CN112433475A - 基于scn系统偏移量辨识的坐垫机器人限时学习控制方法 - Google Patents
基于scn系统偏移量辨识的坐垫机器人限时学习控制方法 Download PDFInfo
- Publication number
- CN112433475A CN112433475A CN202011363081.3A CN202011363081A CN112433475A CN 112433475 A CN112433475 A CN 112433475A CN 202011363081 A CN202011363081 A CN 202011363081A CN 112433475 A CN112433475 A CN 112433475A
- Authority
- CN
- China
- Prior art keywords
- offset
- learning
- time
- robot
- cushion robot
- 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.)
- Granted
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)
- Manipulator (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于随机配置网络(Stochastic Configuration Networks,SCN)系统偏移量辨识的坐垫机器人限时学习控制方法,其特征为:基于坐垫机器人的动力学模型,将使用者引起系统的偏移量从模型中分离,建立具有系统偏移量的坐垫机器人动力学模型;基于SCN方法构建系统偏移量的网络辨识模型,以运动轨迹和速度为网络输入,通过不断随机配置隐含层节点参数,获得坐垫机器人系统的偏移量;基于迭代学习理论,设计限时学习跟踪控制器,抑制系统偏移量对坐垫机器人跟踪精度的影响,同时在有限学习时间内实现稳定的轨迹跟踪;基于MSP340系列单片机将输出PWM信号提供给电机驱动模块。
Description
技术领域:
本发明涉及坐垫机器人的控制领域,尤其是限时学习控制领域。
背景技术:
由于高龄人口和下肢残疾者无法完成日常独立生活,给家庭照顾人员和社会带来沉重负担,坐垫机器人可以代替下肢残疾者的步行功能,帮助残疾者完成日常生活动作,因此受到研究者的广泛关注。残疾者操作各种生活动作过程中,会使系统发生偏移,严重影响坐垫机器人的跟踪运动,甚至产生较大的跟踪误差碰撞周围物体,威胁残疾者的安全。因此,解决坐垫机器人系统偏移问题对提高跟踪精度和安全性具有重要意义。
关于坐垫机器人跟踪控制已有许多研究成果,然而这些成果都忽略了机器人跟踪运动具有重复性的特点,导致跟踪精度不理想。事实上随着重复学习次数的增加,系统跟踪精度逐渐提高,最终会使跟踪误差趋向于零。另外,机器人迭代学习控制也取得了一些研究成果,然而这些成果在考虑重复学习跟踪时,都没有考虑每次学习时间的受限问题。如果机器人每次学习时间过长,将会产生较大的暂态跟踪误差,容易发生碰撞。因此,加快系统学习过程,快速实现跟踪误差系统的稳定性对保障残疾者的安全性尤其重要。本发明提出了系统偏移量的辨识方法及限时学习控制方法,到目前为止,还没有使用SCN(StochasticConfiguration Networks,SCN)方法对坐垫机器人系统偏移量进行辨识,并对其进行限时学习控制的研究。因此,研究如何抑制系统偏移量对坐垫机器人跟踪精度的影响,并快速实现跟踪误差系统的有限时间稳定性具有重大意义。
发明内容:
发明目的:
为了解决上述问题,本发明提供了一种基于SCN系统偏移量辨识的坐垫机器人限时学习控制方法技术方案:
本发明是通过以下技术方案来实现的:
一种基于SCN系统偏移量辨识的坐垫机器人限时学习控制方法,其特征在于:
1)基于坐垫机器人的动力学模型,将使用者引起系统的偏移量从模型中分离,建立具有系统偏移量的坐垫机器人动力学模型;
2)基于SCN方法构建系统偏移量的网络辨识模型,以运动轨迹和速度为网络输入,通过不断随机配置隐含层节点参数,获得坐垫机器人系统的偏移量;
3)基于迭代学习理论,设计限时学习跟踪控制器,抑制系统偏移量对坐垫机器人跟踪精度的影响,同时在有限学习时间内实现稳定的轨迹跟踪。
步骤如下:
步骤1)基于坐垫机器人的动力学模型,将使用者引起系统的偏移量从模型中分离,建立具有系统偏移量的坐垫机器人动力学模型,其特征在于:系统的动力学模型描述如下
其中,
其中,M表示坐垫机器人质量,m表示使用者质量,M0表示系数矩阵,X(t)表示坐垫机器人在x、y和旋转角三个方向的运动轨迹,u(t)为坐垫机器人三个轮子的控制输入力,r0表示坐垫机器人的重心到中心的距离,I0表示坐垫机器人的转动惯量,表示用户的转动惯量,θ表示水平轴和机器人中心与第一个轮子中心连线间的夹角,l表示坐垫机器人的重心到每个全向轮中心的距离。
当坐垫机器人学习到第k次时,将系统模型(2)写成如下形式
其中k∈Z+表示学习次数,t∈[0,T]表示学习时间。分离模型(2)中由使用者引起系统偏移量,和使用者质量信息,记M0=M1+ΔM0+ΔM1,模型(2)可以化为如下形式
ΔM0表示M0分离出的由使用者引起系统偏移量,ΔM1表示M0分离出的使用者质量。
步骤2)基于SCN方法构建系统偏移量的网络辨识模型,以运动轨迹和速度为网络输入,通过不断随机配置隐含层节点参数,获得坐垫机器人系统的偏移量,其特征在于:以坐垫机器人运动轨迹和速度作为SCN的网络输入层,并通过权重ω和阈值b与隐含层连接,利用高斯函数得到隐含层输出G(xk(t))。
其中,
G(xk(t))=[g1(ω1xk(t)+b1),...,gQ(ωQxk(t)+bQ)]T
gj(ωjxk(t)+bj)为隐含层第j个节点的输出j=(1,2,…,Q),ωd,j为输入层第d个输入连接隐含层第j个节点的权值,d=(1,2,…,6),bj为隐含层第j个节点的阈值。
其中,
由于
其中,
故
步骤3)基于迭代学习理论,设计限时迭代学习跟踪控制器,抑制系统偏移量对坐垫机器人跟踪精度的影响,同时在有限学习时间内实现稳定的轨迹跟踪。其特征在于:根据坐垫器人在第k次学习的运动轨迹x1,k(t)和指定轨迹xd(t),得到第k次学习的轨迹跟踪误差和速度跟踪误差分别为
设计辅助变量zk(t)=e2,k(t)-η(e1,k(t)),η(e1,k(t))=-H1Sig(e1,k(t))α,0<α<1,其中
H1=diag(h11,h12,h13),h1n>0,n=1,2,3
令θ=e1,k(t),定义如下公式
设计权值自适应率为
其中Θ和H2为自适应率参数,且Θ=diag(σ11,σ12,…,σ1Q),H2=diag(h21,h22,…,h2Q),σ1j>0,h2j>0。
由式(4)和式(7)可得跟踪误差系统为:
设计第k次限时学习控制器为:
其中γ为学习增益,为ξ2(t)在第k次学习时的估计值,且估计误差为η(zk(t))=-H3Sig(zk(t))α,H3=diag(h31,h32,h33),hν>0,ν=1,2,3,建立李雅普诺夫函数如下
沿误差系统(9)对式(12)求导,可得
经过第k次学习后,误差系统在有限时间可实现稳定,接下来,进一步说明随着学习次数增加,限时学习控制器能够使跟踪误差逐渐趋向于零。
建立李雅普诺夫函数
由式(14)可知,
其中,
将控制器(10)、(11)和式(17)代入式(16),并令Vk(0)=0可得
由ΔLk(t)<0可知,Lk(t)是递减函数。
根据式(18)可知
由上式可知,若L0(t)有界,则Lk(t)有界。
对式(15)求导,并且令k=0,可得
将误差系统(9)和控制器(10)、(11)代入式(20),可得
由式(21)可知L0(t)在t∈[0,T]上连续且有界,进而由式(19)可知Lk(t)连续且有界。
由式(16)可知,式Lk(t)可以写成如下形式
将式(18)代入式(21)可得,
由上式可推出
由级数的收敛性必要条件可得
由上述可知,经过每次限时学习,并且随着学习次数增加,限时学习控制器能够使跟踪误差趋向于零,坐垫机器人实现了安全地轨迹跟踪。
步骤4)根据权利要求1基于MSP340系列单片机将输出PWM信号提供给电机驱动单元,使机器人抑制系统偏移量并实现对参考轨迹信号的跟踪,其特征在于:以MSP430系列单片机为主控制器,主控制器的输入接电机测速模块、输出接电机驱动模块;电机驱动模块与直流电机相连;电源系统给各个电气设备供电。主控制器控制方法为读取电机编码器的反馈信号与主控制器给定的控制命令信号xd(t)和计算得出误差信号。根据误差信号,主控制器按照预定的控制算法计算出电机的控制量,送给电机驱动模块,电机转动带动轮子维持自身平衡及按指定方式运动。
优点及效果:
本发明是一种基于SCN系统偏移量辨识的坐垫机器人限时学习控制方法,具有如下优点:本发明巧妙地分离出坐垫机器人动力学模型中的系统偏移量,提高了机器人的跟踪精度,避免碰撞周围障碍物,提出了限时迭代学习跟踪控制器,缩短了学习时间。
附图说明:
图1为本发明控制器工作框图;
图2为本发明MSP430单片机最小系统;
图3为本发明主控制器外围扩展电路;
图4为本发明硬件总体原理电路。
具体实施方式:
下面结合附图对本发明做进一步的说明,但本发明保护范围不受实施例的限制。
一种基于随机配置网络SCN系统偏移量辨识的坐垫机器人限时学习控制方法,其特征在于:
1)基于坐垫机器人的动力学模型,将使用者引起系统的偏移量从模型中分离,建立具有系统偏移量的坐垫机器人动力学模型;
2)基于SCN方法构建系统偏移量的网络辨识模型,以运动轨迹和速度为网络输入,通过不断随机配置隐含层节点参数,获得坐垫机器人系统的偏移量;
3)基于迭代学习理论,设计限时学习跟踪控制器,抑制系统偏移量对坐垫机器人跟踪精度的影响,同时在有限学习时间内实现稳定的轨迹跟踪。
步骤如下:
步骤1)基于坐垫机器人的动力学模型,将使用者引起系统的偏移量从模型中分离,建立具有系统偏移量的坐垫机器人动力学模型,其特征在于:系统的动力学模型描述如下
其中,
其中,M表示坐垫机器人质量,m表示使用者质量,M0表示系数矩阵,X(t)表示坐垫机器人在x、y和旋转角三个方向的运动轨迹,u(t)为坐垫机器人三个轮子的控制输入力,r0表示坐垫机器人的重心到中心的距离,I0表示坐垫机器人的转动惯量,表示用户的转动惯量,θ表示水平轴和机器人中心与第一个轮子中心连线间的夹角,l表示坐垫机器人的重心到每个全向轮中心的距离。
当坐垫机器人重复学习运动到k次时,将系统模型(2)写成如下形式
其中k∈Z+表示学习次数,t∈[0,T]表示学习时间。分离模型(2)中由使用者引起系统偏移量,和使用者质量信息,记M0=M1+ΔM0+ΔM1,模型(2)可以化为如下形式
ΔM0表示M0分离出的由使用者引起系统偏移量,ΔM1表示M0分离出的使用者质量。
步骤2)基于SCN方法构建系统偏移量的网络辨识模型,以运动轨迹和速度为网络输入,通过不断随机配置隐含层节点参数,获得坐垫机器人系统的偏移量,其特征在于:以坐垫机器人运动轨迹和速度作为SCN的网络输入层,并通过权重ω和阈值b与隐含层连接,利用高斯函数得到隐含层输出G(xk(t))。
其中,
G(xk(t))=[g1(ω1xk(t)+b1),...,gQ(ωQxk(t)+bQ)]T
gj(ωjxk(t)+bj)为隐含层第j个节点的输出j=(1,2,…,L),ωd,j为输入层第d个输入连接隐含层第j个节点的权值,d=(1,2,…,6),bj为隐含层第j个节点的阈值。
其中,
其中,参数0<r<1,{μQ}为非负实数序列,μQ≤(1-r),随着随机配置的隐含层节点数不断增加,直至便可实现系统的偏移量辨识步骤3)基于迭代学习理论,设计限时迭代学习跟踪控制器,抑制系统偏移量对坐垫机器人跟踪精度的影响,同时在有限学习时间内实现稳定的轨迹跟踪。其特征在于:根据坐垫器人在第k次学习的运动轨迹x1,k(t)和指定轨迹xd(t),得到第k次学习的轨迹跟踪误差和速度跟踪误差分别为
设计辅助变量zk(t)=e2,k(t)-η(e1,k(t)),η(e1,k(t))=-H1Sig(e1,k(t))α,0<α<1,其中
H1=diag(h11,h12,h13),h1n>0,n=1,2,3
设计权值自适应率为
其中Θ和H2为自适应率参数,且Θ=diag(σ11,σ12,…,σ1Q),H2=diag(h21,h22,…,h2Q),σ1j>0,h2j>0。
由式(4)和式(7)可得跟踪误差系统为:
设计第k次限时学习控制器为:
建立李雅普诺夫函数如下
沿误差系统(9)对式(12)求导,可得
经过第k次学习后,误差系统在有限时间可实现稳定,接下来,进一步说明随着学习次数增加,限时学习控制器能够使跟踪误差逐渐趋向于零。
建立李雅普诺夫函数
由式(14)可知,
其中,
将控制器(10)、(11)和式(17)代入式(16),并令Vk(0)=0可得
由ΔLk(t)<0可知,Lk(t)是递减函数。
根据式(18)可知
由上式可知,若L0(t)有界,则Lk(t)有界。
对式(15)求导,并且令k=0,可得
将误差系统(9)和控制器(10)、(11)代入式(20),可得
由式(21)可知L0(t)在t∈[0,T]上连续且有界,进而由式(19)可知Lk(t)连续且有界。
由式(16)可知,式Lk(t)可以写成如下形式
将式(18)代入式(21)可得,
由上式可推出
由级数的收敛性必要条件可得
由上述可知,经过每次限时学习,并且随着学习次数增加,限时学习控制器能够使跟踪误差趋向于零,坐垫机器人实现了安全地轨迹跟踪。
步骤4)根据权利要求1基于MSP340系列单片机将输出PWM信号提供给电机驱动单元,使机器人抑制系统偏移量并实现对参考轨迹信号的跟踪,其特征在于:以MSP430系列单片机为主控制器,主控制器的输入接电机测速模块、输出接电机驱动模块;电机驱动模块与直流电机相连;电源系统给各个电气设备供电。主控制器控制方法为读取电机编码器的反馈信号与主控制器给定的控制命令信号xd(t)和计算得出误差信号。根据误差信号,主控制器按照预定的控制算法计算出电机的控制量,送给电机驱动模块,电机转动带动轮子维持自身平衡及按指定方式运动。
本发明巧妙地将使用者引起系统的偏移量从模型中分离,建立具有系统偏移量的坐垫机器人动力学模型,基于SCN方法构建系统偏移量的网络辨识模型,以运动轨迹和速度为网络输入,通过不断随机配置隐含层节点参数,获得坐垫机器人系统的偏移量,基于迭代学习理论,设计限时迭代学习跟踪控制器,抑制系统偏移量对坐垫机器人跟踪精度的影响,同时在有限学习时间内实现稳定的轨迹跟踪,可快速提高坐垫机器人的跟踪精度和安全性。
Claims (5)
1.基于SCN系统偏移量辨识的坐垫机器人限时学习控制方法,其特征在于:基于坐垫机器人的动力学模型,将使用者引起系统的偏移量从模型中分离,建立具有系统偏移量的坐垫机器人动力学模型;基于SCN方法构建系统偏移量的网络辨识模型,以运动轨迹和速度为网络输入,通过不断随机配置隐含层节点参数,获得坐垫机器人系统的偏移量;基于迭代学习理论,设计限时学习跟踪控制器,抑制系统偏移量对坐垫机器人跟踪精度的影响,同时在有限学习时间内实现稳定的轨迹跟踪。步骤如下:
1)基于坐垫机器人的动力学模型,将使用者引起系统的偏移量从模型中分离,建立具有系统偏移量的坐垫机器人动力学模型;
2)基于SCN方法构建系统偏移量的网络辨识模型,以运动轨迹和速度为网络输入,通过不断随机配置隐含层节点参数,获得坐垫机器人系统的偏移量;
3)基于迭代学习理论,设计限时学习跟踪控制器,抑制系统偏移量对坐垫机器人跟踪精度的影响,同时在有限学习时间内实现稳定的轨迹跟踪。
2.根据权利要求1所述基于SCN系统偏移量辨识的坐垫机器人限时学习控制方法,其特征在于基于坐垫机器人的动力学模型,将使用者引起系统的偏移量从模型中分离,建立具有系统偏移量的坐垫机器人动力学模型,系统的动力学模型描述如下
其中,
其中,M表示坐垫机器人质量,m表示使用者质量,M0表示系数矩阵,X(t)表示坐垫机器人在x、y和旋转角三个方向的运动轨迹,u(t)为坐垫机器人三个轮子的控制输入力,r0表示坐垫机器人的重心到中心的距离,I0表示坐垫机器人的转动惯量,表示使用者的转动惯量,θ表示水平轴和机器人中心与第一个轮子中心连线间的夹角,l表示坐垫机器人的重心到每个全向轮中心的距离。
当坐垫机器人学习到第k次时,系统模型(2)写成如下形式
其中k∈Z+表示学习次数,t∈[0,T]表示学习时间。分离模型(2)中由使用者引起系统的偏移量和使用者质量信息,记M0=M1+ΔM0+ΔM1,模型(2)可以化为如下形式
3.根据权利要求1所述基于SCN系统偏移量辨识的坐垫机器人限时学习控制方法,其特征在于基于SCN方法构建系统偏移量的网络辨识模型,以运动轨迹和速度为网络输入,通过不断随机配置隐含层节点参数,获得坐垫机器人系统的偏移量,以坐垫机器人运动轨迹和速度作为SCN的网络输入层,并通过权重ω和阈值b与隐含层连接,利用高斯函数得到隐含层输出G(xk(t))。
其中,
G(xk(t))=[g1(ω1xk(t)+b1),...,gQ(ωQxk(t)+bQ)]T
gj(ωjxk(t)+bj)为隐含层第j个节点的输出j=(1,2,…,Q),ωd,j为输入层第d个输入连接隐含层第j
个节点的权值,d=(1,2,…,6),bj为隐含层第j个节点的阈值。
其中,
4.根据权利要求1所述基于SCN系统偏移量辨识的坐垫机器人限时学习控制方法,其特征在于基于迭代学习理论,设计限时迭代学习跟踪控制器,抑制系统偏移量对坐垫机器人跟踪精度的影响,同时在有限学习时间内实现稳定的轨迹跟踪。根据坐垫器人在第k次学习的运动轨迹x1,k(t)和指定轨迹xd(t),得到第k次学习的轨迹跟踪误差和速度跟踪误差分别为
设计辅助变量zk(t)=e2,k(t)-η(e1,k(t)),η(e1,k(t))=-H1Sig(e1,k(t))α,0<α<1,其中
H1=diag(h11,h12,h13),h1n>0,n=1,2,3
设计权值自适应率为
其中Θ和H2为自适应率参数,且Θ=diag(σ11,σ12,…,σ1Q),H2=diag(h21,h22,…,h2Q),
σ1j>0,h2j>0。
由式(4)和式(7)可得跟踪误差系统为:
设计第k次限时学习控制器为:
其中γ为学习增益,为ξ2(t)在第k次学习时的估计值,且估计误差为η(zk(t))=-H3Sig(zk(t))α,H3=diag(h31,h32,h33),hν>0,ν=1,2,3,建立李雅普诺夫函数如下
沿误差系统(9)对式(12)求导,可得
经过第k次学习后,误差系统在有限时间可实现稳定,接下来,进一步说明随着学习次数增加,限时学习控制器能够使跟踪误差逐渐趋向于零。
建立李雅普诺夫函数
由式(14)可知,
其中,
将控制器(10)、(11)和式(17)代入式(16),并令Vk(0)=0可得
由ΔLk(t)<0可知,Lk(t)是递减函数。
根据式(18)可知
对式(15)求导,并且令k=0,可得
将误差系统(9)和控制器(10)、(11)代入式(20),可得
由式(21)可知L0(t)在t∈[0,T]上连续且有界,进而由式(19)可知Lk(t)连续且有界。
由式(16)可知,式Lk(t)可以写成如下形式
将式(18)代入式(21)可得,
由上式可推出
由级数的收敛性必要条件可得
由上述可知,经过每次限时学习,并且随着学习次数增加,限时学习控制器能够使跟踪误差趋向于零,坐垫机器人实现了安全地轨迹跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011363081.3A CN112433475B (zh) | 2020-11-27 | 2020-11-27 | 基于scn系统偏移量辨识的坐垫机器人限时学习控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011363081.3A CN112433475B (zh) | 2020-11-27 | 2020-11-27 | 基于scn系统偏移量辨识的坐垫机器人限时学习控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112433475A true CN112433475A (zh) | 2021-03-02 |
CN112433475B CN112433475B (zh) | 2022-05-13 |
Family
ID=74697942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011363081.3A Active CN112433475B (zh) | 2020-11-27 | 2020-11-27 | 基于scn系统偏移量辨识的坐垫机器人限时学习控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112433475B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113377115A (zh) * | 2021-07-05 | 2021-09-10 | 沈阳工业大学 | 服务机器人具有自主学习暂态运动时间的稳定控制方法 |
CN113419423A (zh) * | 2021-07-05 | 2021-09-21 | 沈阳工业大学 | 一种服务机器人有限时间适应结构变化的跟踪控制方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103431976A (zh) * | 2013-07-19 | 2013-12-11 | 燕山大学 | 基于肌电信号反馈的下肢康复机器人系统及其控制方法 |
CN104635738A (zh) * | 2014-11-21 | 2015-05-20 | 沈阳工业大学 | 不确定康复步行训练机器人的精确轨迹跟踪最优控制方法 |
CN105320138A (zh) * | 2015-11-28 | 2016-02-10 | 沈阳工业大学 | 康复训练机器人运动速度和运动轨迹同时跟踪的控制方法 |
CN105867130A (zh) * | 2016-04-15 | 2016-08-17 | 沈阳工业大学 | 康复步行训练机器人的轨迹跟踪误差约束安全控制方法 |
CN107479381A (zh) * | 2017-08-29 | 2017-12-15 | 沈阳工业大学 | 冗余康复步行训练机器人各轴跟踪误差最优预测控制方法 |
CN107703762A (zh) * | 2017-11-14 | 2018-02-16 | 沈阳工业大学 | 康复步行训练机器人的人机互作用力辨识及控制方法 |
CN107831667A (zh) * | 2017-11-14 | 2018-03-23 | 沈阳工业大学 | 康复步行训练机器人的补偿人机互作用力的跟踪控制方法 |
CN110412866A (zh) * | 2019-05-14 | 2019-11-05 | 上海大学 | 基于自适应迭代学习的外骨骼单腿协同控制方法 |
CN110989589A (zh) * | 2019-11-30 | 2020-04-10 | 沈阳工业大学 | 一种不同训练者质量随机变化的康复步行机器人的跟踪控制方法 |
CN111515938A (zh) * | 2020-05-28 | 2020-08-11 | 河北工业大学 | 一种继承型迭代学习控制的下肢外骨骼行走轨迹跟踪方法 |
-
2020
- 2020-11-27 CN CN202011363081.3A patent/CN112433475B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103431976A (zh) * | 2013-07-19 | 2013-12-11 | 燕山大学 | 基于肌电信号反馈的下肢康复机器人系统及其控制方法 |
CN104635738A (zh) * | 2014-11-21 | 2015-05-20 | 沈阳工业大学 | 不确定康复步行训练机器人的精确轨迹跟踪最优控制方法 |
CN105320138A (zh) * | 2015-11-28 | 2016-02-10 | 沈阳工业大学 | 康复训练机器人运动速度和运动轨迹同时跟踪的控制方法 |
CN105867130A (zh) * | 2016-04-15 | 2016-08-17 | 沈阳工业大学 | 康复步行训练机器人的轨迹跟踪误差约束安全控制方法 |
CN107479381A (zh) * | 2017-08-29 | 2017-12-15 | 沈阳工业大学 | 冗余康复步行训练机器人各轴跟踪误差最优预测控制方法 |
CN107703762A (zh) * | 2017-11-14 | 2018-02-16 | 沈阳工业大学 | 康复步行训练机器人的人机互作用力辨识及控制方法 |
CN107831667A (zh) * | 2017-11-14 | 2018-03-23 | 沈阳工业大学 | 康复步行训练机器人的补偿人机互作用力的跟踪控制方法 |
CN110412866A (zh) * | 2019-05-14 | 2019-11-05 | 上海大学 | 基于自适应迭代学习的外骨骼单腿协同控制方法 |
CN110989589A (zh) * | 2019-11-30 | 2020-04-10 | 沈阳工业大学 | 一种不同训练者质量随机变化的康复步行机器人的跟踪控制方法 |
CN111515938A (zh) * | 2020-05-28 | 2020-08-11 | 河北工业大学 | 一种继承型迭代学习控制的下肢外骨骼行走轨迹跟踪方法 |
Non-Patent Citations (3)
Title |
---|
PING SUN等: "Tracking Control for a Cushion Robot Based on Fuzzy Path Planning With Safe Angular Velocity", 《IEEE/CAA JOURNAL OF AUTOMATICA SINICA》 * |
单芮: "全方向康复步行训练机器人的迭代学习控制研究", 《中国优秀博硕士学位论文全文数据库(硕士)·信息科技辑》 * |
陈贵亮等: "下肢外骨骼康复机器人的动力学建模及神经网络辨识仿真", 《机械设计与制造》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113377115A (zh) * | 2021-07-05 | 2021-09-10 | 沈阳工业大学 | 服务机器人具有自主学习暂态运动时间的稳定控制方法 |
CN113419423A (zh) * | 2021-07-05 | 2021-09-21 | 沈阳工业大学 | 一种服务机器人有限时间适应结构变化的跟踪控制方法 |
CN113377115B (zh) * | 2021-07-05 | 2023-10-20 | 沈阳工业大学 | 服务机器人具有自主学习暂态运动时间的稳定控制方法 |
CN113419423B (zh) * | 2021-07-05 | 2023-10-24 | 沈阳工业大学 | 一种服务机器人有限时间适应结构变化的跟踪控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112433475B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Adaptive robust self-balancing and steering of a two-wheeled human transportation vehicle | |
CN112433475B (zh) | 基于scn系统偏移量辨识的坐垫机器人限时学习控制方法 | |
CN111173678B (zh) | 一种rbf神经网络俯仰干扰补偿的风力机舱悬浮控制方法 | |
CN112433495B (zh) | 基于scn人机不确定模型的康复机器人快速有限时间控制 | |
US11975751B2 (en) | Iterative learning control method for multi-particle vehicle platoon driving system | |
CN108984815B (zh) | 基于工况的车载飞轮电池径向悬浮支承系统的控制方法 | |
CN112506054B (zh) | 基于scn观测主动推力的康复机器人随机有限时间稳定控制 | |
CN106406340A (zh) | 四旋翼无人飞行器及其控制方法 | |
CN103926875A (zh) | 一种滚珠丝杠进给系统摩擦补偿方法 | |
Yoo et al. | Adaptive formation tracking control of electrically driven multiple mobile robots | |
CN110758413B (zh) | 一种基于系统参数辨识的列车速度自适应控制方法 | |
Zhao et al. | Closed-loop spiking control on a neuromorphic processor implemented on the iCub | |
Peng et al. | ADRC trajectory tracking control based on PSO algorithm for a quad-rotor | |
CN107703762B (zh) | 康复步行训练机器人的人机互作用力辨识及控制方法 | |
CN112068594A (zh) | 一种基于jaya算法优化的小型无人直升机航向控制方法 | |
CN116135485A (zh) | 一种二自由度机械臂的预设性能轨迹跟踪控制器设计方法 | |
CN114676877A (zh) | 基于动态滑动窗口辨识的机动目标轨迹在线预测方法 | |
Liu et al. | FPGA implementation of family service robot based on neural network PID motion control system | |
CN110568845A (zh) | 一种协同机器人的相互碰撞规避方法 | |
Omatu et al. | PID control of speed and torque of electric vehicle | |
CN110991606A (zh) | 基于径向基神经网络的压电陶瓷驱动器复合控制方法 | |
CN112433474B (zh) | 基于scn内干扰力估计的坐垫机器人安全触发控制方法 | |
CN113885549B (zh) | 基于维度裁剪的ppo算法的四旋翼姿态轨迹控制方法 | |
CN112571424B (zh) | 基于scn步行力估计的康复机器人各轴速度直接约束控制 | |
CN115268629A (zh) | 基于人类技能学习及模仿的人-机器人协同控制方法 |
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 |