CN112180729B - 一种机械臂自适应轨迹跟踪控制方法 - Google Patents

一种机械臂自适应轨迹跟踪控制方法 Download PDF

Info

Publication number
CN112180729B
CN112180729B CN202011070781.3A CN202011070781A CN112180729B CN 112180729 B CN112180729 B CN 112180729B CN 202011070781 A CN202011070781 A CN 202011070781A CN 112180729 B CN112180729 B CN 112180729B
Authority
CN
China
Prior art keywords
uncertain
neural network
adaptive
mechanical arm
sliding
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
Application number
CN202011070781.3A
Other languages
English (en)
Other versions
CN112180729A (zh
Inventor
杨亮
周炳
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 Electronic Science and Technology of China Zhongshan Institute
Original Assignee
University of Electronic Science and Technology of China Zhongshan Institute
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 Electronic Science and Technology of China Zhongshan Institute filed Critical University of Electronic Science and Technology of China Zhongshan Institute
Priority to CN202011070781.3A priority Critical patent/CN112180729B/zh
Publication of CN112180729A publication Critical patent/CN112180729A/zh
Application granted granted Critical
Publication of CN112180729B publication Critical patent/CN112180729B/zh
Expired - Fee Related 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)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种机械臂自适应轨迹跟踪控制方法，该控制方法基于滑模观测器与神经网络辨识器建立，具体包括考虑了运动学与动力学不确定性的机械臂模型的建立、不确定运动学滑模观测器的设计、动力学部分基于RBF神经网络的控制器以及优化的自适应律的设计、滑模函数收敛性证明以及神经网络控制器的稳定性证明，本发明解决的传统机械臂神经网络控制算法自适应参数多、计算复杂的问题，并在一定程度上减少了系统收敛时间，提高了机械臂系统的跟踪控制性能。

Description

一种机械臂自适应轨迹跟踪控制方法
【技术领域】
本发明涉及一种机械臂自适应轨迹跟踪控制方法。
【背景技术】
机械臂是一个多变量，强耦合的高度非线性系统，在机械臂的轨迹跟踪控制系统中存在机械臂模型不确定性、外界扰动、摩擦以及负载干扰等问题，并都制约着机械臂跟踪控制的性能；同时，在军事、工业等某些特殊应用场合，要求机械臂能快速、高精度的实现轨迹跟踪。这些都给机械臂系统的控制器设计带来了极大的挑战，因此，传统的PID算法很难满足高速高精度的轨迹跟踪控制。近年来，各种先进的跟踪控制策略运用到了机械臂控制系统中，其中对模型进行线性化的传统滑模自适应控制以及采用神经网络逼近的智能控制都得到了众多学者的青睐。然而，传统的滑模自适应控制需要对模型精确建模，并进行线性化分离可调参数，这在实际应用中是很难实现的。针对这些问题，不需要对机械臂精确建模及参数线性化的滑模观测器控制与神经网络控制在近年来的到广泛应用，如文献[“Tracking Control of Robotic Manipulators With Uncertain Kinematics andDynamics,”(IEEE Transactions on Industrial Electronics,vol.63,no.10,pp.6439-6449,2016.)]设计了两种滑模观测器，分别处理不确定的机械臂运动学和动力学，并根据估计信息设计控制器，使误差能在有限时间收敛到零；文献[“Adaptive Neural TrackingControl of Robotic Manipulators with Guaranteed NN Weight Convergence,”(Complexity,vol.2018,pp.1-11,2018.)]设计了一个新的基于神经网络及梯度法的自适应控制器使网络权值能收敛到理想值，并使跟踪误差和估计误差同时收敛。然而，在目前的神经网络自适应控制算法缺陷在于：自适应项计算复杂，需要对整个权值矩阵进行更新。这在网络节点数增加时会增加系统计算压力，影响系统的性能。因此，针对模型不确定机械臂系统设计一个计算简单、收敛速度快的控制算法是该领域的主要研究方向，而这在目前任然是一个挑战。
【发明内容】
本发明目的克服传统针对模型不确定机械臂控制算法计算复杂、收敛速度慢的问题，提供了一种基于滑模观测器与神经网络辨识器的机械臂自适应轨迹跟踪控制方法，在减少系统计算复杂度的同时确保系统的稳定性与跟踪控制性能。
本发明是通过以下技术方案实现的：
一种机械臂自适应轨迹跟踪控制方法，其特征在于该控制方法基于滑模观测器与神经网络辨识器建立，具体步骤包括：
步骤1：针对不确定的运动学部分，建立运动学不确定雅各比矩阵模型，设计了基于滑模观测器的不确定雅各比矩阵自适应补偿器，并证明其滑模面的收敛性；
步骤2：针对不确定的动力学部分，将动力学模型不确定项和外界干扰视为总不确定动力学，设计了基于RBF神经网络的不确定动力学模型辨识器，利用辨识出的函数估计动力学参数及外界干扰；
步骤3：设计一种新的基于RBF神经网络的鲁棒自适应控制器，并根据该控制器设计了优化的神经网络参数自适应律，最后对其稳定性进行分析。
如上所述的机械臂自适应轨迹跟踪控制方法，其特征在于：步骤1中所述运动学不确定雅各比矩阵模型建立为：根据机械臂名义雅各比矩阵，将不确定的雅各比矩阵设计为ΔJ(q)；假设所述不确定的雅各比矩阵是有界的，即||ΔJ(q)||≤b1，其中b1∈R是正常数，代表有界上限。
如上所述的机械臂自适应轨迹跟踪控制方法，其特征在于：所述的基于滑模观测器的不确定雅各比矩阵自适应补偿器的设计为：在考虑名义雅各比矩阵的基础上加入终端滑模函数
Figure GDA0003937201260000031
估计函数设计为：
Figure GDA0003937201260000032
其中
Figure GDA0003937201260000033
是x的估计值，
Figure GDA0003937201260000034
是估计误差，k01∈R为正观测增益，p1∈R以及q1∈R为正奇数，满足p1＜q1，即保证运动学估计误差xe能在有限时间收敛到滑模面，其中有限时间为To，
Figure GDA0003937201260000035
如上所述的机械臂自适应轨迹跟踪控制方法，其特征在于：所述滑模面的收敛性证明表述为：选择李雅普诺夫函数：
Figure GDA0003937201260000036
证明得到：
Figure GDA0003937201260000041
估计误差xe将收敛到滑动面xe≡0。
如上所述的机械臂自适应轨迹跟踪控制方法，其特征在于：步骤2中针对所述的总不确定动力学，根据机械臂的动力学方程，在名义动力学模型的基础上将其不确定项和外界扰动视为总扰动H(q)；所述的基于RBF神经网络的不确定动力学模型辨识器的设计为：将不确定模型分为两部分利用神经网络辨识，即：
Figure GDA0003937201260000042
Figure GDA0003937201260000043
Figure GDA0003937201260000044
其中
Figure GDA0003937201260000045
为理想的权值矩阵，δ1(e2):R2→R2是逼近误差；
Figure GDA0003937201260000046
也为理想的权值矩阵，而δ2(e2):R2→R2是逼近误差；N1和N2为隐含层的神经元数目，逼近误差由未知常数σi限定，即||δi(e2)||2≤σi,i＝1,2。
如上所述的机械臂自适应轨迹跟踪控制方法，其特征在于：步骤3中所述基于RBF神经网络的鲁棒自适应控制器设计为：设xd为工作空间期望轨迹，定义任务空间跟踪误差为e1＝xd-x，定义关节空间的滑动向量为
Figure GDA0003937201260000047
根据神经网络函数设计控制律为：
Figure GDA0003937201260000048
其中K∈Rn×n是一个对称正定矩阵，θ＝(σ1+σ2)sgn(e2)是一个用于克服神经网络逼近误差δi,i＝1,2的鲁棒补偿器；
Figure GDA0003937201260000049
是用于估计Wi,i＝1,2的在线学习参数，Wi,i＝1,2是理想化权矩阵
Figure GDA00039372012600000410
的最大奇异值的平方；所述优化的神经网络参数自适应律设计为：
Figure GDA0003937201260000051
其中r1、r2、k1和k2是正的可调参数。
如上所述的机械臂自适应轨迹跟踪控制方法，其特征在于，该控制方法还包括对控制器的稳定性分析证明，具体是选取李雅普诺夫函数：
Figure GDA0003937201260000052
其中
Figure GDA0003937201260000053
是NNs权重误差，证明得到：
Figure GDA0003937201260000054
其中
Figure GDA0003937201260000055
与现有技术相比，本发明有如下优点：
1、本发明基于滑模观测器与神经网络辨识器的机械臂自适应轨迹跟踪控制方法，具体包括考虑了运动学与动力学不确定性的机械臂模型的建立、不确定运动学滑模观测器的设计、动力学部分基于RBF神经网络的控制器以及优化的自适应律的设计、滑模函数收敛性证明以及神经网络控制器的稳定性证明，本发明解决的传统机械臂神经网络控制算法自适应参数多、计算复杂的问题，并在一定程度上减少了系统收敛时间，提高了机械臂系统的跟踪控制性能。
【附图说明】
图1是本发明基于滑模观测器与神经网络辨识器的机械臂自适应轨迹跟踪控制方法的控制框图；
【具体实施方式】
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。
如图1所示，一种机械臂自适应轨迹跟踪控制方法，基于滑模观测器与神经网络辨识器建立，包括基于滑模观测器的自适应补偿器、基于RBF神经网络的鲁棒自适应控制器、控制器和机械臂系统。
基于滑模观测器的自适应补偿器部分，考虑不确定的运动学模型，根据机械臂名义雅各比矩阵，将不确定的雅各比矩阵设计为ΔJ(q)。这里假设不确定雅各比矩阵是有界的，即||ΔJ(q)||≤b1，其中b1∈R是正常数，代表有界上限。
在考虑名义雅各比矩阵的基础上加入终端滑模函数
Figure GDA0003937201260000061
最后将不确定运动学估计函数设计为：
Figure GDA0003937201260000062
其中
Figure GDA0003937201260000063
是x的估计值，
Figure GDA0003937201260000064
是估计误差，k01∈R为正观测增益，p1∈R以及q1∈R为正奇数，满足p1＜q1，即保证运动学估计误差xe能在有限时间收敛到滑模面，其中有限时间为To，
Figure GDA0003937201260000065
参考图1，设计的基于滑模观测器的自适应补偿器，通过机械臂系统反馈的关节状态
Figure GDA0003937201260000066
估计目前的空间位置状态
Figure GDA0003937201260000067
然后将位置估计误差xe反馈回来，同时传输给控制器，对补偿器及控制器进行修正。
基于RBF神经网络的鲁棒自适应控制器部分，包括控制器和RBF神经网络自适应机制。设xd为工作空间期望轨迹，定义任务空间跟踪误差为e1＝xd-x，定义关节空间的滑动向量为
Figure GDA0003937201260000068
根据机械臂的动力学方程，在名义动力学模型的基础上将其不确定项和外界扰视为总扰动H(q)。将不确定模型分为两部分，并利用神经网络辨识，即
Figure GDA0003937201260000071
其中
Figure GDA0003937201260000072
Figure GDA0003937201260000073
其中
Figure GDA0003937201260000074
是一个理想的权值矩阵，
Figure GDA0003937201260000075
是高斯函数，δ1(e2):R2→R2是逼近误差。类似地，
Figure GDA0003937201260000076
也是一个理想的权值矩阵，
Figure GDA0003937201260000077
也是高斯函数，而δ2(e2):R2→R2是逼近误差。N1和N2为隐含层的神经元数目，逼近误差由未知常数σi限定，即||δi(e2)||2≤σi,i＝1,2。
参考上面的神经网络辨识器设计，将基于RBF神经网络的控制律为：
Figure GDA0003937201260000078
其中K∈Rn×n是一个对称正定矩阵，θ＝(σ1+σ2)sgn(e2)是一个用于克服神经网络逼近误差δi,i＝1,2的鲁棒补偿器。
Figure GDA0003937201260000079
是用于估计Wi,i＝1,2的在线学习参数，Wi,i＝1,2是理想化权矩阵
Figure GDA00039372012600000710
的最大奇异值的平方。接着将优化的神经网络参数自适应律设计为：
Figure GDA00039372012600000711
其中r1、r2、k1和k2是正的可调参数。
参考图1，设计的基于RBF神经网络的鲁棒自适应控制器，RBF神经网络自适应机制部分通过机械臂反馈的关节状态
Figure GDA00039372012600000712
以及跟踪误差e1，计算后将高斯函数S1,S2，以及通过自适应律调整的控制器参数
Figure GDA00039372012600000713
传输给控制器。
参考图1，控制器接收跟踪误差e1，位置估计误差xe，高斯函数S，自适应参数
Figure GDA00039372012600000714
以及反馈的关节状态
Figure GDA00039372012600000715
控制器根据控制律公式计算出输出力矩τ，并传输给机械臂系统。
下面以机械臂轨迹跟踪控制系统为例，结合附图详细的描述本发明的技术方案。具体包括考虑了运动学与动力学不确定性的机械臂模型的建立、不确定运动学滑模观测器的设计、动力学部分基于RBF神经网络的控制器以及优化的自适应律的设计、滑模函数收敛性证明以及神经网络控制器的稳定性证明。
机械臂不确定的运动学和动力学模型建立
考虑机械臂动力学模型如下：
Figure GDA0003937201260000081
其中
Figure GDA0003937201260000082
和
Figure GDA0003937201260000083
分别表示关节角、关节速度和关节加速度.M(q)∈Rn×n是惯性矩阵,
Figure GDA0003937201260000084
是科式力和离心力矩阵,G(q)∈Rn是重力项。此外
Figure GDA0003937201260000085
表示动力学误差项。
在实际应用中，在笛卡尔空间或图像空间等任务空间中指定了末端执行器的期望轨迹。设x∈Rn为末端执行器在任务空间中的位置，x与关节空间的关系如下所示
x＝f(q) (3)
其中f:Rn→Rn是从关节空间到任务空间的映射。通过对(3)时间的微分，可以得到关节空间
Figure GDA0003937201260000086
与任务空间速度
Figure GDA0003937201260000087
之间的关系
Figure GDA0003937201260000088
其中J(q)∈Rn×n为可微机械手雅可比矩阵。在大多数情况下，J(q)是未知的(因为运动学参数是未知的)。因此，任务空间的位置/速度不能直接从上面给出的运动学公式中得到。相反，任务空间中的位置/速度信息可以通过使用特定的任务空间传感器(如照相机)来测量。
由于运动学的不确定性，我们可以重写(4)为
Figure GDA0003937201260000091
假设1：在设计控制器时，选择标称雅可比矩阵Jo(q)避免奇异性，同时不确定雅可比矩阵ΔJ(q)是有界的，即||ΔJ(q)||≤b1，其中b1∈R是正常数。
假设2：期望的信号xd和它的导数
Figure GDA0003937201260000092
是平滑且有界的。
为了方便在后面的章节中设计和分析控制器，与动力学(1)相关的两个特性列出如下:
性质1:对于所有的q，惯性矩阵M(q)是对称且一致正定。
性质2:惯性矩阵的一阶导数
Figure GDA0003937201260000093
与科里奥利和离心矩阵
Figure GDA0003937201260000094
满足
Figure GDA0003937201260000095
是一个斜对称矩阵。
不确定运动学的滑膜观测器设计
对于不确定雅可比矩阵ΔJ(q)，我们使用滑模观测器来补偿。观测器设计如下：
Figure GDA0003937201260000096
其中
Figure GDA0003937201260000097
是x的估计值，
Figure GDA0003937201260000098
是估计值误差，k01∈R为正观测增益，p1∈R以及q1∈R为正奇数，满足p1＜q1。
定理1：对于不确定运动学(4)，滑动模观测器(6)可以保证x在有限时间To内被精确估计,其中
Figure GDA0003937201260000101
估计误差xe能在t≥To时，所有xe(t)≡0。
滑模函数收敛性证明
选择李雅普诺夫函数：
Figure GDA0003937201260000102
求导可得
Figure GDA0003937201260000103
由假设1可得
Figure GDA0003937201260000104
由于p1和q1都是正奇数,因此p1+q1为偶数，所以
Figure GDA0003937201260000105
同时，有上面的结果可得
Figure GDA0003937201260000106
因此，由上式可得当t≥To时，Vo(t)≡0。因此，当t＝To时，估计误差xe将收敛到滑动面xe≡0。这意味着，滑模运动发生在t＝To时，xe＝xe＝0时。证明完成。
基于RBF神经网络的鲁棒自适应控制器以及优化的自适应律的设计
设xd为工作空间期望轨迹，则可定义任务空间跟踪误差为
e1＝xd-x, (11)
任务空间参考速度为
Figure GDA0003937201260000111
这里α是一个正的常数。为了设计控制律，首先将虚拟控制输入定义为
Figure GDA0003937201260000112
然后我们在关节空间定义一个滑动向量
Figure GDA0003937201260000113
求导可得
Figure GDA0003937201260000114
因此，关节速度和加速度可以表述为
Figure GDA0003937201260000115
Figure GDA0003937201260000116
从e1和e2的定义，由(4)可以得到
Figure GDA0003937201260000117
然后根据(13),(18)可以再写为
Figure GDA0003937201260000121
同理可得到
Figure GDA0003937201260000122
将(16)(17)带入(1)可得
Figure GDA0003937201260000123
这里假设
Figure GDA0003937201260000124
其中
Figure GDA0003937201260000125
在实际应用中，动态模型的非线性不确定项
Figure GDA0003937201260000126
和
Figure GDA0003937201260000127
不易处理。针对这一问题，采用神经网络技术进行控制器设计。使用RBF神经网络来补偿未知的动态
Figure GDA0003937201260000128
和
Figure GDA0003937201260000129
我们得到
Figure GDA00039372012600001210
Figure GDA00039372012600001211
其中
Figure GDA00039372012600001212
是一个理想的权值矩阵，
Figure GDA00039372012600001213
是高斯函数，δ1(e2):R2→R2是逼近误差。类似地，
Figure GDA00039372012600001214
也是一个理想的权值矩阵，
Figure GDA00039372012600001215
也是高斯函数，而δ2(e2):R2→R2是逼近误差。N1和N2为隐含层的神经元数目，逼近误差由未知常数σi限定，即||δi(e2)||2≤σi,i＝1,2。
最后，将任务空间的基于RBF神经网络的自适应控制器设计为：
Figure GDA00039372012600001216
其中K∈Rn×n是一个对称正定矩阵，θ＝(σ1+σ2)sgn(e2)是一个用于克服神经网络逼近误差δi,i＝1,2的鲁棒补偿器。
Figure GDA0003937201260000131
用于估计Wi,i＝1,2的在线学习参数，它们是理想化权矩阵
Figure GDA0003937201260000132
的最大奇异值的平方，例如,
Figure GDA0003937201260000133
将(22、23、24)带入(21)，我们可以得到
Figure GDA0003937201260000134
优化的神经网络参数自适应律设计为：
Figure GDA0003937201260000135
Figure GDA0003937201260000136
其中r1、r2、k1和k2是正的可调参数。
控制器稳定性分析
证明：选择李雅普诺夫函数如下：
Figure GDA0003937201260000137
其中
Figure GDA0003937201260000138
是NNs权重误差。对V求导，并将(19)、(25)带入，同时根据性质2可得
Figure GDA0003937201260000141
最后通过化简得到
Figure GDA0003937201260000142
定义两个间接设计参数
Figure GDA0003937201260000143
Figure GDA0003937201260000144
因此，(30)可以表示为
Figure GDA0003937201260000145
因此，基于李雅普诺夫稳定性理论，我们可以得到对于所有的t≥To，误差变量e2和NN权值误差
Figure GDA0003937201260000146
是有界的。通过(21)，我们可以得出跟踪错误e1也是有界的。此外，由于回归元Si(vi)是有界的，我们可知控制信号τ也是有界的。
由微分不等式(33)在区间[To,t)的直接积分，得到
Figure GDA0003937201260000151
从(34)可以看出，Lyapunov函数V不递增。(34)中的不等式也暗示闭环信号是半全局一致最终有界的。因此，通过选择合适的设计参数，可以看出机器人的任务空间跟踪误差e1和关节空间跟踪误差e2渐近收敛于任意小的原点紧集。证毕。
本发明所述的实施例仅仅是对本发明的优选实施方式进行的描述，并非对发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中工程技术人员对本发明的技术方案作出的各种变型和改进，均应落入本发明的保护范围。

Claims (4)

1.一种机械臂自适应轨迹跟踪控制方法，其特征在于该控制方法基于滑模观测器与神经网络辨识器建立，具体步骤包括：
步骤1：针对不确定的运动学部分，建立运动学不确定雅各比矩阵模型，设计了基于滑模观测器的不确定雅各比矩阵自适应补偿器，并证明其滑模面的收敛性；
步骤2：针对不确定的动力学部分，将动力学模型不确定项和外界干扰视为总不确定动力学，设计了基于RBF神经网络的不确定动力学模型辨识器，利用辨识出的函数估计动力学参数及外界干扰；
步骤3：设计一种新的基于RBF神经网络的鲁棒自适应控制器，并根据该控制器设计了优化的神经网络参数自适应律，最后对其稳定性进行分析；
所述的基于滑模观测器的不确定雅各比矩阵自适应补偿器的设计为：在考虑名义雅各比矩阵的基础上加入终端滑模函数
Figure FDA0003937201250000011
估计函数设计为：
Figure FDA0003937201250000012
其中
Figure FDA0003937201250000013
是x的估计值，
Figure FDA0003937201250000014
是估计误差，k01∈R为正观测增益，p1∈R以及q1∈R为正奇数，满足p1＜q1，即保证运动学估计误差xe能在有限时间收敛到滑模面，其中有限时间为To，
Figure FDA0003937201250000021
步骤2中针对所述的总不确定动力学，根据机械臂的动力学方程，在名义动力学模型的基础上将其不确定项和外界扰动视为总扰动H(q)；所述的基于RBF神经网络的不确定动力学模型辨识器的设计为：将不确定模型分为两部分利用神经网络辨识，即：
Figure FDA0003937201250000022
Figure FDA0003937201250000023
Figure FDA0003937201250000024
其中
Figure FDA0003937201250000025
为理想的权值矩阵，δ1(e2):R2→R2是逼近误差；
Figure FDA0003937201250000026
也为理想的权值矩阵，而δ2(e2):R2→R2是逼近误差；N1和N2为隐含层的神经元数目，逼近误差由未知常数σi限定，即||δi(e2)||2≤σi,i＝1,2；
步骤3中所述基于RBF神经网络的鲁棒自适应控制器设计为：设xd为工作空间期望轨迹，定义任务空间跟踪误差为e1＝xd-x，定义关节空间的滑动向量为
Figure FDA00039372012500000211
根据神经网络函数设计控制律为：
Figure FDA0003937201250000027
其中K∈Rn×n是一个对称正定矩阵，θ＝(σ1+σ2)sgn(e2)是一个用于克服神经网络逼近误差δi,i＝1,2的鲁棒补偿器；
Figure FDA0003937201250000028
是用于估计Wi,i＝1,2的在线学习参数，Wi,i＝1,2是理想化权矩阵
Figure FDA0003937201250000029
的最大奇异值的平方；所述优化的神经网络参数自适应律设计为：
Figure FDA00039372012500000210
Figure FDA0003937201250000031
其中r1、r2、k1和k2是正的可调参数。
2.根据权利要求1所述的机械臂自适应轨迹跟踪控制方法，其特征在于：步骤1中所述运动学不确定雅各比矩阵模型建立为：根据机械臂名义雅各比矩阵，将不确定的雅各比矩阵设计为ΔJ(q)；假设所述不确定的雅各比矩阵是有界的，即||ΔJ(q)||≤b1，其中b1∈R是正常数，代表有界上限。
3.根据权利要求2所述的机械臂自适应轨迹跟踪控制方法，其特征在于：所述滑模面的收敛性证明表述为：选择李雅普诺夫函数：
Figure FDA0003937201250000032
证明得到：
Figure FDA0003937201250000033
估计误差xe将收敛到滑动面xe≡0。
4.根据权利要求3所述的机械臂自适应轨迹跟踪控制方法，其特征在于，该控制方法还包括对控制器的稳定性分析证明，选取李雅普诺夫函数：
Figure FDA0003937201250000034
其中
Figure FDA0003937201250000035
是NNs权重误差，证明得到：
Figure FDA0003937201250000036
其中
Figure FDA0003937201250000037
CN202011070781.3A 2020-10-09 2020-10-09 一种机械臂自适应轨迹跟踪控制方法 Expired - Fee Related CN112180729B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011070781.3A CN112180729B (zh) 2020-10-09 2020-10-09 一种机械臂自适应轨迹跟踪控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011070781.3A CN112180729B (zh) 2020-10-09 2020-10-09 一种机械臂自适应轨迹跟踪控制方法

Publications (2)

Publication Number Publication Date
CN112180729A CN112180729A (zh) 2021-01-05
CN112180729B true CN112180729B (zh) 2023-03-03

Family

ID=73947892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011070781.3A Expired - Fee Related CN112180729B (zh) 2020-10-09 2020-10-09 一种机械臂自适应轨迹跟踪控制方法

Country Status (1)

Country Link
CN (1) CN112180729B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112859601B (zh) * 2021-01-11 2023-01-20 湖南工程学院 机器人控制器设计方法、装置、设备及可读存储介质
CN112947071B (zh) * 2021-01-28 2022-04-01 河北工业大学 基于Backstepping的下肢外骨骼控制方法
CN113238482B (zh) * 2021-04-14 2022-11-29 山东师范大学 一种单臂机器人系统的渐近跟踪控制方法及系统
CN113305831B (zh) * 2021-04-30 2022-10-11 北京控制工程研究所 空间机械臂自适应协调控制的位置观测器设计方法及系统
CN113589689B (zh) * 2021-07-09 2024-01-02 南昌大学 一种基于多参数自适应神经网络的滑模控制器设计方法
CN113858198B (zh) * 2021-09-28 2023-10-13 南京邮电大学 一种考虑关节电机动力学的机械臂力跟踪阻抗控制方法
CN114185358B (zh) * 2021-11-30 2024-04-12 中国电子科技集团公司第五十四研究所 一种卫星导航接收机自适应信号跟踪方法
CN114488790B (zh) * 2021-12-17 2023-07-04 西南科技大学 一种基于名义模型的全向移动机器人自适应滑膜控制方法
CN114619446B (zh) * 2022-03-11 2023-11-03 广东工业大学 基于双观测器的轨迹跟踪控制方法及系统
CN114625007B (zh) * 2022-03-11 2024-08-16 中国科学院长春光学精密机械与物理研究所 一种固定时间内收敛的终端滑模控制方法及装置
CN114779643A (zh) * 2022-04-29 2022-07-22 哈尔滨理工大学 一种基于旋量模型的机械臂终端滑模控制系统
CN114750137A (zh) * 2022-05-19 2022-07-15 合肥工业大学 一种基于rbf网络的上肢外骨骼机器人运动控制方法
CN114967459B (zh) * 2022-05-31 2024-08-09 安徽工业大学 一种机械臂时间收敛性的控制方法及其7 dof机械臂
CN115598966B (zh) * 2022-10-26 2024-07-12 电子科技大学 一种六自由度并联摇摆台的视觉伺服神经网络控制方法
CN116141339B (zh) * 2023-04-19 2023-07-21 珞石（北京）科技有限公司 一种七自由度机械臂预定时间轨迹跟踪控制方法
CN116901061B (zh) * 2023-06-16 2024-07-09 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于预设性能的机械臂轨迹跟踪控制方法
CN117148854B (zh) * 2023-10-31 2024-02-09 深圳市苇渡智能科技有限公司 基于动力调节的电动水翼载具俯仰姿态控制方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105223808A (zh) * 2015-06-24 2016-01-06 浙江工业大学 基于神经网络动态面滑模控制的机械臂系统饱和补偿控制方法
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
CN108942924A (zh) * 2018-06-25 2018-12-07 南京理工大学 基于多层神经网络的模型不确定性机械臂运动控制方法
CN108983606A (zh) * 2018-07-09 2018-12-11 南京理工大学 一种机械臂系统的鲁棒滑模自适应控制方法
CN109176525A (zh) * 2018-09-30 2019-01-11 上海神添实业有限公司 一种基于rbf的移动机械手自适应控制方法
CN110154028A (zh) * 2019-05-29 2019-08-23 天津大学 机械臂无模型自适应积分终端滑模控制方法
CN111546365A (zh) * 2020-05-19 2020-08-18 永康龙飘传感科技有限公司 一种同步检测抓握摩擦力的机械手

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105223808A (zh) * 2015-06-24 2016-01-06 浙江工业大学 基于神经网络动态面滑模控制的机械臂系统饱和补偿控制方法
CN108942924A (zh) * 2018-06-25 2018-12-07 南京理工大学 基于多层神经网络的模型不确定性机械臂运动控制方法
CN108983606A (zh) * 2018-07-09 2018-12-11 南京理工大学 一种机械臂系统的鲁棒滑模自适应控制方法
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
CN109176525A (zh) * 2018-09-30 2019-01-11 上海神添实业有限公司 一种基于rbf的移动机械手自适应控制方法
CN110154028A (zh) * 2019-05-29 2019-08-23 天津大学 机械臂无模型自适应积分终端滑模控制方法
CN111546365A (zh) * 2020-05-19 2020-08-18 永康龙飘传感科技有限公司 一种同步检测抓握摩擦力的机械手

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Inverse Jacobian Adaptive Tracking Control of Robot Manipulators with Kinematic, Dynamic, and Actuator Uncertainties》;Bing Zhou.etc;《complexity》;20200824;第2020卷;第1-12页 *
《不确定性移动机械臂的轨迹跟踪控制研究》;宛佳飞;《万方学位论文》;20151229;第1-59页 *
《基于参数不确定机械臂系统的自适应轨迹跟踪控制》;杨亮等;《控制与决策》;20191130;第34卷(第11期);第2485-2490页 *

Also Published As

Publication number Publication date
CN112180729A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN112180729B (zh) 一种机械臂自适应轨迹跟踪控制方法
CN111319036B (zh) 基于自适应算法的移动机械臂位置/力自抗扰控制方法
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
Xia et al. Neural-network-friction compensation-based energy swing-up control of pendubot
CN110673472B (zh) 基于神经网络补偿死区反演误差的自适应鲁棒控制方法
CN108445768B (zh) 空间机器人操作空间轨迹跟踪的增广自适应模糊控制方法
CN115625711B (zh) 一种考虑末端力的双臂机器人协同控制方法
Yang et al. Finite-time synchronization control for bilateral teleoperation under communication delays
Xia et al. Fuzzy neural-network friction compensation-based singularity avoidance energy swing-up to nonequilibrium unstable position control of pendubot
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
CN114578697B (zh) 一种电机驱动机械手的多约束自适应控制方法
Wen et al. Compliance control method for robot joint with variable stiffness
CN108132602B (zh) 固态酿酒翻曲机械手神经网络滑模自适应控制方法
Hu et al. Impedance with Finite‐Time Control Scheme for Robot‐Environment Interaction
He et al. Adaptive boundary control of flexible manipulators with parameter uncertainty based on RBF neural network
Jiao et al. Disturbance observer-based backstepping control for quadrotor UAV manipulator attitude system
CN110991606B (zh) 基于径向基神经网络的压电陶瓷驱动器复合控制方法
Chen et al. Nonlinear Robust Adaptive Control of Universal Manipulators Based on Desired Trajectory
CN109048995B (zh) 一种三自由度Delta并联机器人的非线性关节摩擦力补偿方法
Li et al. Impedance control for human-robot interaction with an adaptive fuzzy approach
CN116300468A (zh) 一种基于神经网络类机理建模的导弹制导控制一体化方法
CN116068893A (zh) 一种机械臂自适应分数阶滑模控制方法、设备及介质
An et al. Fast model-free learning for controlling a quadrotor UAV with designed error trajectory
Wang et al. A novel prescribed performance controller with unknown dead-zone and impactive disturbance
Wu et al. An adaptive neural network compensator for decoupling of dynamic effects of a macro-mini 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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20230303