CN112454359B - 基于神经网络自适应的机器人关节跟踪控制方法 - Google Patents
基于神经网络自适应的机器人关节跟踪控制方法 Download PDFInfo
- Publication number
- CN112454359B CN112454359B CN202011294308.3A CN202011294308A CN112454359B CN 112454359 B CN112454359 B CN 112454359B CN 202011294308 A CN202011294308 A CN 202011294308A CN 112454359 B CN112454359 B CN 112454359B
- Authority
- CN
- China
- Prior art keywords
- robot joint
- representing
- robot
- controller
- joint system
- 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
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J17/00—Joints
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J17/00—Joints
- B25J17/02—Wrist joints
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
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神经网络自适应的机器人关节跟踪控制方法,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。
本发明基于神经网络自适应的机器人关节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:
设计神经自适应算法自动更新控制器参数,该更新率为:
其中:θ0,θ1分别是需要设计者设计的正的常数;ψ(·)=||S(·)||+1,其中S(·)为神经网络的基函数,S(·)和神经元数量由设计者任意确定;b=max{||WT||,m},是 b的估计值,其中WT是理想的未知权重,m是模型的重建误差||η(·)||的上限;
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:
本发明基于神经网络自适应的机器人关节跟踪控制方法,针对具有衰落和驱动饱和的机器人关节系统,设计了基于神经网络自适应控制的控制器和更新算法,该控制器为简单的PID形式,相对于传统的PID控制器算法复杂度大大降低,并且其能够同时解决: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和对非消失干扰进行补偿。同时,所得到的控制方案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。
本实施例中基于神经网络自适应的机器人关节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)]
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,系统的集中不确定性可以通过基于径向基函数的神经网络进行系统重建,从而产生神经网络自适应控制方案。
3)设计机器人关节系统PID控制器和更新算法:
设计神经自适应算法自动更新控制器参数,该更新率为:
其中:θ0,θ1分别是需要设计者设计的正的常数;ψ(·)=||S(·)||+1,其中S(·)为神经网络的基函数,S(·)和神经元数量由设计者任意确定;b=max{||WT||,m},- 是b的估计值,其中WT是理想的未知权重,m是模型的重建误差||η(·)||的上限;
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来简化控制器的稳定性分析,从而有
为了简化控制设计和稳定性分析,定义函数:
该函数中的集中不确定性可以通过基于径向基函数的神经网络进行系统重建,从而产生神经网络自适应控制方案。采用神经网络自适应逼近的方法,设定
Ψ(·)=WTS(·)+η(·)
其中神经网络的基函数S(·)和神经元数量由设计者任意确定,因此满足,
||Ψ(·)||≤||WT||||S(·)||+||η(·)||
≤||WT||||S(·)||+m
≤bψ(·)
||η(·)||≤m,||WT||≤b,考虑到系统参数的时变性和系统的未知权重,我们选择估计参数b来进行设计与系统分析,因此设计更新率为:
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,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。
本实施例中基于神经网络自适应的机器人关节跟踪控制方法,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,能够较好的处理机器人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.基于神经网络自适应的机器人关节跟踪控制方法,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,代表动系统态误差的二阶导,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;
设计神经自适应算法自动更新控制器参数,该更新率为:
其中:θ0,θ1分别是需要设计者设计的正的常数;ψ(·)=||S(·)||+1,其中S(·)为神经网络的基函数,S(·)和神经元数量由设计者任意确定;b=max{||WT||,m},是b的估计值,其中WT是理想的未知权重,m是模型的重建误差||η(·)||的上限;
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 |
---|---|---|---|
CN202011294308.3A CN112454359B (zh) | 2020-11-18 | 2020-11-18 | 基于神经网络自适应的机器人关节跟踪控制方法 |
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 |
---|---|---|---|
CN202011294308.3A CN112454359B (zh) | 2020-11-18 | 2020-11-18 | 基于神经网络自适应的机器人关节跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112454359A CN112454359A (zh) | 2021-03-09 |
CN112454359B true CN112454359B (zh) | 2022-03-15 |
Family
ID=74837283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011294308.3A Active CN112454359B (zh) | 2020-11-18 | 2020-11-18 | 基于神经网络自适应的机器人关节跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112454359B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113031446B (zh) * | 2021-03-15 | 2022-11-08 | 贵州大学 | 不确定时滞非线性系统非奇异性神经自适应跟踪控制方法 |
CN113203419B (zh) * | 2021-04-25 | 2023-11-10 | 重庆大学 | 基于神经网络的室内巡检机器人校正定位方法 |
CN113954069B (zh) * | 2021-10-25 | 2023-01-13 | 清华大学深圳国际研究生院 | 一种基于深度强化学习的机械臂主动容错控制方法 |
CN114012733B (zh) * | 2021-11-29 | 2023-05-23 | 江苏科技大学 | 一种用于pc构件模具划线的机械臂控制方法 |
CN114265364B (zh) * | 2021-12-21 | 2023-10-03 | 江苏师范大学 | 一种工业物联网的监测数据处理系统及方法 |
CN114619451B (zh) * | 2022-03-31 | 2023-12-05 | 西安交通大学 | 串联工业机器人的机电控感耦合建模方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0334613A3 (en) * | 1988-03-21 | 1990-07-25 | Stäubli International AG | Robot control system having adaptive feedforward torque control for improved accuracy |
CN101266659A (zh) * | 2008-05-08 | 2008-09-17 | 山东大学 | 基于免疫自适应遗传算法的机器人栅格子地图融合方法 |
EP2431137A2 (en) * | 2010-09-15 | 2012-03-21 | Kabushiki Kaisha Yaskawa Denki | Reducer abnormality determination method, abnormality determination device, and robot system |
CN103324087A (zh) * | 2013-06-19 | 2013-09-25 | 河海大学常州校区 | 基于神经网络的微陀螺仪的自适应反演控制系统及方法 |
CN103701396A (zh) * | 2013-12-13 | 2014-04-02 | 天津大学 | 一种基于自适应模糊神经网络的电机转速跟踪控制方法 |
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 |
CN104570740A (zh) * | 2015-01-21 | 2015-04-29 | 江南大学 | 一种输入饱和机械臂系统的周期自适应学习控制方法 |
CN105538325A (zh) * | 2015-12-30 | 2016-05-04 | 哈尔滨理工大学 | 一种液压四足机器人单腿关节解耦控制方法 |
CN105772917A (zh) * | 2014-12-16 | 2016-07-20 | 苏州继企机电科技有限公司 | 一种三关节点焊机器人轨迹跟踪控制方法 |
CN105798930A (zh) * | 2016-04-01 | 2016-07-27 | 浙江工业大学 | 基于龙伯格状态观测器的柔性机械臂系统饱和补偿控制方法 |
JP2017027570A (ja) * | 2015-07-15 | 2017-02-02 | 富士電機株式会社 | 制御システム、制御システムの設計方法、及びプログラム |
WO2018191555A1 (en) * | 2017-04-14 | 2018-10-18 | Drishti Technologies. Inc | Deep learning system for real time analysis of manufacturing operations |
CN108717492A (zh) * | 2018-05-18 | 2018-10-30 | 浙江工业大学 | 基于改进的人工蜂群算法的机械臂动力学模型辨识方法 |
CN108803324A (zh) * | 2018-06-06 | 2018-11-13 | 黄山学院 | 多关节工业机械臂反步有限时间滑模控制方法 |
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 |
CN110187637A (zh) * | 2019-06-03 | 2019-08-30 | 重庆大学 | 在控制方向和期望轨迹不确定下的机器人系统控制方法 |
CN110488754A (zh) * | 2019-08-09 | 2019-11-22 | 大连理工大学 | 一种基于ga-bp神经网络算法的机床自适应控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9789920B2 (en) * | 2015-04-01 | 2017-10-17 | Oregon State University | Apparatus and method for energy regulation and leg control for spring-mass walking machine |
US10915073B2 (en) * | 2017-12-15 | 2021-02-09 | Exxonmobil Research And Engineering Company | Adaptive PID controller tuning via deep reinforcement learning |
-
2020
- 2020-11-18 CN CN202011294308.3A patent/CN112454359B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0334613A3 (en) * | 1988-03-21 | 1990-07-25 | Stäubli International AG | Robot control system having adaptive feedforward torque control for improved accuracy |
CN101266659A (zh) * | 2008-05-08 | 2008-09-17 | 山东大学 | 基于免疫自适应遗传算法的机器人栅格子地图融合方法 |
EP2431137A2 (en) * | 2010-09-15 | 2012-03-21 | Kabushiki Kaisha Yaskawa Denki | Reducer abnormality determination method, abnormality determination device, and robot system |
CN103324087A (zh) * | 2013-06-19 | 2013-09-25 | 河海大学常州校区 | 基于神经网络的微陀螺仪的自适应反演控制系统及方法 |
CN103701396A (zh) * | 2013-12-13 | 2014-04-02 | 天津大学 | 一种基于自适应模糊神经网络的电机转速跟踪控制方法 |
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 |
CN105772917A (zh) * | 2014-12-16 | 2016-07-20 | 苏州继企机电科技有限公司 | 一种三关节点焊机器人轨迹跟踪控制方法 |
CN104570740A (zh) * | 2015-01-21 | 2015-04-29 | 江南大学 | 一种输入饱和机械臂系统的周期自适应学习控制方法 |
JP2017027570A (ja) * | 2015-07-15 | 2017-02-02 | 富士電機株式会社 | 制御システム、制御システムの設計方法、及びプログラム |
CN105538325A (zh) * | 2015-12-30 | 2016-05-04 | 哈尔滨理工大学 | 一种液压四足机器人单腿关节解耦控制方法 |
CN105798930A (zh) * | 2016-04-01 | 2016-07-27 | 浙江工业大学 | 基于龙伯格状态观测器的柔性机械臂系统饱和补偿控制方法 |
WO2018191555A1 (en) * | 2017-04-14 | 2018-10-18 | Drishti Technologies. Inc | Deep learning system for real time analysis of manufacturing operations |
CN108717492A (zh) * | 2018-05-18 | 2018-10-30 | 浙江工业大学 | 基于改进的人工蜂群算法的机械臂动力学模型辨识方法 |
CN108803324A (zh) * | 2018-06-06 | 2018-11-13 | 黄山学院 | 多关节工业机械臂反步有限时间滑模控制方法 |
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 |
CN110187637A (zh) * | 2019-06-03 | 2019-08-30 | 重庆大学 | 在控制方向和期望轨迹不确定下的机器人系统控制方法 |
CN110488754A (zh) * | 2019-08-09 | 2019-11-22 | 大连理工大学 | 一种基于ga-bp神经网络算法的机床自适应控制方法 |
Non-Patent Citations (5)
Title |
---|
Adaptive Neural Quantized Control of MIMO Nonlinear Systems Under Actuation Faults and Time-Varying Output Constraints;Kai Zhao; Jiawei Chen;《Neural Networks and Learning Systems 》;20191105;第31卷(第9期);全文 * |
Yandong Li ; Zongyi Wang ; Ling Zhu.Adaptive neural network PID sliding mode dynamic control of nonholonomic mobile robot.《Information and Automation》.2010, * |
不确定受扰非线性系统的未知理想轨迹跟踪算法研究;张贝贝;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20180615(第6期);全文 * |
受环境约束的可重构机械臂系统鲁棒分散容错控制方法研究;周帆;《中国博士学位论文全文数据库 (信息科技辑)》;20180815(第8期);全文 * |
用于飞轮储能单元的神经元自适应比例-积分-微分控制算法;王磊,杜晓强,宋永端;《电网技术》;20140131;第38卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112454359A (zh) | 2021-03-09 |
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 | |
Deng et al. | A learning-based hierarchical control scheme for an exoskeleton robot in human–robot cooperative manipulation | |
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 | |
Liu et al. | Decentralized robust fuzzy adaptive control of humanoid robot manipulation with unknown actuator backlash | |
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 | |
Handelman et al. | Robotic skill acquisition based on biological principles | |
Erbatur et al. | Use of adaptive fuzzy systems in parameter tuning of sliding-mode controllers | |
CN111474922B (zh) | 一种连续非线性系统的控制器构建方法 | |
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 | |
CN113043266B (zh) | 一种基于迭代学习的自适应力跟踪控制方法 | |
CN112213949B (zh) | 基于鲁棒自适应的机器人关节系统跟踪控制方法 | |
CN116604532A (zh) | 一种上肢康复机器人智能控制方法 | |
Hasan et al. | Neural networks’ based inverse kinematics solution for serial robot manipulators passing through singularities | |
CN109176529B (zh) | 一种空间机器人协调运动的自适应模糊控制方法 | |
Deng et al. | Sparse online Gaussian process impedance learning for multi-DoF robotic arms | |
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 | |
Chen et al. | Nonlinear Robust Adaptive Control of Universal Manipulators Based on Desired Trajectory | |
Harib et al. | Evolution of adaptive learning for nonlinear dynamic systems: A systematic survey | |
Dong et al. | A dmp-based online adaptive stiffness adjustment method | |
Yu et al. | Adaptive Neural Network Force Tracking Control of Flexible Joint Robot With an Uncertain Environment |
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 |