CN112207834B - 一种基于干扰观测器的机器人关节系统控制方法及系统 - Google Patents

一种基于干扰观测器的机器人关节系统控制方法及系统 Download PDF

Info

Publication number
CN112207834B
CN112207834B CN202011434230.0A CN202011434230A CN112207834B CN 112207834 B CN112207834 B CN 112207834B CN 202011434230 A CN202011434230 A CN 202011434230A CN 112207834 B CN112207834 B CN 112207834B
Authority
CN
China
Prior art keywords
robot joint
joint system
sliding mode
mathematical model
neural network
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
CN202011434230.0A
Other languages
English (en)
Other versions
CN112207834A (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 CN202011434230.0A priority Critical patent/CN112207834B/zh
Publication of CN112207834A publication Critical patent/CN112207834A/zh
Application granted granted Critical
Publication of CN112207834B publication Critical patent/CN112207834B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明是关于一种基于干扰观测器的机器人关节系统控制方法及系统，属于机器人控制技术领域。所述方法包括：建立机器人关节系统的动力学数学模型；根据所述机器人关节系统的动力学数学模型，建立所述机器人关节系统的干扰观测器，对所述机器人关节系统未知扰动信号的可观测部分进行观测以及补偿；根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似，并根据模拟近似得到的近似结果，设计反演滑模控制器；通过所述反演滑模控制器，控制所述机器人关节系统按照预设输入系数进行运动。采用本发明，可以提高机器人关节系统的跟踪精度。

Description

一种基于干扰观测器的机器人关节系统控制方法及系统
技术领域
本发明涉及机器人控制技术领域，尤其涉及一种基于干扰观测器的机器人关节系统控制方法及系统。
背景技术
伴随着“中国制造2025”的计划提出和“工业4.0”时代降临，为了提高制造产能，相关科学技术出现了井喷式的发展。作为先进科学技术，机器人在工业、军事、航空航天、医疗卫生、农业等领域得到了普遍发展和应用。
在实现本发明的过程中，发明人发现相关技术至少存在以下问题：
机器人关节系统是一个多变量、非线性、强耦合系统，机器人关节在实际工作中系统存在建模误差、参数变化无法测量以及其他外部扰动信号导致系统的模型难以确定，传统的计算控制和PID控制方法很难保证机器人关节系统的鲁棒性和抗干扰性。
发明内容
本发明提供一种基于干扰观测器的机器人关节系统控制方法及系统，可以提高机器人关节系统的鲁棒性和抗干扰性。
根据本发明实施例的第一方面，提供一种基于干扰观测器的机器人关节系统控制方法，包括：
建立机器人关节系统的动力学数学模型；
根据所述机器人关节系统的动力学数学模型，建立所述机器人关节系统的干扰观测器，对所述机器人关节系统未知扰动信号的可观测部分进行观测以及补偿；
根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似，并根据模拟近似得到的近似结果，设计反演滑模控制器；
通过所述反演滑模控制器，控制所述机器人关节系统按照预设输入系数进行运动。
可选地，所述建立机器人关节系统的动力学数学模型，包括：
根据下述式(1)，建立机器人关节系统的动力学数学模型：
Figure GDA0002963438920000021
其中，f为干扰信号，
Figure GDA0002963438920000022
d是外界未知干扰力矩；或者，根据下述式(2)，建立机器人关节系统的动力学数学模型：
Figure GDA0002963438920000023
其中，q为关节的角度，
Figure GDA0002963438920000024
为关节的角速度，
Figure GDA0002963438920000025
为关节的角加速度，τ为所述机器人关节系统的预设输入系数，M(q)为惯性矩阵，
Figure GDA0002963438920000026
为离心力和哥氏力项，G(q)为重力项，M0(q)表示动力学数学模型中已知的惯性矩阵参数，
Figure GDA0002963438920000027
表示动力学数学模型中已知的离心力和哥氏力项参数，G0(q)表示动力学数学模型中已知的重力项参数；ΔM(q)、ΔG(q)、ΔC(q)为所述机器人关节系统的建模误差和参数变化。
可选地，所述根据所述机器人关节系统的动力学数学模型，建立所述机器人关节系统的干扰观测器，包括：
将所述机器人关节系统的动力学数学模型转换成状态空间方程形式；
基于所述状态空间方程形式，设计所述干扰观测器。
可选地，所述将所述机器人关节系统的动力学数学模型转换成状态空间方程形式，包括：
定义x1＝q，
Figure GDA0002963438920000028
所述状态空间方程表达式如下式(3)：
Figure GDA0002963438920000029
Figure GDA00029634389200000210
所述基于所述状态空间方程形式，设计所述干扰观测器，包括：
所述将干扰观测器设计如下式(4)：
Figure GDA00029634389200000211
其中，q为关节的角度，
Figure GDA00029634389200000212
为关节的角速度，
Figure GDA00029634389200000213
是f的估计值；
Figure GDA00029634389200000214
是观测增益矩阵，
Figure GDA00029634389200000215
满足
Figure GDA00029634389200000216
为待设计的干扰观测器的非线性函数，
Figure GDA00029634389200000217
表示
Figure GDA00029634389200000218
的导数。
可选地，采用干扰观测器后，所述状态空间方程表达式为：
Figure GDA0002963438920000031
其中，τ'为神经网络反演滑模控制率，f'为所述未知扰动信号的不可观测部分。
可选地，还包括：
定义辅助参数向量如下式(5)：
Figure GDA0002963438920000032
可选地，所述根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似，根据模拟近似得到的近似结果，设计反演滑模控制器，包括：
步骤1：定义李亚普洛夫函数为
Figure GDA0002963438920000033
定义虚拟控制量α1＝c1e1，则
Figure GDA0002963438920000034
则有，
Figure GDA0002963438920000035
Figure GDA0002963438920000036
其中，e1、e2为系统的状态误差，τ'为神经网络反演滑模控制率，qd为机器人关节系统的预设轨迹；c1是正定常数矩阵；T表示转置矩阵；V1表示正定的函数；
步骤2：对V1求导：
Figure GDA0002963438920000037
当e2＝0时，则
Figure GDA0002963438920000038
步骤3：定义反演滑模控制算法下的Lyapunov函数为
Figure GDA0002963438920000039
滑模函数为s＝k1e1+e2，神经网络逼近非线性函数为
Figure GDA00029634389200000310
其中，
Figure GDA00029634389200000311
为神经网络权值，h为高斯基函数，ε是非线性函数逼近误差；k1是正定常数矩阵；V2表示正定的函数；
步骤4：对所述滑模函数s进行求导：
Figure GDA0002963438920000041
其中，Λ为函数简写形式，
Figure GDA0002963438920000042
步骤5：对V2求导：
Figure GDA0002963438920000043
所述神经网络反演滑模控制率为：
Figure GDA0002963438920000044
其中，η≥εn+fmax'，神经网络权值更新率为
Figure GDA0002963438920000045
γ是正的常数。
根据本发明实施例的第二方面，提供一种基于干扰观测器的机器人关节系统控制系统，包括：
建立单元，用于建立机器人关节系统的动力学数学模型；
观测单元，用于根据所述机器人关节系统的动力学数学模型，建立所述机器人关节系统的干扰观测器，对所述机器人关节系统未知扰动信号的可观测部分进行观测以及补偿；
设计单元，用于根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似，并根据模拟近似得到的近似结果，设计反演滑模控制器；
控制单元，用于通过所述反演滑模控制器，控制所述机器人关节系统按照预设输入系数进行运动。
根据本发明实施例的第三方面，提供一种电子设备，包括：
一个或多个处理器；
用于存储所述一个或多个处理器可执行指令的存储器；
其中，所述一个或多个处理器被配置为：
执行本发明实施例的第一方面所述的方法。
根据本发明实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由终端的处理器执行时，使得终端能够执行本发明实施例的第一方面所述的方法。
根据本发明实施例的第五方面，提供一种应用程序产品，当应用程序产品在终端在运行时，使得终端执行本发明实施例的第一方面所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明中，建立机器人关节系统的动力学数学模型；根据机器人关节系统的动力学数学模型，建立机器人关节系统的干扰观测器，对机器人关节系统未知扰动信号的可观测部分进行观测以及补偿；根据径向基RBF神经网络对未知扰动信号的不可观测部分进行模拟近似，并根据模拟近似得到的近似结果，设计反演滑模控制器；通过反演滑模控制器，控制机器人关节系统按照预设输入系数进行运动。本发明将干扰观测器补偿未知扰动和神经网络对非线性函数的逼近能力相结合，这样最大程度提高机器人关节控制的鲁棒性和抗干扰性，提高了机器人关节的跟踪精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种基于干扰观测器的机器人关节系统控制方法的流程图；
图2是根据一示例性实施例示出的两关节机器人关节示意图；
图3是根据一示例性实施例示出的一种基于干扰观测器的机器人关节系统控制方法的基本原理图；
图4是根据一示例性实施例示出的一种基于干扰观测器的机器人关节系统控制方法的工作原理示意图；
图5是根据一示例性实施例示出的一种基于干扰观测器的机器人关节系统控制系统框图；
图6是根据一示例性实施例示出的一种电子设备框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
图1是根据一示例性实施例示出的一种基于干扰观测器的机器人关节系统控制方法的流程图，该方法基于电子设备实现，电子设备可以是终端或服务器。该方法针对机器人关节在实际工作中系统存在建模误差、参数变化无法测量以及其他外部扰动信号导致系统的模型难以确定的问题，设计干扰观测器对系统未知扰动信号的可观测部分进行估计，例如系统的摩擦力，它与速度运动信号有关，通过选择设计参数让干扰观测器补偿可观测部分的扰动。利用神经网络对非线性函数的逼近能力，解决系统模型未知部分和参数变化的问题，最后根据反步法思想设计反演滑模控制器让机器人关节跟踪上预设的期望轨迹。本发明将干扰观测器补偿未知扰动和神经网络对非线性函数的逼近能力相结合能最大程度提高机器人关节控制的鲁棒性和抗干扰性，提高了机器人关节的跟踪精度。
其中，反步法是20世纪90年代兴起的一种系统的非线性控制方法，“反步”反映出了设计步骤的递归特性。其基本设计思想是将复杂的高阶非线性系统划分为多个低阶子系统，从最远离系统控制输入的子系统开始，通过构造部分Lyapunov函数得到保证子系统稳定的虚拟控制量，并逐步后退到控制输入，从而得到最终的控制器，在此过程中全系统的Lyapunov函数也相继被构造出来。反步法在控制器设计中的优势在于能够通过多种方法灵活处理不同的非线性特性，实现闭环系统的全局调节或渐近跟踪，使系统达到期望的性能指标。复杂环境下的实际系统一般可以描述为一类包含有参数不确定、未建模动态和外部干扰等多源干扰的非线性数学模型。
如图1所示，该方法包括以下步骤101-104：
步骤101、建立机器人关节系统的动力学数学模型。
其中，该动力学数学模型时符合干扰观测标准的机器人关节动力学数学模型，用于对机器人关节系统的建模误差、参数变化和未知扰动信号进行分析。
如图2所示为两关节机器人关节示意图，其中，l1、l2为两关节机器人的两个关节臂，m1、m2为两个关节点，q1、q2为两个关节的轨迹。
一种可行的实施方式中，可选地，根据下述式(1)，建立机器人关节系统的动力学数学模型：
Figure GDA0002963438920000071
其中，f为可观测的干扰信号，
Figure GDA0002963438920000072
ΔC(q)为机器人关节系统的建模误差和参数变化；
或者，根据下述式(2)，建立机器人关节系统的动力学数学模型：
Figure GDA0002963438920000073
其中，q为关节的角度，
Figure GDA0002963438920000074
为关节的角速度，
Figure GDA0002963438920000075
为关节的角加速度，τ为机器人关节系统的预设输入系数，M(q)为惯性矩阵，
Figure GDA0002963438920000076
为离心力和哥氏力项，G(q)为重力项，M0(q)表示动力学数学模型中已知的惯性矩阵参数，
Figure GDA0002963438920000077
表示动力学数学模型中已知的离心力和哥氏力项参数，G0(q)表示动力学数学模型中已知的重力项参数；ΔM(q)、ΔG(q)、ΔC(q)为机器人关节系统的建模误差和参数变化。
步骤102、根据机器人关节系统的动力学数学模型，建立机器人关节系统的干扰观测器，对机器人关节系统未知扰动信号的可观测部分进行观测以及补偿。
一种可行的实施方式中，设计干扰观测器对未知扰动信号的可观测部分进行估计，进而，通过选择设计参数让干扰观测器补偿可观测部分的扰动。
该步骤102可以包括下述步骤1021-1022：
步骤1021、将机器人关节系统的动力学数学模型转换成状态空间方程形式。
定义x1＝q，
Figure GDA0002963438920000078
状态空间方程表达式如下式(3)：
Figure GDA0002963438920000081
Figure GDA0002963438920000082
可选地，定义辅助参数向量如下式(4)：
Figure GDA0002963438920000083
假设相对于干扰观测器的动态特性，干扰的变化是缓慢的，即：
Figure GDA0002963438920000084
定义干扰观测器估计误差为
Figure GDA0002963438920000085
则对F求导可以得到：
Figure GDA0002963438920000086
通过设计矩阵
Figure GDA0002963438920000087
可使观测器的估计值
Figure GDA0002963438920000088
在有限的时间内收敛于可观测的干扰f。
优选地，采用干扰观测器后，经过理论分析，采取干扰观测器后使得系统的干扰变小，状态空间方程表达式变为下式(5)：
Figure GDA0002963438920000089
其中，τ'为神经网络反演滑模控制率，f'为未知扰动信号的不可观测部分。
步骤1022、基于状态空间方程形式，设计干扰观测器，将干扰观测器设计如下式(4)：
Figure GDA00029634389200000810
其中，q为关节的角度，
Figure GDA00029634389200000811
为关节的角速度，
Figure GDA00029634389200000812
是f的估计值；
Figure GDA00029634389200000813
是观测增益矩阵，
Figure GDA00029634389200000814
满足
Figure GDA00029634389200000815
为待设计的干扰观测器的非线性函数，
Figure GDA00029634389200000816
表示
Figure GDA00029634389200000817
的导数。
步骤103、根据径向基RBF神经网络对未知扰动信号的不可观测部分进行模拟近似，并根据模拟近似得到的近似结果，设计反演滑模控制器。
其中，RBF(Radial Basis Function，径向基函数)神经网络是一种三层神经网络，其包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接。BP神经网络的隐节点采用输入模式与权向量的内积作为激活函数的自变量，具有“局部逼近”的特性，局部逼近是指目标函数的逼近仅仅根据查询点附近的数据，学习速度快，可以满足有实时性要求的应用。本发明采用RBF神经网络对非线性函数的逼近能力，对未知扰动信号的不可观测部分进行逼近，最大程度提高机器人关节控制的鲁棒性和抗干扰性。
设计反演滑模控制器的步骤包括下述步骤1031-1035：
步骤1031：定义李亚普洛夫函数为
Figure GDA0002963438920000091
定义虚拟控制量α1＝c1e1，则
Figure GDA0002963438920000092
则有，
Figure GDA0002963438920000093
Figure GDA0002963438920000094
其中，e1、e2为系统的状态误差，τ'为神经网络反演滑模控制率，qd为机器人关节系统的预设轨迹；c1是正定常数矩阵；T表示转置矩阵；V1表示正定的函数；
步骤1032：对V1求导：
Figure GDA0002963438920000095
当e2＝0时，则
Figure GDA0002963438920000096
步骤1033：定义反演滑模控制算法下的Lyapunov函数为
Figure GDA0002963438920000097
滑模函数为s＝k1e1+e2，神经网络逼近非线性函数为
Figure GDA0002963438920000098
其中，
Figure GDA0002963438920000099
为神经网络权值，h为高斯基函数，ε是非线性函数逼近误差；k1是正定常数矩阵；V2表示正定的函数；
步骤1034：对滑模函数s进行求导：
Figure GDA0002963438920000101
其中，Λ为函数简写形式，
Figure GDA0002963438920000102
步骤1035：对V2求导：
Figure GDA0002963438920000103
神经网络反演滑模控制率为：
Figure GDA0002963438920000104
其中，η≥εn+fmax'，神经网络权值更新率为
Figure GDA0002963438920000105
γ是正的常数。
步骤104、通过反演滑模控制器，控制机器人关节系统按照预设输入系数进行运动。
一种可行的实施方式中，如图3所示为本发明基于干扰观测器以及反演滑模控制器控制机器人关节系统运动的基本原理图，如图4所示为本发明基于干扰观测器的机器人关节系统控制的工作原理示意图，先通过干扰观测器对系统内未知扰动信号的可观测部分进行补偿，进而根据上述步骤103设计出反演滑模控制器，结合神经网络对非线性函数的逼近能力，使得机器人关节系统的运动轨迹跟踪上给定输入的运动轨迹，也即，使得机器人关节系统的运动轨迹跟踪上期望轨迹，大大提高了机器人关节系统的跟踪精度。
本发明中，建立机器人关节系统的动力学数学模型；根据机器人关节系统的动力学数学模型，建立机器人关节系统的干扰观测器，对机器人关节系统未知扰动信号的可观测部分进行观测以及补偿；根据径向基RBF神经网络对未知扰动信号的不可观测部分进行模拟近似，并根据模拟近似得到的近似结果，设计反演滑模控制器；通过反演滑模控制器，控制机器人关节系统按照预设输入系数进行运动。本发明将干扰观测器补偿未知扰动和神经网络对非线性函数的逼近能力相结合，这样最大程度提高机器人关节控制的鲁棒性和抗干扰性，提高了机器人关节的跟踪精度。
图5是根据一示例性实施例示出的一种基于干扰观测器的机器人关节系统控制系统框图。参照图5，该系统包括建立单元510、观测单元520、设计单元530以及控制单元540。
建立单元510，用于建立机器人关节系统的动力学数学模型；
观测单元520，用于根据所述机器人关节系统的动力学数学模型，建立所述机器人关节系统的干扰观测器，对所述机器人关节系统未知扰动信号的可观测部分进行观测以及补偿；
设计单元530，用于根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似，并根据模拟近似得到的近似结果，设计反演滑模控制器；
控制单元540，用于通过所述反演滑模控制器，控制所述机器人关节系统按照预设输入系数进行运动。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，如图6所示的电子设备框图，例如包括指令的存储器601，上述指令可由系统600的处理器602执行以完成上述基于干扰观测器的机器人关节系统控制方法。例如，所述非临时性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。
在示例性实施例中，还提供了一种应用程序产品，包括一条或多条指令，该一条或多条指令可以由系统600的处理器602执行，以完成上述基于干扰观测器的机器人关节系统控制方法。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种基于干扰观测器的机器人关节系统控制方法，其特征在于，所述方法包括：
建立机器人关节系统的动力学数学模型；
根据所述机器人关节系统的动力学数学模型，建立所述机器人关节系统的干扰观测器，对所述机器人关节系统未知扰动信号的可观测部分进行观测以及补偿；
根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似，并根据模拟近似得到的近似结果，设计反演滑模控制器；
通过所述反演滑模控制器，控制所述机器人关节系统按照预设输入系数进行运动。
2.根据权利要求1所述的基于干扰观测器的机器人关节系统控制方法，其特征在于，所述建立机器人关节系统的动力学数学模型，包括：
根据下述式(1)，建立机器人关节系统的动力学数学模型：
Figure FDA0002954679320000011
其中，f为可观测的干扰信号，
Figure FDA0002954679320000012
ΔC(q)为所述机器人关节系统的建模误差和参数变化；ΔM(q)为系统运动过程中惯性矩阵的摄动；
Figure FDA0002954679320000018
为系统运动过程中离心力与哥氏力项的摄动；ΔG(q)为系统运动过程中重力项的摄动；d为外加干扰信号；
或者，根据下述式(2)，建立机器人关节系统的动力学数学模型：
Figure FDA0002954679320000013
其中，q为关节的角度，
Figure FDA0002954679320000014
为关节的角速度，
Figure FDA0002954679320000015
为关节的角加速度，τ为所述机器人关节系统的预设输入系数，M(q)为惯性矩阵，
Figure FDA0002954679320000016
为离心力和哥氏力项，G(q)为重力项，y为输出的角度向量，y＝q；M0(q)为系统惯性矩阵名义模型；
Figure FDA0002954679320000017
为离心力与哥氏力项名义模型；G0(q)为重力项名义模型。
3.根据权利要求1所述的基于干扰观测器的机器人关节系统控制方法，其特征在于，所述根据所述机器人关节系统的动力学数学模型，建立所述机器人关节系统的干扰观测器，包括：
将所述机器人关节系统的动力学数学模型转换成状态空间方程形式；
基于所述状态空间方程形式，设计所述干扰观测器。
4.根据权利要求3所述的基于干扰观测器的机器人关节系统控制方法，其特征在于，所述将所述机器人关节系统的动力学数学模型转换成状态空间方程形式，包括：
定义x1＝q，
Figure FDA0002954679320000021
所述状态空间方程表达式如下式(3)：
Figure FDA0002954679320000022
Figure FDA0002954679320000023
所述基于所述状态空间方程形式，设计所述干扰观测器，包括：
将干扰观测器设计如下式(4)：
Figure FDA0002954679320000024
其中，
Figure FDA0002954679320000025
是f的估计值；
Figure FDA0002954679320000026
是观测增益矩阵，
Figure FDA0002954679320000027
满足
Figure FDA0002954679320000028
Figure FDA0002954679320000029
为待设计的干扰观测器的非线性函数。
5.根据权利要求4所述的基于干扰观测器的机器人关节系统控制方法，其特征在于，采用干扰观测器后，所述状态空间方程表达式为：
Figure FDA00029546793200000210
其中，τ'为神经网络反演滑模控制率，f'为所述未知扰动信号的不可观测部分。
6.根据权利要求4所述的基于干扰观测器的机器人关节系统控制方法，其特征在于，还包括：
定义辅助参数向量如下式(5)：
Figure FDA00029546793200000211
7.根据权利要求5所述的基于干扰观测器的机器人关节系统控制方法，其特征在于，所述根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似，根据模拟近似得到的近似结果，设计反演滑模控制器，包括：
步骤1：定义李亚普洛夫函数为
Figure FDA00029546793200000212
定义虚拟控制量α1＝c1e1，则
Figure FDA0002954679320000031
则有，
Figure FDA0002954679320000032
Figure FDA0002954679320000033
其中，e1、e2为系统的状态误差，τ'为神经网络反演滑模控制率，qd为机器人关节系统的预设轨迹；
步骤2：对V1求导：
Figure FDA0002954679320000034
当e2＝0时，则
Figure FDA0002954679320000035
步骤3：定义反演滑模控制算法下的Lyapunov函数为
Figure FDA0002954679320000036
滑模函数为s＝k1e1+e2，神经网络逼近非线性函数为
Figure FDA0002954679320000037
其中，
Figure FDA0002954679320000038
为神经网络权值，h为高斯基函数，ε是非线性函数逼近误差；
步骤4：对所述滑模函数s进行求导：
Figure FDA0002954679320000039
步骤5：对V2求导：
Figure FDA0002954679320000041
所述神经网络反演滑模控制率为：
Figure FDA0002954679320000042
其中，η≥εn+fmax'，神经网络权值更新率为
Figure FDA0002954679320000043
γ是正的常数。
8.一种基于干扰观测器的机器人关节系统控制系统，其特征在于，所述系统包括：
建立单元，用于建立机器人关节系统的动力学数学模型；
观测单元，用于根据所述机器人关节系统的动力学数学模型，建立所述机器人关节系统的干扰观测器，对所述机器人关节系统未知扰动信号的可观测部分进行观测以及补偿；
设计单元，用于根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似，并根据模拟近似得到的近似结果，设计反演滑模控制器；
控制单元，用于通过所述反演滑模控制器，控制所述机器人关节系统按照预设输入系数进行运动。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
用于存储所述一个或多个处理器可执行指令的存储器；其中，所述一个或多个处理器被配置为：执行权利要求1-7任一所述的方法。
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由终端的处理器执行时，使得终端能够执行一种基于干扰观测器的机器人关节系统控制方法，所述方法包括：
执行权利要求1-7任一所述的方法。
CN202011434230.0A 2020-12-10 2020-12-10 一种基于干扰观测器的机器人关节系统控制方法及系统 Active CN112207834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011434230.0A CN112207834B (zh) 2020-12-10 2020-12-10 一种基于干扰观测器的机器人关节系统控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011434230.0A CN112207834B (zh) 2020-12-10 2020-12-10 一种基于干扰观测器的机器人关节系统控制方法及系统

Publications (2)

Publication Number Publication Date
CN112207834A CN112207834A (zh) 2021-01-12
CN112207834B true CN112207834B (zh) 2021-05-25

Family

ID=74068003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011434230.0A Active CN112207834B (zh) 2020-12-10 2020-12-10 一种基于干扰观测器的机器人关节系统控制方法及系统

Country Status (1)

Country Link
CN (1) CN112207834B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114200833B (zh) * 2021-11-24 2024-04-12 华中科技大学 一种基于观测器的机器人网络动态区域覆盖的控制方法
CN114253133B (zh) * 2021-12-07 2023-09-01 北京科技大学 基于动态事件触发机制的滑模容错控制方法及装置
CN114200837B (zh) * 2021-12-08 2023-10-10 北京理工大学 一种干扰未知球形机器人的分层滑模控制方法
CN114326392B (zh) * 2021-12-16 2023-07-25 南京信息职业技术学院 双框架飞机蒙皮检测机器人连续切换运动的控制方法
CN115407665B (zh) * 2022-11-02 2023-02-28 北京科技大学 一种基于h∞的机器人关节高效故障估计方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3300625B2 (ja) * 1997-01-27 2002-07-08 ファナック株式会社 ロボットの制御方式
KR101417488B1 (ko) * 2012-12-17 2014-07-08 현대자동차주식회사 착용로봇의 의도토크 추출방법 및 추출시스템
CN104238357A (zh) * 2014-08-21 2014-12-24 南京航空航天大学 一种近空间飞行器的容错滑模控制方法
CN109656132B (zh) * 2018-07-26 2022-01-07 西北工业大学 一种空间机器人有限时间协调控制方法
CN109240092B (zh) * 2018-11-30 2021-09-10 长春工业大学 基于多智能体可重构模块化柔性机械臂轨迹跟踪控制方法

Also Published As

Publication number Publication date
CN112207834A (zh) 2021-01-12

Similar Documents

Publication Publication Date Title
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
CN106773713B (zh) 针对欠驱动海洋航行器的高精度非线性路径跟踪控制方法
Xia et al. Back-stepping sliding mode control for missile systems based on an extended state observer
CN112904728B (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
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
CN111941432A (zh) 一种高性能机械臂人工智能输出反馈控制方法
CN110134018B (zh) 一种水下多足机器人系统的多足协同控制方法
CN107263483B (zh) 二自由度关节机器人轨迹的协调控制方法
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
Yang et al. Dynamics and noncollocated model‐free position control for a space robot with multi‐link flexible manipulators
CN109062040B (zh) 基于系统嵌套优化的预测pid方法
Chaudhary et al. Fractional order fast terminal sliding mode control scheme for tracking control of robot manipulators
CN113219825B (zh) 一种四足机器人单腿轨迹跟踪控制方法及系统
CN116068893A (zh) 一种机械臂自适应分数阶滑模控制方法、设备及介质
CN114434449B (zh) 一种新型粒子群自适应阻抗控制方法及装置
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
CN114384800B (zh) 一种具有输入信号延时的未知非线性系统反推控制方法
Wang et al. A novel prescribed performance controller with unknown dead-zone and impactive disturbance
CN115268475A (zh) 基于有限时间扰动观测器的机器鱼精确地形跟踪控制方法
CN117590754B (zh) 一种机器人系统的智能学习输出调控方法
Hu et al. HIGH-ACCURACY MOTION CONTROL OF A MOTOR SERVO SYSTEM WITH DEAD-ZONE BASED ON A SINGLE HIDDEN LAYER NEURAL NETWORK.
CN112286227B (zh) 基于微分跟踪器和扰动观测器的水下机器人轨迹控制方法及系统
CN112147898B (zh) 一种仅依赖控制方向信息的刚体系统抗扰控制方法及系统
Fu et al. A Dynamic Feedforward Adaptive Controller for Flight Simulator Motion Platforms Using RELS Method
Wen et al. Extended‐state‐observer‐based adaptive robust control of a single‐axis hydraulic shaking table

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