CN112372637B - 低轨卫星空间机械臂自适应阻抗柔顺控制方法、模块及系统 - Google Patents

低轨卫星空间机械臂自适应阻抗柔顺控制方法、模块及系统 Download PDF

Info

Publication number
CN112372637B
CN112372637B CN202011169349.XA CN202011169349A CN112372637B CN 112372637 B CN112372637 B CN 112372637B CN 202011169349 A CN202011169349 A CN 202011169349A CN 112372637 B CN112372637 B CN 112372637B
Authority
CN
China
Prior art keywords
space manipulator
network
neural network
impedance
fuzzy
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
CN202011169349.XA
Other languages
English (en)
Other versions
CN112372637A (zh
Inventor
张�雄
吕银豹
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.)
China Star Network Application Co Ltd
Original Assignee
Dongfanghong Satellite Mobile Communication Co Ltd
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 Dongfanghong Satellite Mobile Communication Co Ltd filed Critical Dongfanghong Satellite Mobile Communication Co Ltd
Priority to CN202011169349.XA priority Critical patent/CN112372637B/zh
Publication of CN112372637A publication Critical patent/CN112372637A/zh
Application granted granted Critical
Publication of CN112372637B publication Critical patent/CN112372637B/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
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
    • B25J13/085—Force or torque sensors
    • 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
    • B25J9/1612—Programme controls characterised by the hand, wrist, grip control
    • 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
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1633—Programme controls characterised by the control loop compliant, force, torque control, e.g. combined with position control
    • 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
    • B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
    • 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
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • 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
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B25J9/1682—Dual arm manipulator; Coordination of several manipulators

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种低轨卫星空间机械臂自适应阻抗柔顺控制方法、控制模块及系统。方法包括：A，将空间机械臂的位置变量初始化为期望位置；B，通过逆运动学将位置变量解算为空间机械臂各关节的控制量，根据控制量控制各关节运动使空间机械臂末端与目标接触；C，获取空间机械臂末端与目标的交互力矩，基于交互力矩获取空间机械臂的位置修正量；D，通过位置修正量对期望位置进行修正获得新的位置变量，返回B。实时检测交互力矩，自适应调节空间机械臂各关节的运动，避免空间机械臂对抓取目标产生过度碰撞，达到对空间机械臂柔顺控制的效果，避免过度碰撞造成系统动量的改变，进而直接影响到整个系统的稳定，避免导致捕获操作失败。

Description

低轨卫星空间机械臂自适应阻抗柔顺控制方法、模块及系统
技术领域
本发明涉及空间机械臂柔顺控制技术领域，特别是涉及一种低轨卫星空间机械臂自适应阻抗柔顺控制方法、控制模块及系统。
背景技术
随着卫星等空间技术的快速发展，卫星维护、捕获、回收或再利用需求不断增加，为了解决这一需求，空间机械臂应运而生。空间机械臂在捕获空间目标过程中需要经过追踪和获取目标阶段、接近目标阶段以及实施抓取阶段。由于空间微重力环境的影响，空间目标的运动状态会由于物体间的碰撞产生很大的改变，进而导致整个抓取操作的失败。为此，在抓取空间目标过程中，为避免对抓取目标产生较大的影响，必须保证空间机械臂的柔顺性。传统的柔顺控制方法多为定参数方式，对于空间机械臂在微重力环境下不太适用；而模糊系统则根据人类模糊思维特点，通过模糊推理解决一些常规难以解决的问题，人工神经网络则通过模拟人脑思维功能，能够通过学习和训练获取知识，将神经网络与模糊推理结合起来，对于改进阻抗控制功能具有非常大的应用优势，更加适合在微重力环境下空间机械臂的柔顺控制。
模糊推理逻辑是一种解释输入向量值的方法，和传统的二值逻辑相比其更加接近于人类的思维和语言，它是根据一组规则将值分配给输出向量。目前模糊推理逻辑主要有Mamdani模糊模型和Takagi－Sugeno模糊模型两种，相较于Mamdani模糊模型，Takagi－Sugeno模糊模型是一种典型的非线性模糊推理系统模型，其不但能够用于模糊控制器，还能够逼近任意的非线性系统。而且因为Takagi－Sugeno模糊模型输出的是清晰值或输入量的线性函数，因此能够更方便的对它进行定量的数学分析，而且不需要经过去模糊化的过程就可以直接驱动控制机构。
空间机械臂的柔顺性主要是指机械臂末端操纵器可以对空间目标产生一定的顺从作用，避免末端操纵器与空间目标之间的过度对抗。目前常用的柔顺控制方法主要有力/位混合控制、阻抗控制、导纳控制以及智能控制，由于在微重力环境下，空间目标在收到碰撞后姿态极易产生剧烈的变化，因此必须能够保证机械臂末端操作器与空间目标之间的接触交互力矩最小，而常规的柔顺控制方法不能根据需求做到自适应调整，因此一种具有学习能力的自适应柔顺控制方法变得更加重要。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种低轨卫星空间机械臂自适应阻抗柔顺控制方法、控制模块及系统。
为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种低轨卫星空间机械臂自适应阻抗柔顺控制方法，包括：步骤A，将空间机械臂的位置变量初始化为期望位置；步骤B，通过逆运动学将位置变量解算为空间机械臂各关节的控制量，根据所述控制量控制各关节运动使空间机械臂末端与目标接触；步骤C，获取空间机械臂末端与目标的交互力矩，基于所述交互力矩获取空间机械臂的位置修正量；步骤D，通过位置修正量对期望位置进行修正获得新的位置变量，返回步骤B。
上述技术方案：本方法检测交互力矩，根据交互力矩大小自适应调节空间机械臂各关节的运动，避免空间机械臂对抓取目标产生过度碰撞，达到对空间机械臂柔顺控制的效果，避免音过度碰撞造成系统动量的改变，进而直接影响到整个系统(追踪卫星与目标体)的稳定，进而避免导致捕获操作失败。
在本发明的一种优选实施方式中，在所述步骤B中，通过逆运动学将位置变量解算为空间机械臂各关节的控制量的具体公式为：
Figure BDA0002744750140000031
其中，[nx ny nz]T、[ox oy oz]T、[ax ay az]T表示空间机械臂末端执行器的三个姿态向量，[px py pz]T表示空间机械臂的位置变量，
Figure BDA0002744750140000032
表示空间机械臂中编号为υ的连杆的变换矩阵，υ＝1,2,3,4,5,6,7。
在本发明的一种优选实施方式中，在所述步骤C中，基于所述交互力矩获取空间机械臂的位置修正量的过程为：将所述交互力矩和期望的最小力矩输入模糊神经网络模型，所述模糊神经网络模型输出阻抗控制参数；基于所述阻抗控制参数和所述交互力矩获得空间机械臂的位置修正量。
上述技术方案：对空间机械臂末端的交互力矩进行实时监测，将交互力矩与期望的接触最小力矩参数一起通过模糊神经网络学习后得到机械臂控制的阻抗控制参数，并基于阻抗控制参数获得位置修正量，实现了根据交互力矩对阻抗控制参数的自适应调整，实现空间机械臂的柔顺性运动，避免对抓取目标的过度碰撞，从而有效保证抓取操作的成功。在本发明的一种优选实施方式中，所述阻抗控制参数包括阻尼参数、刚度参数和惯性参数，所述位置修正量的频域表示为E(s)：
Figure BDA0002744750140000041
其中，F(s)表示交互力矩的频域表示；Bd表示阻尼参数；Kd表示刚度参数；Md表示惯性参数。
上述技术方案：位置修正量与阻抗控制参数呈正比与交互力矩成反比。
在本发明的一种优选实施方式中，所述模糊神经网络模型包括前件网络和后件网络；所述前件网络包括四层，前件网络第一层为输入层，前件网络第二层获取各输入分量所属模糊集合的隶属度函数，前件网络第三层计算每条规则的隶属度，前件网络第四层进行隶属度归一化处理，设总共有r条规则，则第k条规则的隶属度归一化值
Figure BDA0002744750140000042
为：
Figure BDA0002744750140000043
其中，ωk表示第k条规则的隶属度，k∈[1,r]，r为正整数；所述后件网络包括至少一个后件子网络，所述阻抗控制参数包括至少一个子参数，每个后件子网络输出一个子参数，后件子网络包括三层，后件网络第一层为输入层用于接收前件网络输出信息，后件网络第二层为包含m个节点的用于计算每条规则的后件，后件网络第三层是网络输出层，则第λ个后件子网络的输出结果为：
Figure BDA0002744750140000044
其中，j∈[1,m]，r＝m；ykj表示第λ个后件子网络中第k个模糊规则下后件网络第二层的第j个节点输出结果，λ为正整数且小于等于阻抗控制参数包含的子参数个数。
上述技术方案：该模糊神经网络模型实现了两输入三输出的功能，既具有神经网络的学习能力又具有模糊系统的推理和逼近能力，能够得到最优的学习决策结果，获得最优的阻抗控制参数。
在本发明的一种优选实施方式中，所述模糊神经网络包括五层网络，具体为：所述阻抗控制参数包括至少一个子参数，所述模糊神经网络包括至少一个子模糊神经网络，交互力矩和期望的最小力矩分别作为各子模糊神经网络的两个输入信号，每个子模糊神经网络输出一个子参数；子模糊神经网络的具体结构包括：第一层网络对输入信号进行模糊化处理，基于模糊隶属度集合获得隶属度，第一层网络设置有2m个节点，每个输入信号对应m个节点，输入信号输入对应m个节点进行模糊化处理，不同节点设有不同模糊隶属度集合，则第λ个子模糊神经网络中第i个输入信号对应的m个节点中第j个节点的模糊隶属度集合记为
Figure BDA0002744750140000056
j∈[1,m]，m为正整数，λ为正整数且小于等于阻抗控制参数包含的子参数个数，第二层网络用于计算各输入信号与各隶属度的乘积并输出，包含m个节点；第三层网络进行隶属度归一化处理，包含m个节点；第四层网络用于计算每条规则的输出，包含m个节点，第四层网络第k条规则的输出为：
Figure BDA0002744750140000051
其中，
Figure BDA0002744750140000052
表示第k条规则的隶属度归一化值，yj表示第四层网络的j个节点在第k条模糊规则下的输出，
Figure BDA0002744750140000053
分别表示第k条模糊规则的第一模糊规则系数、第二模糊规则系数、…、第n+1模糊规则系数，x1、…、xn分别表示子模糊神经网络的第一个输入信号、…、和第n个输入信号；第五层网络进行求和计算获得子模糊神经网络的总输出，则第λ个子模糊神经网络的总输出
Figure BDA0002744750140000054
为：
Figure BDA0002744750140000055
r＝m。
上述技术方案：该模糊神经网络模型实现了两输入三输出的功能，且具有更为简洁易实施执行的结构，既具有神经网络的学习能力又具有模糊系统的推理和逼近能力，能够得到最优的学习决策结果，获得最优的阻抗控制参数。
在本发明的一种优选实施方式中，模糊神经网络结构在学习过程中，第t次训练误差Et为：
Figure BDA0002744750140000061
其中，yd是第t次训练的实际输出，yr是参考输出；基于误差Et和调整计算表达式对模糊神经网络的输出yλ进行调整并将调整后的输出yλ反馈至下一次训练中，所述调整计算表达式为：
Figure BDA0002744750140000062
其中，pki表示第k个规则在第i个输入信号的误差修正函数，pki(k')表示第k个规则在第i个输入信号的误差修正函数的先验误差修正值，pki(k'+1)表示第k个规则在第i个输入信号的误差修正函数的后验误差修正值，xi表示第i个输入信号；σ是增量步长；ωk表示第k条规则的隶属度。
上述技术方案：在模糊神经网络学习过程中，采用最小二乘法对训练误差进行描述，得到解出数据与实际数据之间误差的最小平方和，并利用该误差数据对输出参数进行优化调整，将输出参数作为一个外部参数反馈调整训练，能够加快训练的速度和精度，明显减少误差数据，得到数据的最优输出结果。
在本发明的一种优选实施方式中，按照如下公式对前件网络中隶属函数Mki、第k条规则的隶属度ωk进行调整：
Figure BDA0002744750140000063
其中，Et表示第t次训练误差，
Figure BDA0002744750140000064
其中，yd是第t次训练的实际输出，yr是参考输出；yλ表示模糊神经网络的第λ个输出；Mki表示第k个规则对第i个输入信号的隶属函数；pki表示第k个规则在第i个输入信号的误差修正函数，pki(k')表示第k个规则在第i个输入信号的误差修正函数的先验误差修正值，pki(k'+1)表示第k个规则在第i个输入信号的误差修正函数的后验误差修正值。
上述技术方案：对模糊神经网络的前件参数进行调整，调整后的数据使得每个模糊规则的权值与每个维数的隶属函数之间存在确定的对应关系，进而使得网络输出的阻抗调整参数能够更加满足机械臂的柔顺性控制要求。
为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了一种低轨卫星空间机械臂自适应阻抗柔顺控制模块，包括位置控制内环和阻抗控制外环；所述位置控制内环上设有逆运动学解算单元、位置控制器、修正单元、期望位置存储单元，所述阻抗控制外环包括模糊神经网络单元、阻抗控制器和最小力矩存储单元；所述模糊神经网络单元的第一输入端与最小力矩存储单元的输出端连接，所述模糊神经网络单元的第二输入端与力矩传感器的输出端连接，模糊神经网络单元的输出端与阻抗控制器的第一输入端连接，力矩传感器的输出端还与阻抗控制器的第二输入端连接，阻抗控制器的输出端与修正单元的第一输入端连接，修正单元的第二输入端与期望位置存储单元的输出端连接，修正单元的输出端与逆运动学解算单元的输入端连接，逆运动学解算单元的输出端与位置控制器的输入端连接，位置控制器的输出端连接空间机械臂关节的控制输入端；所述逆运动学解算单元将空间机械臂的位置变量通过逆运动学解算出空间机械臂各关节的控制量；所述位置控制器根据所述控制量控制各关节运动使空间机械臂末端与目标卫星接触；所述模糊神经网络单元将所述交互力矩和期望的最小力矩输入模糊神经网络模型，所述模糊神经网络模型输出阻抗控制参数；所述阻抗控制器基于所述阻抗控制参数和所述交互力矩获得空间机械臂的位置修正量；所述修正单元通过位置修正量对期望位置进行修正。
上述技术方案：该控制模块实现对阻抗控制参数的自适应调整，达到对空间机械臂柔顺控制的效果，避免空间机械臂对抓取目标产生过度碰撞，造成系统动量的改变，进而直接影响到整个系统(追踪卫星与目标体)的稳定，导致捕获操作失败。
为了实现本发明的上述目的，根据本发明的第三个方面，本发明提供了一种低轨卫星空间机械臂自适应阻抗柔顺控制系统，包括本发明所述的低轨卫星空间机械臂自适应阻抗柔顺控制模块，以及设于空间机械臂末端的力矩传感器，所述力矩传感器与所述低轨卫星空间机械臂自适应阻抗柔顺控制模块连接。
上述技术方案：该系统对机械臂末端的交互力矩进行实时监测，针对空间机械臂在抓取空间目标时的柔顺性控制问题，基于神经网络模糊推理理念结合自适应控制技术，实现对基于位置的阻抗控制参数的动态自适应调整，达到对空间机械臂的柔顺性控制功能。
附图说明
图1是本发明一具体实施方式中低轨卫星空间机械臂自适应阻抗柔顺控制模块的结构示意图；
图2是本发明一具体实施方式中模糊神经网络模型的第一种结构示意图；
图3是本发明一具体实施方式中模糊神经网络模型的第二种结构示意图；附图标记：
1前件网络；11前件网络第一层；12前件网络第二层；13前件网络第三层；14前件网络第四层；2后件网络；21后件网络第一层；22后件网络第二层；23后件网络第三层；31子模糊神经网络的第一层；32子模糊神经网络的第二层；33子模糊神经网络的第三层；34子模糊神经网络的第四层；35子模糊神经网络的第五层。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明公开了一种低轨卫星空间机械臂自适应阻抗柔顺控制方法，包括：
步骤A，将空间机械臂的位置变量初始化为期望位置；
步骤B，通过逆运动学将位置变量解算为空间机械臂各关节的控制量，根据控制量控制各关节运动使空间机械臂末端与目标接触；
步骤C，获取空间机械臂末端与目标的交互力矩，基于交互力矩获取空间机械臂的位置修正量；
步骤D，通过位置修正量对期望位置进行修正获得新的位置变量，返回步骤B。
在本实施方式中，目标优选但不限于为卫星、空间工作站等。
在本实施方式中，基于交互力矩获取空间机械臂的位置修正量的方法优选但不限于查表法、模糊控制法。查表法的过程为：进行多次根据交互力矩调整空间机械臂位置的试验，从中选择试验结果较好的作为基础数据，基于基础数据建立交互力矩与位置修正量的对应关系表，当交互力矩在对应关系表中差找不到时，可通过现有的插值法获得相应的位置修正量。模糊控制法的过程为：对交互力矩进行模糊化，建立模糊规则以及反模糊化规则，模糊控制法为现有技术，在此不再赘述。
在本实施方式中，优选的，在步骤D中，新的位置变量为位置修正量与期望位置之和。
在一种优选实施方式中，在步骤B中，通过逆运动学将位置变量解算为空间机械臂各关节的控制量的具体公式为：
Figure BDA0002744750140000101
其中，[nx ny nz]T、[ox oy oz]T、[ax ay az]T表示空间机械臂末端执行器的三个姿态向量，[px py pz]T表示空间机械臂的位置变量，
Figure BDA0002744750140000102
表示空间机械臂编号为υ的连杆的变换矩阵，υ＝1,2,3,4,5,6,7。空间机械臂各关节的运动具体表现为各关节连杆运动，获得连杆的变换矩阵后，就能控制连杆运动，进而实现空间机械臂各关节向期望位置运动。
在一种优选实施方式中，在步骤C中，基于交互力矩获取空间机械臂的位置修正量的过程为：将交互力矩和期望的最小力矩输入模糊神经网络模型，模糊神经网络模型输出阻抗控制参数；基于阻抗控制参数和交互力矩获得空间机械臂的位置修正量。
在本实施方式中，模糊神经网络模型优选但不限于采用Takagi－Sugeno模糊神经网络模型，可简称为T－S模糊神经网络模型。
在一种优选实施方式中，阻抗控制参数包括阻尼参数、刚度参数和惯性参数，位置修正量的频域表示为E(s)：
Figure BDA0002744750140000111
其中，F(s)表示交互力矩的频域表示；Bd表示阻尼参数；Kd表示刚度参数；Md表示惯性参数。
在一种优选实施方式中，如图2所示，模糊神经网络模型包括前件网络和后件网络；前件网络包括四层，前件网络第一层为输入层，前件网络第二层获取各输入分量所属模糊集合的隶属度函数，前件网络第三层计算每条规则的隶属度，前件网络第四层进行隶属度归一化处理，设总共有r条规则，则第k条规则的隶属度归一化值
Figure BDA0002744750140000112
为：
Figure BDA0002744750140000113
其中，ωk表示第k条规则的隶属度，k∈[1,r]，r为正整数；后件网络包括至少一个后件子网络，阻抗控制参数包括至少一个子参数，每个后件子网络输出一个子参数，后件子网络包括三层，后件网络第一层为输入层用于接收前件网络输出信息，后件网络第二层为包含m个节点的用于计算每条规则的后件，后件网络第三层是网络输出层，则第λ个后件子网络的输出结果为：
Figure BDA0002744750140000114
其中，j∈[1,m]，r＝m；ykj表示第λ个后件子网络中第k个模糊规则下后件网络第二层的第j个节点输出结果，λ为正整数且小于等于阻抗控制参数包含的子参数个数。
在一种优选实施方式中，模糊神经网络包括五层网络，如图3所示，具体为：阻抗控制参数包括至少一个子参数，模糊神经网络包括至少一个子模糊神经网络，交互力矩和期望的最小力矩分别作为各子模糊神经网络的两个输入信号，每个子模糊神经网络输出一个子参数。
子模糊神经网络的具体结构包括：第一层网络对输入信号进行模糊化处理，基于模糊隶属度集合获得隶属度，第一层网络设置有2m个节点，每个输入信号对应m个节点，输入信号输入对应m个节点进行模糊化处理，不同节点设有不同模糊隶属度集合，则在第λ个子模糊神经网络的第一层网络内第i个输入信号对应的m个节点中第j个节点的模糊隶属度集合记为
Figure BDA0002744750140000121
m为正整数，λ为正整数且小于等于阻抗控制参数包含的子参数个数；
第二层网络用于计算各输入信号与各隶属度的乘积并输出，包含m个节点；
第三层网络进行隶属度归一化处理，包含m个节点；
第四层网络用于计算每条规则的输出，包含m个节点，第四层网络第k条规则的输出为：
Figure BDA0002744750140000122
其中，
Figure BDA0002744750140000123
表示第k条规则的隶属度归一化值，yj表示第四层网络的第j个节点在第k条模糊规则下的输出，
Figure BDA0002744750140000124
Figure BDA0002744750140000125
分别表示第k条模糊规则的第一模糊规则系数、第二模糊规则系数、…、第n+1模糊规则系数，x1、…、xn分别表示子模糊神经网络的第一个输入信号、…、和第n个输入信号；在本实施方式中，输入信号有两个，因此n为2；
第五层网络进行求和计算获得子模糊神经网络的总输出，则第λ个子模糊神经网络的总输出
Figure BDA0002744750140000131
为：
Figure BDA0002744750140000132
r＝m。
在本实施方式中，当阻抗控制参数包括阻尼参数、刚度参数和惯性参数3个子参数，模糊神经网络包括3个子模糊神经网络，交互力矩和期望的最小力矩分别作为每个子模糊神经网络的两个输入信号，每个子模糊神经网络输出一个子参数。3个子模糊神经网络的模糊规则选取时满足
Figure BDA0002744750140000133
的收敛性，在训练过程中会学习调整参数。
在一种优选实施方式中，模糊神经网络结构在学习过程中，第t次训练误差Et为：
Figure BDA0002744750140000134
其中，yd是第t次训练的实际输出，yr是参考输出；
基于误差Et和调整计算表达式对模糊神经网络的输出参数yλ进行调整并将调整后的输出参数yλ反馈至下一次训练中，调整计算表达式为：
Figure BDA0002744750140000135
其中，pki表示第k个规则在第i个输入信号的误差修正函数，pki(k)表示第k个规则在第i个输入信号的误差修正函数的先验误差修正值，pki(k+1)表示第k个规则在第i个输入信号的误差修正函数的后验误差修正值，xi表示第i个输入信号；σ是增量步长；ωk表示第k条规则的隶属度。
在一种优选实施方式中，由于每个模糊规则中对应的隶属函数在不同情况下是不一样的，导致每个模糊规则的权值与每个维数的隶属函数之间不存在确定的对应关系，需要对模糊前件的参数进行调整，按照如下公式对前件网络中隶属函数Mki、第k条规则的隶属度ωk进行调整：
Figure BDA0002744750140000141
其中，Et表示第t次训练误差，
Figure BDA0002744750140000142
其中，yd是第t次训练的实际输出，yr是参考输出；yλ表示模糊神经网络的第λ个输出；Mki表示第k个规则对第i个输入信号的隶属函数；pki表示第k个规则在第i个输入信号的误差修正函数，pki(k)表示第k个规则在第i个输入信号的误差修正函数的先验误差修正值，pki(k+1)表示第k个规则在第i个输入信号的误差修正函数的后验误差修正值。
本发明还公开了一种低轨卫星空间机械臂自适应阻抗柔顺控制模块，如图1所示，在一种优选实施方式中，该模块包括位置控制内环和阻抗控制外环；位置控制内环上设有逆运动学解算单元、位置控制器、修正单元、期望位置存储单元，阻抗控制外环包括模糊神经网络单元、阻抗控制器和最小力矩存储单元；模糊神经网络单元的第一输入端与最小力矩存储单元的输出端连接，模糊神经网络单元的第二输入端与力矩传感器的输出端连接，模糊神经网络单元的输出端与阻抗控制器的第一输入端连接，力矩传感器的输出端还与阻抗控制器的第二输入端连接，阻抗控制器的输出端与修正单元的第一输入端连接，修正单元的第二输入端与期望位置存储单元的输出端连接，修正单元的输出端与逆运动学解算单元的输入端连接，逆运动学解算单元的输出端与位置控制器的输入端连接，位置控制器的输出端连接空间机械臂关节的控制输入端；逆运动学解算单元将空间机械臂的位置变量通过逆运动学解算出空间机械臂各关节的控制量；位置控制器根据控制量控制各关节运动使空间机械臂末端与目标卫星接触；模糊神经网络单元将交互力矩和期望的最小力矩输入模糊神经网络模型，模糊神经网络模型输出阻抗控制参数；阻抗控制器基于阻抗控制参数和交互力矩获得空间机械臂的位置修正量；修正单元通过位置修正量对期望位置进行修正。
在本实施方式中，通过空间机械臂末端与目标卫星之间的相互作用力，即交互力矩，利用阻抗控制模型将力信息转化为末端的位置修正量，并将规划位置以及位置修正量输入到内环控制器之中。
本发明还公开了一种低轨卫星空间机械臂自适应阻抗柔顺控制系统，在一种优选实施方式中，系统包括上述低轨卫星空间机械臂自适应阻抗柔顺控制模块，以及设于空间机械臂末端的力矩传感器，力矩传感器与低轨卫星空间机械臂自适应阻抗柔顺控制模块连接。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.一种低轨卫星空间机械臂自适应阻抗柔顺控制方法，其特征在于，包括：
步骤A，将空间机械臂的位置变量初始化为期望位置；
步骤B，通过逆运动学将位置变量解算为空间机械臂各关节的控制量，根据所述控制量控制各关节运动使空间机械臂末端与目标接触；
步骤C，获取空间机械臂末端与目标的交互力矩，基于所述交互力矩获取空间机械臂的位置修正量，将所述交互力矩和期望的最小力矩输入模糊神经网络模型，所述模糊神经网络模型输出阻抗控制参数；基于所述阻抗控制参数和所述交互力矩获得空间机械臂的位置修正量；
所述阻抗控制参数包括至少一个子参数，所述模糊神经网络包括至少一个子模糊神经网络，交互力矩和期望的最小力矩分别作为各子模糊神经网络的两个输入信号，每个子模糊神经网络输出一个子参数；
子模糊神经网络的具体结构包括：
第一层网络对输入信号进行模糊化处理，基于模糊隶属度集合获得隶属度，第一层网络设置有2m个节点，每个输入信号对应m个节点，输入信号输入对应的m个节点进行模糊化处理，不同节点设有不同模糊隶属度集合，则第λ个子模糊神经网络中第i个输入信号对应的m个节点中第j个节点的模糊隶属度集合记为
Figure FDA0003559250960000011
m为正整数，λ为正整数且小于等于阻抗控制参数包含的子参数个数；
第二层网络用于计算各输入信号与各隶属度的乘积并输出，包含m个节点；
第三层网络进行隶属度归一化处理，包含m个节点；
第四层网络用于计算每条规则的输出，包含m个节点，第四层网络第k条规则的输出为：
Figure FDA0003559250960000021
其中，
Figure FDA0003559250960000022
表示第k条规则的隶属度归一化值，yj表示第四层网络的j个节点在第k条模糊规则下的输出，
Figure FDA0003559250960000023
Figure FDA0003559250960000024
分别表示第k条模糊规则的第一模糊规则系数、第二模糊规则系数、…、第n+1模糊规则系数，x1、…、xn分别表示子模糊神经网络的第一个输入信号、…、和第n个输入信号；
第五层网络进行求和计算获得子模糊神经网络的总输出，则第λ个子模糊神经网络的总输出
Figure FDA0003559250960000025
为：
Figure FDA0003559250960000026
步骤D，通过位置修正量对期望位置进行修正获得新的位置变量，返回步骤B；
所述阻抗控制参数包括阻尼参数、刚度参数和惯性参数，所述位置修正量的频域表示为E(s)：
Figure FDA0003559250960000027
其中，F(s)表示交互力矩的频域表示；Bd表示阻尼参数；Kd表示刚度参数；Md表示惯性参数。
2.如权利要求1所述的低轨卫星空间机械臂自适应阻抗柔顺控制方法，其特征在于，在所述步骤B中，通过逆运动学将位置变量解算为空间机械臂各关节的控制量的具体公式为：
Figure FDA0003559250960000028
其中，[nx ny nz]T、[ox oy oz]T、[ax ay az]T表示空间机械臂末端执行器的三个姿态向量，[px py pz]T表示空间机械臂的位置变量，
Figure FDA0003559250960000031
表示空间机械臂编号为υ的连杆的变换矩阵，所述υ＝1,2,3,4,5,6,7。
3.如权利要求1所述的低轨卫星空间机械臂自适应阻抗柔顺控制方法，其特征在于，所述模糊神经网络模型包括前件网络和后件网络；
所述前件网络包括四层，前件网络第一层为输入层，前件网络第二层获取各输入分量所属模糊集合的隶属度函数，前件网络第三层计算每条规则的隶属度，前件网络第四层进行隶属度归一化处理，设总共有r条规则，则第k条规则的隶属度归一化值
Figure FDA0003559250960000032
为：
Figure FDA0003559250960000033
其中，ωk表示第k条规则的隶属度，k∈[1,r]，r为正整数；
所述后件网络包括至少一个后件子网络，所述阻抗控制参数包括至少一个子参数，每个后件子网络输出一个子参数，后件子网络包括三层，后件网络第一层为输入层用于接收前件网络输出信息，后件网络第二层为包含m个节点的用于计算每条规则的后件，后件网络第三层是网络输出层，则第λ个后件子网络的输出结果为：
Figure FDA0003559250960000034
其中，j∈[1,m]，r＝m；ykj表示第λ个后件子网络中第k个模糊规则下后件网络第二层的第j个节点输出结果，λ为正整数且小于等于阻抗控制参数包含的子参数个数。
4.如权利要求1所述的低轨卫星空间机械臂自适应阻抗柔顺控制方法，其特征在于，模糊神经网络结构在学习过程中，第t次训练误差Et为：
Figure FDA0003559250960000035
其中，yd是第t次训练的实际输出，yr是参考输出；
基于误差Et和调整计算表达式对模糊神经网络的输出yλ进行调整并将调整后的输出yλ反馈至下一次训练中，所述调整计算表达式为：
Figure FDA0003559250960000041
其中，pki表示第k个规则在第i个输入信号的误差修正函数，pki(k)表示第k个规则在第i个输入信号的误差修正函数的先验误差修正值，pki(k+1)表示第k个规则在第i个输入信号的误差修正函数的后验误差修正值，xi表示第i个输入信号；σ是增量步长；ωk表示第k条规则的隶属度。
5.如权利要求3所述的低轨卫星空间机械臂自适应阻抗柔顺控制方法，其特征在于，按照如下公式对前件网络中隶属函数Mki、第k条规则的隶属度ωk进行调整：
Figure FDA0003559250960000042
其中，Et表示第t次训练误差，
Figure FDA0003559250960000043
其中，yd是第t次训练的实际输出，yr是参考输出；yλ表示模糊神经网络的第λ个输出；Mki表示第k个规则对第i个输入信号的隶属函数；pki表示第k个规则在第i个输入信号的误差修正函数，pki(k)表示第k个规则在第i个输入信号的误差修正函数的先验误差修正值，pki(k+1)表示第k个规则在第i个输入信号的误差修正函数的后验误差修正值。
6.一种利用权利要求1-5之一所述低轨卫星空间机械臂自适应阻抗柔顺控制方法的低轨卫星空间机械臂自适应阻抗柔顺控制模块，其特征在于，包括位置控制内环和阻抗控制外环；
所述位置控制内环上设有逆运动学解算单元、位置控制器、修正单元、期望位置存储单元，所述阻抗控制外环包括模糊神经网络单元、阻抗控制器和最小力矩存储单元；
所述模糊神经网络单元的第一输入端与最小力矩存储单元的输出端连接，所述模糊神经网络单元的第二输入端与力矩传感器的输出端连接，模糊神经网络单元的输出端与阻抗控制器的第一输入端连接，力矩传感器的输出端还与阻抗控制器的第二输入端连接，阻抗控制器的输出端与修正单元的第一输入端连接，修正单元的第二输入端与期望位置存储单元的输出端连接，修正单元的输出端与逆运动学解算单元的输入端连接，逆运动学解算单元的输出端与位置控制器的输入端连接，位置控制器的输出端连接空间机械臂关节的控制输入端；
所述逆运动学解算单元将空间机械臂的位置变量通过逆运动学解算出空间机械臂各关节的控制量；
所述位置控制器根据所述控制量控制各关节运动使空间机械臂末端与目标卫星接触；
所述模糊神经网络单元将所述交互力矩和期望的最小力矩输入模糊神经网络模型，所述模糊神经网络模型输出阻抗控制参数；
所述阻抗控制器基于所述阻抗控制参数和所述交互力矩获得空间机械臂的位置修正量；
所述修正单元通过位置修正量对期望位置进行修正。
7.一种低轨卫星空间机械臂自适应阻抗柔顺控制系统，其特征在于，包括权利要求6所述的低轨卫星空间机械臂自适应阻抗柔顺控制模块，以及设于空间机械臂末端的力矩传感器，所述力矩传感器与所述低轨卫星空间机械臂自适应阻抗柔顺控制模块连接。
CN202011169349.XA 2020-10-27 2020-10-27 低轨卫星空间机械臂自适应阻抗柔顺控制方法、模块及系统 Active CN112372637B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011169349.XA CN112372637B (zh) 2020-10-27 2020-10-27 低轨卫星空间机械臂自适应阻抗柔顺控制方法、模块及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011169349.XA CN112372637B (zh) 2020-10-27 2020-10-27 低轨卫星空间机械臂自适应阻抗柔顺控制方法、模块及系统

Publications (2)

Publication Number Publication Date
CN112372637A CN112372637A (zh) 2021-02-19
CN112372637B true CN112372637B (zh) 2022-05-06

Family

ID=74576728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011169349.XA Active CN112372637B (zh) 2020-10-27 2020-10-27 低轨卫星空间机械臂自适应阻抗柔顺控制方法、模块及系统

Country Status (1)

Country Link
CN (1) CN112372637B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114789432B (zh) * 2022-03-31 2023-08-29 西安交通大学 一种面向建筑板材安装的双臂机器人力位混合控制方法
CN117182929B (zh) * 2023-11-06 2024-01-23 北京控制工程研究所 一种双臂机器人在轨装配的柔顺控制方法及装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014006566A (ja) * 2012-06-21 2014-01-16 Institute Of National Colleges Of Technology Japan 組み込み知能コントローラ、制御システム、制御プログラム、記録媒体、及び制御方法
CN105583824A (zh) * 2016-01-26 2016-05-18 清华大学 力控牵引和摆位的多自由度机械臂控制装置及其控制方法
CN106891335A (zh) * 2017-03-23 2017-06-27 北京空间飞行器总体设计部 一种空间机器人在轨抓捕过程的柔顺与协调控制方法
CN107015476A (zh) * 2017-03-28 2017-08-04 哈尔滨理工大学 一种对电液伺服系统的位置和力信号的协同控制方法
CN108284442A (zh) * 2017-01-24 2018-07-17 中国北方车辆研究所 一种基于模糊神经网络的机械臂柔性关节控制方法
CN109210037A (zh) * 2018-10-22 2019-01-15 燕山大学 一种针对液压驱动单元基于位置的阻抗控制方法及系统
CN110609566A (zh) * 2019-09-04 2019-12-24 北京控制工程研究所 一种针对空间非合作目标抓捕的稳定控制方法及系统
CN111268182A (zh) * 2020-02-11 2020-06-12 西北工业大学 空间双臂机器人约束柔顺稳定控制方法
CN111290269A (zh) * 2020-02-11 2020-06-16 西北工业大学深圳研究院 一种空间机器人的自适应柔顺稳定控制方法
CN111618858A (zh) * 2020-06-02 2020-09-04 台州学院 一种基于自适应模糊滑模的机械手鲁棒跟踪控制算法
CN111730599A (zh) * 2020-07-08 2020-10-02 深圳市优必选科技股份有限公司 阻抗控制方法、装置、阻抗控制器和机器人
CN111783250A (zh) * 2020-07-03 2020-10-16 上海航天控制技术研究所 柔性机器人末端抵达控制方法、电子设备和存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5966372B2 (ja) * 2012-01-17 2016-08-10 セイコーエプソン株式会社 ロボット制御装置、ロボットシステム、ロボット制御方法及びロボット
US8903654B2 (en) * 2012-06-20 2014-12-02 Raytheon Company Non-causal attitude estimation for real-time motion compensation of sensed images on a moving platform
US10555865B2 (en) * 2016-05-25 2020-02-11 Carnegie Mellon University Torque control methods for an exoskeleton device
CN106707751B (zh) * 2016-12-20 2019-05-17 哈尔滨工业大学 航天器终端接近的有限时间饱和避碰控制方法
CN112703457A (zh) * 2018-05-07 2021-04-23 强力物联网投资组合2016有限公司 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统
CN109465825B (zh) * 2018-11-09 2021-12-10 广东工业大学 机械臂柔性关节的rbf神经网络自适应动态面控制方法
CN109702740B (zh) * 2018-12-14 2020-12-04 中国科学院深圳先进技术研究院 机器人柔顺性控制方法、装置、设备及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014006566A (ja) * 2012-06-21 2014-01-16 Institute Of National Colleges Of Technology Japan 組み込み知能コントローラ、制御システム、制御プログラム、記録媒体、及び制御方法
CN105583824A (zh) * 2016-01-26 2016-05-18 清华大学 力控牵引和摆位的多自由度机械臂控制装置及其控制方法
CN108284442A (zh) * 2017-01-24 2018-07-17 中国北方车辆研究所 一种基于模糊神经网络的机械臂柔性关节控制方法
CN106891335A (zh) * 2017-03-23 2017-06-27 北京空间飞行器总体设计部 一种空间机器人在轨抓捕过程的柔顺与协调控制方法
CN107015476A (zh) * 2017-03-28 2017-08-04 哈尔滨理工大学 一种对电液伺服系统的位置和力信号的协同控制方法
CN109210037A (zh) * 2018-10-22 2019-01-15 燕山大学 一种针对液压驱动单元基于位置的阻抗控制方法及系统
CN110609566A (zh) * 2019-09-04 2019-12-24 北京控制工程研究所 一种针对空间非合作目标抓捕的稳定控制方法及系统
CN111268182A (zh) * 2020-02-11 2020-06-12 西北工业大学 空间双臂机器人约束柔顺稳定控制方法
CN111290269A (zh) * 2020-02-11 2020-06-16 西北工业大学深圳研究院 一种空间机器人的自适应柔顺稳定控制方法
CN111618858A (zh) * 2020-06-02 2020-09-04 台州学院 一种基于自适应模糊滑模的机械手鲁棒跟踪控制算法
CN111783250A (zh) * 2020-07-03 2020-10-16 上海航天控制技术研究所 柔性机器人末端抵达控制方法、电子设备和存储介质
CN111730599A (zh) * 2020-07-08 2020-10-02 深圳市优必选科技股份有限公司 阻抗控制方法、装置、阻抗控制器和机器人

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multi-Rate Tracking Control for a Space Robot on a Controlled Satellite;Marco De Stefano,Hrishik Mishra;《IEEE Robotics and Automation Letters》;20190125;第4卷(第2期);全文 *
空间柔性机械臂接触操作动力学分析及阻抗控制策略研究;任珊珊;《中国优秀硕士学位论文全文数据库信息科技辑》;20180315(第3期);全文 *

Also Published As

Publication number Publication date
CN112372637A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
Kwan et al. Robust neural-network control of rigid-link electrically driven robots
CN112372637B (zh) 低轨卫星空间机械臂自适应阻抗柔顺控制方法、模块及系统
Chen et al. Adaptive control of nonlinear systems using neural networks
Yoo et al. Stable predictive control of chaotic systems using self-recurrent wavelet neural network
Fritzke Incremental learning of local linear mappings
CN108303880B (zh) 一种基于时延补偿的机器人遥操作预测控制方法
Yazdizadeh et al. Identification of a two-link flexible manipulator using adaptive time delay neural networks
Jung et al. A new neural network control technique for robot manipulators
Morris et al. Finding the inverse kinematics of manipulator arm using artificial neural network with lookup table
CN113342010A (zh) 一种自触发通信的水下滑翔机协同控制系统
JP3515267B2 (ja) 多層神経回路網学習装置
Tzafestas Neural networks in robotics: state of the art
Yildirim Design of adaptive robot control system using recurrent neural network
Teshnehlab et al. Neural network controller with flexible structure based on feedback-error-learning approach
KR100220180B1 (ko) 반복학습 제어 방법 및 그 장치
JP2669626B2 (ja) ロボット制御方式
Abdollahi et al. A stable neural network-based identification scheme for nonlinear systems
Rao et al. A Muti-Functional Dynamic Neural Processor for Control Applications
Ng et al. The generalized back-propagation algorithm with convergence analysis
CN115648227B (zh) 一种机器人运动轨迹神经网络模糊控制优化方法
Shibata et al. Nonlinear backlash compensation using recurrent neural network. Unsupervised learning by genetic algorithm
Kwan et al. ROBUST NEURAL NETWORK CONTROL OF RIGID LINK FLEXIBLE‐JOINT ROBOTS
Li et al. Model predictive control for constrained robot manipulator visual servoing tuned by reinforcement learning
Wen et al. Hybrid force and position control of robotic manipulators using passivity backstepping neural networks
Rauch et al. Neutral networks for control, identification and diagnosis

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 401123 39-1, Building 1, No. 64, Middle Huangshan Avenue, Yubei District, Chongqing

Patentee after: China Star Network Application Co.,Ltd.

Address before: 618 Liangjiang Avenue, Longxing Town, Yubei District, Chongqing

Patentee before: Dongfanghong Satellite Mobile Communication Co.,Ltd.