 x2]T,
Figure FDA0002947199050000052
b＝[0 1]T,c＝[1 0]T，Zi(xi1,xi2)为所述机器人关节系统中的子系统之间的交联项；
采用RBF神经网络去逼近Fi(xi),Gi(xi)；
所述神经网络观测器的表达式如下：
Figure FDA0002947199050000053
Figure FDA0002947199050000054
其中，
Figure FDA0002947199050000055
为xi的估计值，Ki＝[ki1 ki2]T为神经网络观测器的反馈增益，状态误差和输出误差为
Figure FDA0002947199050000056
神经网络估计项
Figure FDA0002947199050000057
Figure FDA0002947199050000058
其中，
Figure FDA0002947199050000059
为函数逼近权值，j＝1,2；
所述基于神经网络观测器的机器人关节滑模控制方法还包括：
定义非线性函数的逼近误差，并设计李亚普洛夫函数
Figure FDA00029471990500000510
Figure FDA00029471990500000511
设计神经网络的权值更新率
Figure FDA00029471990500000512
对李亚普洛夫函数求导后得到满足导数负定的条件，如下：
Figure FDA00029471990500000513
通过得到的满足导数负定的条件使得所述神经网络观测器估计的系统状态在有限的时间内收敛于所述机器人关节系统的实际状态；
所述基于神经网络观测器的机器人关节滑模控制方法还包括：
定义状态误差
Figure FDA00029471990500000514
设计Lyapunov函数为
Figure FDA00029471990500000515
滑模量为
Figure FDA00029471990500000516
关联项
Figure FDA00029471990500000517
有界，满足
Figure FDA00029471990500000518
Figure FDA00029471990500000519
其中，Sj≤1+|sj|+|sj|,dij≥0,令max{dij}＝δ要求
Figure FDA00029471990500000520
Figure FDA00029471990500000521
设计控制率为：
Figure FDA0002947199050000061
其中，选择满足Hurwitz条件的ci，
Figure FDA0002947199050000062
η是正常数，Lyapunov函数为Vi＝Vio+Vic，Vi≤0。
CN202010785085.4A 2020-08-06 2020-08-06 基于神经网络观测器的机器人关节滑模控制方法及系统 Active CN111965976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010785085.4A CN111965976B (zh) 2020-08-06 2020-08-06 基于神经网络观测器的机器人关节滑模控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010785085.4A CN111965976B (zh) 2020-08-06 2020-08-06 基于神经网络观测器的机器人关节滑模控制方法及系统

Publications (2)

Publication Number Publication Date
CN111965976A CN111965976A (zh) 2020-11-20
CN111965976B true CN111965976B (zh) 2021-04-23

Family

ID=73364524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010785085.4A Active CN111965976B (zh) 2020-08-06 2020-08-06 基于神经网络观测器的机器人关节滑模控制方法及系统

Country Status (1)

Country Link
CN (1) CN111965976B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112596379B (zh) * 2020-12-16 2022-02-22 复旦大学 一种机器人控制器设计方法
CN113297798B (zh) * 2021-06-10 2022-10-11 重庆邮电大学工业互联网研究院 一种基于人工神经网络的机器人外界接触力估计方法
CN115016560A (zh) * 2022-05-17 2022-09-06 国网江苏省电力有限公司常州供电分公司 拆换线智能机器人的行进控制方法、行进控制装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102591207A (zh) * 2012-03-01 2012-07-18 北京航空航天大学 一种基于干扰观测器的柔性关节机械臂的滑模控制方法
CN105045101A (zh) * 2015-06-08 2015-11-11 浙江工业大学 一种基于扩张状态观测器的机械臂伺服系统全阶滑模控制方法
CN108789417A (zh) * 2018-07-30 2018-11-13 长春工业大学 基于自适应动态规划的可重构机械臂保代价分散控制方法
CN108818541A (zh) * 2018-09-11 2018-11-16 闽江学院 一种柔性关节机器人的自适应神经网络跟踪控制方法
CN109551479A (zh) * 2018-11-30 2019-04-02 长春工业大学 基于参数优化可重构模块化柔性机械臂轨迹跟踪控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7453227B2 (en) * 2005-12-20 2008-11-18 Intuitive Surgical, Inc. Medical robotic system with sliding mode control

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102591207A (zh) * 2012-03-01 2012-07-18 北京航空航天大学 一种基于干扰观测器的柔性关节机械臂的滑模控制方法
CN105045101A (zh) * 2015-06-08 2015-11-11 浙江工业大学 一种基于扩张状态观测器的机械臂伺服系统全阶滑模控制方法
CN108789417A (zh) * 2018-07-30 2018-11-13 长春工业大学 基于自适应动态规划的可重构机械臂保代价分散控制方法
CN108818541A (zh) * 2018-09-11 2018-11-16 闽江学院 一种柔性关节机器人的自适应神经网络跟踪控制方法
CN109551479A (zh) * 2018-11-30 2019-04-02 长春工业大学 基于参数优化可重构模块化柔性机械臂轨迹跟踪控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
席雷平 等;基于非线性干扰观测器的机械臂自适应反演滑模控制;《信息与控制》;20130831;第42卷(第4期);第470-477页 *

Also Published As

Publication number Publication date
CN111965976A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN111965976B (zh) 基于神经网络观测器的机器人关节滑模控制方法及系统
CN108628172B (zh) 一种基于扩张状态观测器的机械臂高精度运动控制方法
CN107193211B (zh) 基于自抗扰和反演技术的单臂机械手控制器及其设计方法
CN112207834B (zh) 一种基于干扰观测器的机器人关节系统控制方法及系统
CN107561935A (zh) 基于多层神经网络的电机位置伺服系统摩擦补偿控制方法
CN113589689B (zh) 一种基于多参数自适应神经网络的滑模控制器设计方法
CN112817231A (zh) 一种具有强鲁棒性的机械臂高精度跟踪控制方法
CN106113040B (zh) 基于串并联估计模型的柔性机械臂系统模糊控制方法
Vo et al. An output feedback tracking control based on neural sliding mode and high order sliding mode observer
CN112192573A (zh) 基于反演法的不确定性机器人自适应神经网络控制方法
CN115981162A (zh) 一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法
Truong et al. An adaptive terminal sliding mode control scheme via neural network approach for path-following control of uncertain nonlinear systems
Chen et al. Finite-time attitude control with chattering suppression for quadrotors based on high-order extended state observer
Nguyen Non-Negative Adaptive Mechanism-Based Sliding Mode Control for Parallel Manipulators with Uncertainties.
CN114147713B (zh) 基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法
Sharkawy et al. A robust fuzzy tracking control scheme for robotic manipulators with experimental verification
CN115473467A (zh) 基于模糊观测器的柔性关节机械臂指令滤波反步控制方法
CN115816453A (zh) 基于tde的自适应超螺旋多变量快速终端滑模控制方法
CN113219842B (zh) 基于自适应动态规划的机械臂最优跟踪控制方法、系统、处理设备、存储介质
Li et al. Robust adaptive control for unmanned helicopter with stochastic disturbance
He et al. A Semiparametric Model-Based Friction Compensation Method for Multijoint Industrial Robot
Jang et al. Networked operation of a uav using gaussian process-based delay compensation and model predictive control
CN113297798A (zh) 一种基于人工神经网络的机器人外界接触力估计方法
Macnab Neural-adaptive backstepping for flexible-joint robots with neither extra parameters, extra networks, nor robust terms
Mansor et al. Self-tuning dead beat PD controller for pitch angle control of a bench-top helicopter

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