CN111965980B - 一种机器人自适应反馈学习控制方法、控制器及机器人 - Google Patents
一种机器人自适应反馈学习控制方法、控制器及机器人 Download PDFInfo
- Publication number
- CN111965980B CN111965980B CN202010896114.4A CN202010896114A CN111965980B CN 111965980 B CN111965980 B CN 111965980B CN 202010896114 A CN202010896114 A CN 202010896114A CN 111965980 B CN111965980 B CN 111965980B
- Authority
- CN
- China
- Prior art keywords
- robot
- controlled
- feedback learning
- controlled component
- run
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 239000000654 additive Substances 0.000 claims abstract description 11
- 230000000996 additive effect Effects 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation 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
- G05B13/04—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
本发明属于机器人控制领域，提供了一种机器人自适应反馈学习控制方法、控制器及机器人。其中，机器人自适应反馈学习控制方法包括：获取机器人被控部件的实际运行轨迹，并与期望运行轨迹作差，得到运行轨迹偏差；利用满足伯努利分布的随机变量与运行轨迹偏差相乘，得到运行轨迹偏差修正值，以作为反馈学习律的输入值；基于前一次运行的被控部件控制量及反馈学习律，输出当前运行的被控部件控制量；根据被控部件的乘性故障和加性故障及当前运行的被控部件控制量，得到相应被控部件控制输入量，以控制被控部件运行，使得被控部件的实际运行轨迹完全跟踪期望运行轨迹。
Description
技术领域
本发明属于机器人控制领域，尤其涉及一种机器人自适应反馈学习控制方法、控制器及机器人。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着当前技术的不断发展和应用需求的不断增长，机器人系统应用环境变得越来越复杂，机器人已经逐步走出结构化工业环境，进入复杂动态的人机协作环境。而发明人发现，传统的机器人控制方法不适合在非结构化环境中执行复杂操作，因此对复杂环境工况下的机器人控制提出了新的挑战。另一方面，机器人的往复高频运行极易引起执行器机械疲劳和损耗，系统故障不仅会降低系统的性能，严重的可能导致系统失效，从而影响控制性能、引发安全隐患。
发明内容
为了解决上述问题，本发明的第一个方面提供一种机器人自适应反馈学习控制方法，其根据被控部件的乘性故障和加性故障及当前运行的被控部件控制量，得到相应被控部件控制输入量，以控制被控部件运行，具有容错抗随机学习控制特点，能够保证机器人在复杂工况下的可靠性和自适应性；与此同时，引入随机变量、概率分布等概念刻画机器人实际运动数据，克服非结构化环境下不确定因素引发的机器人任务实际执行的提前中断或超期延长，由此保障机器人控制的环境适应性。
为了实现上述目的，本发明采用如下技术方案：
一种机器人自适应反馈学习控制方法，包括：
获取机器人被控部件的实际运行轨迹，并与期望运行轨迹作差，得到运行轨迹偏差；
利用满足伯努利分布的随机变量与运行轨迹偏差相乘，得到运行轨迹偏差修正值，以作为反馈学习律的输入值；
基于前一次运行的被控部件控制量及反馈学习律，输出当前运行的被控部件控制量；
根据被控部件的乘性故障和加性故障及当前运行的被控部件控制量，得到相应被控部件控制输入量，以控制被控部件运行，使得被控部件的实际运行轨迹完全跟踪期望运行轨迹。
本发明的第二个方面提供一种控制器，其包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的机器人自适应反馈学习控制方法中的步骤。
本发明的第三个方面提供一种机器人，其包括上述所述的控制器。
本发明的第四个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的机器人自适应反馈学习控制方法中的步骤。
本发明的有益效果是：
本发明利用满足伯努利分布的随机变量与运行轨迹偏差相乘，得到运行轨迹偏差修正值，以作为反馈学习律的输入值，更结合于实际控制，能够对实际运行结果与期望运行结果偏差进行刻画，对实际运行时长进行数据补偿或冗余剔除，有利于提高控制的精度。
本发明引入在线故障观测器描述刻画时变的乘性和加性驱动器故障对控制信号的动态演化，提高了故障诊断的实时性，实现了故障发生后机器人系统稳定性的快速恢复，提升了机器人自身的故障适应性稳定运行。
本发明基于前一次运行的被控部件控制量及反馈学习律，输出当前运行的被控部件控制量；根据被控部件的乘性故障和加性故障及当前运行的被控部件控制量，得到相应被控部件控制输入量，以控制被控部件运行，使得被控部件的实际运行轨迹完全跟踪期望运行轨迹，达到了具有容错抗随机学习控制的目的，提高了机器人系统运行的可靠性和自适应能力，解决了传统故障诊断方法存在的实时性不足极易引起故障瞬间增大及容错控制的暂态和稳态性能无法得到保证的问题。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的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。
图1是本发明实施例的机器人自适应反馈学习控制原理图；
图2是发明实施例的两关节机械臂系统；
图3是发明实施例的机械臂系统随学习控制批次增加的轨迹跟踪过程；
图4是发明实施例的经过20次的学习控制方法运行后的期望轨迹与实际轨迹对比结果；
图5是发明实施例的学习控制过程中的误差绝对值最大值的变化过程曲线。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
<机器人自适应反馈学习控制方法>
参照图1，在获取机器人被控部件的实际运行轨迹之后，机器人自适应反馈学习控制原理为：
将机器人被控部件的实际运行轨迹与期望运行轨迹作差，得到运行轨迹偏差；利用满足伯努利分布的随机变量与运行轨迹偏差相乘，得到运行轨迹偏差修正值，以作为反馈学习律的输入值；基于前一次运行的被控部件控制量及反馈学习律，输出当前运行的被控部件控制量；根据被控部件的乘性故障和加性故障及当前运行的被控部件控制量，得到相应被控部件控制输入量，以控制被控部件运行，使得被控部件的实际运行轨迹完全跟踪期望运行轨迹。
由于实际运行中，复杂环境下的不确定因素可能引发系统运行超出期望运行时长、或提前停止。机器人被控部件的期望运行时长Td，介于机器人受随机因素影响最小时长Tmin和最大时长Tmax之间；且满足如下概率分布：
其中，q(t)∈(0,1]为概率，Tk表示机器人被控部件第k次运行的实际运行时长。
为进一步描述实际运行时长的随机性，引入满足伯努利分布的随机变量γk(t)，t∈[0，Tmax]。
当满足伯努利分布的随机变量γk(t)等于1时，机器人被控部件第k次运行的运行时长可到达t；
当满足伯努利分布的随机变量γk(t)等于0时，机器人被控部件第k次运行的运行时长无法到达t。
本实施例利用满足伯努利分布的随机变量与运行轨迹偏差相乘，得到运行轨迹偏差修正值，能够对实际运行结果与期望运行结果偏差进行刻画，对实际运行时长进行数据补偿或冗余剔除，有利于提高控制的精度。其中，
t∈[0，Td]；ek(t)＝yd,k(t)-yk(t)；
yd,k(t)表示第k次运行的期望运行轨迹；
yk(t)表示第k次运行的实际运行轨迹。
基于以上数据分析和校正，为避免复杂环境下随机因素对控制性能的影响，本实施例的反馈学习律为分数阶PD形式的反馈学习律：
其中，uk-1(t)表示第k-1次运行的被控部件控制量，uk(t)表示第k次运行的被控部件控制量，
表示第k次运行的运行轨迹偏差修正值，
表示第k次运行的运行轨迹偏差修正值的微分值，k表示第k次运行，且k为大于或等于1的正整数；Kp表示比例增益，Kd表示微分增益，
表示分数阶微分，微分阶次为ζ。
此处需要说明的是，在其他实施例中，反馈学习律也可为分数阶PID形式：
其中，uk-1(t)表示第k-1次运行的被控部件控制量，uk(t)表示第k次运行的被控部件控制量，
表示第k次运行的运行轨迹偏差修正值，
表示第k次运行的运行轨迹偏差修正值的微分值，k表示第k次运行，且k为大于或等于1的正整数；Kp表示比例增益，Kd表示微分增益，
表示分数阶微分，微分阶次为ζ，
表示分数阶积分，积分阶次为σ。
除了分数阶PID形式之外，本领域技术人员也可将反馈学习律采用其他现有的反馈学习律的形式来表示：
比如：
等，其中，该公式中各个参数的含义与分数阶反馈学习律表达式中的含义相同，此处不再累述。机器人系统执行器故障容错可以提高系统运行的可靠性和自适应能力，然而，传统故障诊断方法存在的实时性不足极易引起故障瞬间增大，容错控制的暂态和稳态性能无法得到保证。为解决故障诊断的实时性，实现故障发生后机器人系统稳定性的快速恢复，提升机器人自身的故障适应性稳定运行，引入在线故障观测器描述刻画时变的乘性和加性驱动器故障对控制信号的动态演化，则被控部件控制输入量为：
τk(t)＝ρk(t)uk(t)+φk(t)
其中，τk(t)表示第k次运行的被控部件控制输入量，ρk(t)表示第k次运行的被控部件的乘性故障，φk(t)表示第k次运行的被控部件的加性故障，uk(t)表示第k次运行的被控部件控制量。
需要说明的是，被控部件可为机械臂，或行走部件比如行走轮等等。
下面以被控部件为两关节机械臂为例，如图2所示的两关节机械臂系统，θ1和θ2分别表示这两个关节的角度，假设机械臂两关节质量均为2kg，长度均为5m，为检验控制方法的有效性，采用两个关节的期望角度
和
来表示的机械臂期望运动轨迹为：
其中，t∈[0，1]。
机械臂系统实际运行过程中存在的不确定因素和随机故障极易引发系统无法按照预期实现固定时间上的批次运行，为此设计以下适应性反馈学习律：
仿真结果如图3-图5所示。图3展示了机械臂系统随学习控制批次增加的轨迹跟踪过程，由于不确定因素和随机故障的原因，各迭代批次的运行长度变化不一。图4绘制了经过20次的学习控制方法运行后的期望轨迹与实际轨迹对比结果，可以看到在本申请所提方法的作用下，机械臂系统有效避免了不确定因素和未知故障的影响，实现了对期望轨迹的完全跟踪。学习控制过程中的误差绝对值最大值的变化过程曲线如图5所示，该曲线表明了控制方法的收敛特性。
<控制器>
在一个或多个实施例中，还提供了一种控制器，其包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的机器人自适应反馈学习控制方法中的步骤。
其中，机器人自适应反馈学习控制方法的具体实施过程不再累述。
<机器人>
在一个或多个实施例中，还提供了一种机器人，其包括上述所述的控制器。
该控制器用于控制机器人的相应被控部件，比如机械臂，或行走部件比如行走轮等等。
此处需要说明的是，机器人的其他组成结构均为现有结构，此处不再累述。
<计算机可读存储介质>
在一个或多个实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的机器人自适应反馈学习控制方法中的步骤。
其中，机器人自适应反馈学习控制方法的具体实施过程不再累述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、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(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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、专用计算机、嵌入式处理机或其他可编程数据处理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设备上，使得在计算机或其他可编程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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种机器人自适应反馈学习控制方法，其特征在于，包括：
获取机器人被控部件的实际运行轨迹，并与期望运行轨迹作差，得到运行轨迹偏差；
利用满足伯努利分布的随机变量与运行轨迹偏差相乘，得到运行轨迹偏差修正值，以作为反馈学习律的输入值；
基于前一次运行的被控部件控制量及反馈学习律，输出当前运行的被控部件控制量；
根据被控部件的乘性故障和加性故障及当前运行的被控部件控制量，得到相应被控部件控制输入量，以控制被控部件运行，使得被控部件的实际运行轨迹完全跟踪期望运行轨迹；
所述反馈学习律为：
其中，uk-1(t)表示第k-1次运行的被控部件控制量，uk(t)表示第k次运行的被控部件控制量，
表示第k次运行的运行轨迹偏差修正值，
表示第k次运行的运行轨迹偏差修正值的微分值，k表示第k次运行，且k为大于或等于1的正整数；Kp表示比例增益，Kd表示微分增益；
或
所述反馈学习律为分数阶PD形式的反馈学习律：
其中，uk-1(t)表示第k-1次运行的被控部件控制量，uk(t)表示第k次运行的被控部件控制量，
表示第k次运行的运行轨迹偏差修正值，
表示第k次运行的运行轨迹偏差修正值的微分值，k表示第k次运行，且k为大于或等于1的正整数；Kp表示比例增益，Kd表示微分增益，
表示分数阶微分，微分阶次为ζ；
或
所述反馈学习律为分数阶PID形式的反馈学习律：
其中，uk-1(t)表示第k-1次运行的被控部件控制量，uk(t)表示第k次运行的被控部件控制量，
表示第k次运行的运行轨迹偏差修正值，
表示第k次运行的运行轨迹偏差修正值的微分值，k表示第k次运行，且k为大于或等于1的正整数；Kp表示比例增益，Kd表示微分增益，
表示分数阶微分，微分阶次为ζ，
表示分数阶积分，积分阶次为σ。
2.如权利要求1所述的机器人自适应反馈学习控制方法，其特征在于，当满足伯努利分布的随机变量γk(t)等于1时，机器人被控部件第k次运行的运行时长可到达t；其中，t∈[0，Tmax]，Tmax为机器人被控部件受随机因素影响最大运行时长。
3.如权利要求1所述的机器人自适应反馈学习控制方法，其特征在于，当满足伯努利分布的随机变量γk(t)等于0时，机器人被控部件第k次运行的运行时长无法到达t；其中，t∈[0，Tmax]，Tmax为机器人被控部件受随机因素影响最大运行时长。
4.如权利要求1所述的机器人自适应反馈学习控制方法，其特征在于，机器人被控部件的期望运行时长Td，介于机器人被控部件受随机因素影响最小时长Tmin和最大时长Tmax之间；且满足如下概率分布：
其中，q(t)∈(0,1]为概率，Tk表示机器人被控部件第k次运行的实际运行时长。
5.如权利要求1所述的机器人自适应反馈学习控制方法，其特征在于，基于在线故障观测器描述刻画时变的乘性故障和加性故障对被控部件控制量的动态演化。
6.如权利要求1所述的机器人自适应反馈学习控制方法，其特征在于，被控部件控制输入量为：
τk(t)＝ρk(t)uk(t)+φk(t)
其中，τk(t)表示第k次运行的被控部件控制输入量，ρk(t)表示第k次运行的被控部件的乘性故障，φk(t)表示第k次运行的被控部件的加性故障，uk(t)表示第k次运行的被控部件控制量，k为大于或等于1的正整数。
7.一种控制器，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的机器人自适应反馈学习控制方法中的步骤。
8.一种机器人，其特征在于，包括如权利要求7所述的控制器。
9.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-6中任一项所述的机器人自适应反馈学习控制方法中的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010896114.4A CN111965980B (zh) | 2020-08-31 | 2020-08-31 | 一种机器人自适应反馈学习控制方法、控制器及机器人 |
| ZA2021/06128A ZA202106128B (en) | 2020-08-31 | 2021-08-25 | A method for self-adaptive feedback learning control of robot, with a controller and robots |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010896114.4A CN111965980B (zh) | 2020-08-31 | 2020-08-31 | 一种机器人自适应反馈学习控制方法、控制器及机器人 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111965980A CN111965980A (zh) | 2020-11-20 |
| CN111965980B true CN111965980B (zh) | 2022-05-27 |
Family
ID=73399429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010896114.4A Expired - Fee Related CN111965980B (zh) | 2020-08-31 | 2020-08-31 | 一种机器人自适应反馈学习控制方法、控制器及机器人 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111965980B (zh) |
| ZA (1) | ZA202106128B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112904861B (zh) * | 2021-01-26 | 2023-04-11 | 齐鲁工业大学 | 基于被动式正交全向轮的移动机器人二维定位装置及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101846979A (zh) * | 2010-06-29 | 2010-09-29 | 北京航空航天大学 | 一种精确目标跟踪的超前迭代学习控制方法 |
| CN106020190A (zh) * | 2016-05-26 | 2016-10-12 | 山东大学 | 具有初态误差修正的轨迹学习控制器、控制系统及方法 |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SE0001312D0 (sv) * | 2000-04-10 | 2000-04-10 | Abb Ab | Industrirobot |
| US20100222898A1 (en) * | 2009-01-27 | 2010-09-02 | Nikon Corporation | Stage-control systems and methods including inverse closed loop with adaptive controller |
-
2020
- 2020-08-31 CN CN202010896114.4A patent/CN111965980B/zh not_active Expired - Fee Related
-
2021
- 2021-08-25 ZA ZA2021/06128A patent/ZA202106128B/en unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101846979A (zh) * | 2010-06-29 | 2010-09-29 | 北京航空航天大学 | 一种精确目标跟踪的超前迭代学习控制方法 |
| CN106020190A (zh) * | 2016-05-26 | 2016-10-12 | 山东大学 | 具有初态误差修正的轨迹学习控制器、控制系统及方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 基于线性变参数H_∞反馈的机器人迭代学习控制器设计;虞忠伟等;《西安交通大学学报》;20010620(第06期);全文 * |
| 基于预测型间接迭代学习的SCARA机器人轨迹跟踪控制;严浩等;《计算机工程》;20171015(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111965980A (zh) | 2020-11-20 |
| ZA202106128B (en) | 2021-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2019530936A (ja) | 非ゼロ初期状態におけるｓ型の停止曲線の速度ルール及びそのオンライン求解方法 | |
| Kim et al. | Smooth model predictive path integral control without smoothing | |
| CN106965171A (zh) | 具备学习功能的机器人装置 | |
| CN111965980B (zh) | 一种机器人自适应反馈学习控制方法、控制器及机器人 | |
| CN111897224B (zh) | 基于演员-评论家强化学习和模糊逻辑的多智能体编队控制方法 | |
| KR101849464B1 (ko) | Pid 게인 자동 튜닝 방법 | |
| CN114347035B (zh) | 基于示教学习与柔顺控制的机器人阀门旋拧方法及系统 | |
| CN112338913A (zh) | 一种多关节柔性机械臂的轨迹跟踪控制方法及系统 | |
| CN114995144A (zh) | 一种基于迭代学习的平面机械臂轨迹跟踪控制方法 | |
| CN113954831A (zh) | 一种车辆横向控制方法、装置及自动驾驶车辆 | |
| CN114859725B (zh) | 一种非线性系统自适应事件触发控制方法及系统 | |
| CN113219825B (zh) | 一种四足机器人单腿轨迹跟踪控制方法及系统 | |
| Ji et al. | Terminal traction control of teleoperation manipulator with random jitter disturbance based on active disturbance rejection sliding mode control | |
| CN102269971A (zh) | 基于模型跟踪的自适应伺服控制器 | |
| CN107398903B (zh) | 工业机械手臂执行端的轨迹控制方法 | |
| CN112643673A (zh) | 基于非线干扰观测器的移动机械臂鲁棒控制方法及系统 | |
| CN110888323A (zh) | 一种用于切换系统智能优化的控制方法 | |
| CN110187637A (zh) | 在控制方向和期望轨迹不确定下的机器人系统控制方法 | |
| McIlvanna et al. | Reinforcement learning-enhanced control barrier functions for robot manipulators | |
| Xiaolin et al. | Research on Robot Tracking of Books Returning to Bookshelf Based on Particle Swarm Optimization Fuzzy PID Control | |
| CN113296398A (zh) | 一种柔性单链机械臂基于事件触发的命令滤波控制方法 | |
| CN112325907B (zh) | 一种机器人路径规划算法的测试方法、装置、设备及介质 | |
| Yovchev | Finding the optimal parameters for robotic manipulator applications of the bounded error algorithm for iterative learning control | |
| CN117908362B (zh) | 柔性关节机器人的复合抗饱和控制方法及控制系统 | |
| Otsuka et al. | Application of genetic algorithms to fine-gain tuning of improved the resolved acceleration controller |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220527 |