CN112213949B - 基于鲁棒自适应的机器人关节系统跟踪控制方法 - Google Patents
基于鲁棒自适应的机器人关节系统跟踪控制方法 Download PDFInfo
- Publication number
- CN112213949B CN112213949B CN202011291749.8A CN202011291749A CN112213949B CN 112213949 B CN112213949 B CN 112213949B CN 202011291749 A CN202011291749 A CN 202011291749A CN 112213949 B CN112213949 B CN 112213949B
- Authority
- CN
- China
- Prior art keywords
- robot joint
- representing
- joint system
- robot
- controller
- 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
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
Description
技术领域
本发明涉及高度非线性的,受外界干扰和不确定性影响的机器人关节系统控制技术领域,特别涉及刚臂机器人的关节位置跟踪控制。
背景技术
随着社会科学技术的不断进步,智能机器人所起的作用越来越重要,其能在很多复杂情况下代替人类完成各种任务。
而人们对机器人系统性能的改进从未停止研究的脚步,机器人系统要想更加的灵巧、更加的自适应,就必须实现结构更加简单、更加专用和更加强大的控制算法。
早期对机器人关节系统控制方案发展的贡献包括完全或部分建立在带有前馈补偿和非线性反馈技术的系统模型上的。但一般来说,机器人关节系统本质上是高度非线性的,受外界干扰和不确定性影响,很难精确地得到相应的动态模型。
发明内容
有鉴于此,本发明的目的一种基于鲁棒自适应的机器人关节系统跟踪控制方法,以解决具有衰落和驱动饱和问题的机器人关节系统的关节跟踪控制问题,实现较理想的跟踪控制。
本发明基于鲁棒自适应的机器人关节系统跟踪控制方法包括以下步骤:
1)建立机器人关节系统的模型:
上述模型中,q代表机器人关节的位置向量,代表机器人关节的速度向量,代表机器人关节运动的加速度向量,ua代表机器人关节系统的控制输入,系统参数Dq(q)代表机器人关节系统的惯性矩阵,系统参数代表机器人关节系统的离心矩阵,系统参数Gq(q)代表机器人关节系统的万有引力矩阵,系统参数代表机器人关节系统的不确定性和干扰因素;
2)建立机器人关节系统在同时考虑驱动故障和执行器饱和情况下的状态空间表达和误差定义:
ua(t)=ρ(t)[Γ(0)+L(ξ)v+ε(v)]+ε(t)
=ρ(t)L(ξ)v+[ρ(t)Γ(0)+ρ(t)ε(v)+ε(t)]
e=x1-q*
上式中,ua(t)代表同时考虑驱动故障和执行器饱和的系统控制输入信号,Γ(0)+L(ξ)v+ε(v)代表执行器饱和情况下的控制信号,其中,v代表系统实际的控制器设计量,Γ(0)+L(ξ)v表示根据v的中值定理提出的一个平滑函数,Γ(0)是一个有界矩阵,L(ξ)是一个非负的正定矩阵,ε(v)是一个有界的近似误差,代表控制器的不确定因素;ρ(t)代表驱动器的健康系数,ε(t)代表驱动器的扰动因素;e为e(·)的简写形式,e和e(·)代表系统动态误差,代表系统动态误差的二阶导,其中,x1=q代表机器人关节的运动轨迹,代表机器人关节运动的加速度,q*表示给定关节跟踪轨迹;表示给定关节跟踪的加速度,
3)设计机器人关节系统PID控制器和更新算法:
设计鲁棒自适应算法来自动更新控制器参数,该更新率为:
4)采用步骤3)所设计的机器人关节系统PID控制器和更新算法控制机器人关节的运动轨迹。
本发明的有益效果:
本发明基于鲁棒自适应的机器人关节系统跟踪控制方法,其针对具有衰落和驱动饱和的机器人关节系统,设计了基于鲁棒自适应控制的跟踪控制算法,该算法为简单的PID形式,具有复杂度低的优点该,且其能够同时解决:关节系统中的驱动饱和和耦合效应,处理参数和非参数不确定性,系统运行时的执行故障处理,对非消失干扰进行补偿等技术问题。同时,本发明基于鲁棒自适应的机器人关节系统跟踪控制方法不仅对外部干扰具有鲁棒性,对非参数不确定性具有自适应能力,而且对不可预测的驱动故障具有容错能力。
附图说明
图1是机器人关节模型图;
图2是采用实施例中控制方法进行仿真控制的机器人关节位置跟踪曲线,图中e1,e2,e3分别为机器人三个关节运动的轨迹误差。
具体实施方式
下面结合附图和实施例对本发明作进一步描述,以令本领域技术人员参照说明书文字能够据以实施。
本实施例中基于鲁棒自适应的机器人关节系统跟踪控制方法包括以下步骤:
1)建立机器人关节系统的模型:
上述模型中,q代表机器人关节的位置向量,代表机器人关节的速度向量,代表机器人关节动作的加速度向量,ua代表机器人关节系统的控制输入,系统参数Dq(q)代表机器人关节系统的惯性矩阵,系统参数代表机器人关节系统的离心矩阵,系统参数Gq(q)代表机器人关节系统的万有引力矩阵,系统参数代表机器人关节系统的不确定性和干扰因素。
2)建立机器人关节系统在同时考虑驱动故障和执行器饱和情况下的状态空间表达和误差定义:
ua(t)=ρ(t)[Γ(0)+L(ξ)v+ε(v)]+ε(t)
=ρ(t)L(ξ)v+[ρ(t)Γ(0)+ρ(t)ε(v)+ε(t)]
e=x1-q*
上式中,ua(t)代表同时考虑驱动故障和执行器饱和的系统控制输入信号,Γ(0)+L(ξ)v+ε(v)代表执行器饱和情况下的控制信号,其中,v代表系统实际的控制器设计量,Γ(0)+L(ξ)v表示根据v的中值定理提出的一个平滑函数,Γ(0)是一个有界矩阵,L(ξ)是一个非负的正定矩阵,ε(v)是一个有界的近似误差,代表控制器的不确定因素;ρ(t)代表驱动器的健康系数,ε(t)代表驱动器的扰动因素;e为e(·)的简写形式,e和e(·)代表系统动态误差,代表系统动态误差的二阶导,其中,x1=q代表机器人关节的运动轨迹,代表机器人关节运动的加速度,q*表示给定关节跟踪轨迹;表示给定关节跟踪的加速度,系统集中的非线性和不确定性因素可以由常数和标量实值函数的乘积上界确定,从而得到鲁棒自适应控制方案。
3)设计机器人关节系统PID控制器和更新算法:
设计鲁棒自适应算法来自动更新控制器参数,该更新率为:
4)采用步骤3)所设计的机器人关节系统PID控制器和更新算法控制机器人关节的运动轨迹。
下面对本实施例中所设计的PID控制器及更新算法的推导过程进行详细说明。
假设一个广义误差E来简化PID控制器的稳定性分析,从而有
其中,J(x1,t)=ρ(t)L(ξ),
系统集中的非线性和不确定性因素可以由常数和标量实值函数的乘积上界确定,即
为了简化控制设计和稳定性分析,定义函数:
因此,设计鲁棒自适应算法来自动更新控制器参数,该更新率为
基于以上控制器的设计与更新率的选择,通过选择李雅普诺夫函数对所设计的控制器进行相应的验证分析,能证明得到在所设计的控制器的作用下,机器人关节系统内部所有信号最终都收敛到全局范围内,可确保系统的跟踪误差有界,全局一致且有界。
本实施例中基于鲁棒自适应的机器人关节系统的跟踪控制算法,可同时满足在驱动故障和驱动饱和的情况下保证系统能够完美跟踪理想轨迹,实现跟踪误差有界。与传统的PID控制器相比,该控制器结构相对简单,能够较好的处理关节系统中的驱动饱和和耦合效应,处理参数和非参数不确定性,以及系统运行过程中的执行故障的问题,另外也可对非消失干扰进行补偿,大大降低了以往控制算法的复杂度。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.基于鲁棒自适应的机器人关节系统跟踪控制方法,包括步骤:
1)建立机器人关节系统的模型:
上述模型中,q代表机器人关节的位置向量,代表机器人关节的速度向量,代表机器人关节运动的加速度向量,ua代表机器人关节系统的控制输入,系统参数Dq(q)代表机器人关节系统的惯性矩阵,系统参数代表机器人关节系统的离心矩阵,系统参数Gq(q)代表机器人关节系统的万有引力矩阵,系统参数代表机器人关节系统的不确定性和干扰因素;
其特征在于:还包括步骤:
2)建立机器人关节系统在同时考虑驱动故障和执行器饱和情况下的状态空间表达和误差定义:
ua(t)=ρ(t)[Γ(0)+L(ξ)v+ε(v)]+ε(t)
=ρ(t)L(ξ)v+[ρ(t)Γ(0)+ρ(t)ε(v)+ε(t)]
e=x1-q*
上式中,ua(t)代表同时考虑驱动故障和执行器饱和的系统控制输入信号,Γ(0)+L(ξ)v+ε(v)代表执行器饱和情况下的控制信号,其中,v代表系统实际的控制器设计量,Γ(0)+L(ξ)v表示根据v的中值定理提出的一个平滑函数,Γ(0)是一个有界矩阵,L(ξ)是一个非负的正定矩阵,ε(v)是一个有界的近似误差,代表控制器的不确定因素;ρ(t)代表驱动器的健康系数,ε(t)代表驱动器的扰动因素;e为e(·)的简写形式,e和e(·)代表系统动态误差,代表系统动态误差的二阶导,其中,x1=q代表机器人关节的运动轨迹,代表机器人关节运动的加速度,q*表示给定关节跟踪轨迹;表示给定关节跟踪的加速度,
3)设计机器人关节系统PID控制器和更新算法:
其中γ是设计者设计的一个参数,kD0是设计者自行选择设计的一个常量;设计鲁棒自适应算法来自动更新控制器参数,该更新率为:
4)采用步骤3)所设计的机器人关节系统PID控制器和更新算法控制机器人关节的运动轨迹。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291749.8A CN112213949B (zh) | 2020-11-18 | 2020-11-18 | 基于鲁棒自适应的机器人关节系统跟踪控制方法 |
US17/210,688 US11772264B2 (en) | 2020-11-18 | 2021-03-24 | Neural network adaptive tracking control method for joint robots |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291749.8A CN112213949B (zh) | 2020-11-18 | 2020-11-18 | 基于鲁棒自适应的机器人关节系统跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112213949A CN112213949A (zh) | 2021-01-12 |
CN112213949B true CN112213949B (zh) | 2022-05-17 |
Family
ID=74067868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011291749.8A Active CN112213949B (zh) | 2020-11-18 | 2020-11-18 | 基于鲁棒自适应的机器人关节系统跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112213949B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103901776A (zh) * | 2014-04-04 | 2014-07-02 | 哈尔滨工程大学 | 一种工业机械手抗干扰鲁棒自适应pid控制方法 |
CN108326857A (zh) * | 2018-03-20 | 2018-07-27 | 迪比(重庆)智能科技研究院有限公司 | 基于鲁棒自适应控制算法的书法及雕刻机器人控制方法 |
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 |
-
2020
- 2020-11-18 CN CN202011291749.8A patent/CN112213949B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103901776A (zh) * | 2014-04-04 | 2014-07-02 | 哈尔滨工程大学 | 一种工业机械手抗干扰鲁棒自适应pid控制方法 |
CN108326857A (zh) * | 2018-03-20 | 2018-07-27 | 迪比(重庆)智能科技研究院有限公司 | 基于鲁棒自适应控制算法的书法及雕刻机器人控制方法 |
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 |
Non-Patent Citations (2)
Title |
---|
Tracking Control for a Class of Unknown Nonsquare MIMO Nonafffine Systems: A Deep-Rooted Information Bsed Robust Adaptive Approach;Yongduan Song;《IEEE Transactions on Automatic Control》;20151217;第61卷(第10期);第1-6页 * |
基于PID与鲁棒自适应相结合的遥操作手术机器人控制算法研究;李建华;《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》;20200215;第50-54页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112213949A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112454359B (zh) | 基于神经网络自适应的机器人关节跟踪控制方法 | |
US11772264B2 (en) | Neural network adaptive tracking control method for joint robots | |
CN109465825B (zh) | 机械臂柔性关节的rbf神经网络自适应动态面控制方法 | |
CN105773623B (zh) | 基于预测型间接迭代学习的scara机器人轨迹跟踪控制方法 | |
CN107160398B (zh) | 基于确定学习的全状态受限刚性机械臂安全可靠控制方法 | |
CN107263481B (zh) | 一种多自由度机器人的类脑学习控制方法 | |
CN114102600B (zh) | 一种多空间融合的人机技能迁移与参数补偿方法及系统 | |
Hwang et al. | Learning to adjust and refine gait patterns for a biped robot | |
CN114047697B (zh) | 一种基于深度强化学习的四足机器人平衡倒立摆控制方法 | |
Erbatur et al. | Use of adaptive fuzzy systems in parameter tuning of sliding-mode controllers | |
JPH02136904A (ja) | 動作系列自己生成機能を持つ運動制御装置 | |
Liu et al. | Modeling and control of robotic manipulators based on artificial neural networks: a review | |
Jankowski et al. | From key positions to optimal basis functions for probabilistic adaptive control | |
CN112213949B (zh) | 基于鲁棒自适应的机器人关节系统跟踪控制方法 | |
CN113043266B (zh) | 一种基于迭代学习的自适应力跟踪控制方法 | |
CN116604532A (zh) | 一种上肢康复机器人智能控制方法 | |
CN107894709A (zh) | 基于自适应评价网络冗余机器人视觉伺服控制 | |
Deng et al. | Sparse online Gaussian process impedance learning for multi-DoF robotic arms | |
Stulp et al. | Reinforcement learning of impedance control in stochastic force fields | |
Dong et al. | A dmp-based online adaptive stiffness adjustment method | |
CN113352320B (zh) | 一种基于Q学习的Baxter机械臂智能优化控制方法 | |
CN112987770B (zh) | 两栖仿蟹多足机器人步行足抗饱和有限时间运动控制方法 | |
Lin et al. | Learning Near-global-optimal Strategies for Hybrid Non-convex Model Predictive Control of Single Rigid Body Locomotion | |
Luksch et al. | A dynamical systems approach to adaptive sequencing of movement primitives | |
CN114397810A (zh) | 基于自适应虚拟模型控制的四足机器人运动控制方法 |
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 |