CN112506054B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112506054B CN112506054B CN202011363092.1A CN202011363092A CN112506054B CN 112506054 B CN112506054 B CN 112506054B CN 202011363092 A CN202011363092 A CN 202011363092A CN 112506054 B CN112506054 B CN 112506054B
- Authority
- CN
- China
- Prior art keywords
- random
- trainer
- active thrust
- tracking
- tracking error
- 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
- 238000000034 method Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000006641 stabilisation Effects 0.000 claims description 12
- 238000011105 stabilization Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 6
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005309 stochastic process Methods 0.000 claims description 2
- 206010017577 Gait disturbance Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/12—Target-seeking control
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明公开了一种基于随机配置网络(Stochastic Configuration Networks,SCN)观测主动推力的康复步行机器人随机训练者有限时间稳定控制方法。其特征为:利用康复步行机器人的动力学模型,将训练者的质量信息转化为定常值和随机变量,同时将广义输入力分解为跟踪控制力和训练者的主动推力,建立具有主动推力的康复步行机器人随机训练者动力学模型;基于SCN方法构建主动推力的网络估计模型,以轨迹跟踪误差和速度跟踪误差为网络输入,通过不断随机配置隐含层节点参数,获得训练者主动推力的观测值。
Description
技术领域:
本发明涉及轮式康复机器人的控制领域,尤其是关于轮式下肢康复机器人的控制方法。
背景技术:
交通事故及人口老龄化使步行障碍患者逐年增多,由于我国缺少专业康复人员,导致步行障碍患者无法得到及时有效的运动训练,从而步行功能逐渐丧失,无法实现日常独立生活。随着康复步行机器人在康复中心、养老院等场所的应用,有效解决了康复人员短缺的问题。然而,在实际应用中,随着训练者步行能力逐渐增强,将对机器人产生主动推力,严重影响机器人的控制精度,从而导致跟踪性能下降;另外,针对不同训练者都要调整控制器参数是不现实的,由于训练者质量不同,将会干扰机器人的跟踪运动。因此,研究康复机器人的控制方法,使其抑制随机训练者的主动推力对提高康复步行机器人性能具有重要意义。近年来,康复步行机器人轨迹跟踪控制已有许多研究成果,然而这些结果都无法解决随机训练者的主动推力问题。如果步行机器人不能适应不同质量的训练者并抑制主动推力,不仅影响跟踪精度,而且过大的轨迹跟踪误差会使机器人碰撞周围的物体,从而威胁训练者的安全。到目前为止,还没有关于主动推力观测并适用随机训练者的有限时间稳定控制方法,本发明基于新视角提出了主动推力观测方法,并研究了补偿主动推力的随机训练者有限时间稳定控制方法,对保障训练者的康复效果和安全性具有重要意义。
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观测主动推力的康复步行机器人随机训练者有限时间稳定控制方法,目的是对于随机训练者提高机器人的跟踪精度,保障训练者的安全。
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(Stochastic Configuration Networks,SCN)观测主动推力的康复步行机器人随机训练者有限时间稳定控制方法,其特征在于:
1)利用康复步行机器人的动力学模型,将训练者的质量信息转化为定常值和随机变量,同时将广义输入力分解为跟踪控制力和训练者的主动推力,建立具有主动推力的康复步行机器人随机训练者动力学模型;
2)基于SCN方法构建主动推力的网络估计模型,以轨迹跟踪误差和速度跟踪误差为网络输入,通过不断随机配置隐含层节点参数,获得训练者主动推力的观测值;
3)设计随机有限时间跟踪控制器,补偿训练者主动推力对系统跟踪精度的影响,并使跟踪误差系统实现随机有限时间稳定。
步骤如下:
步骤1)利用康复步行训练机器人的动力学模型,将训练者的质量信息转化为定常值和随机变量,同时将广义输入力分解为跟踪控制力和训练者的主动推力,建立具有主动推力的康复步行机器人随机训练者动力学模型,其特征在于:系统的动力学模型描述如下
其中
X(t)为康复训练机器人的实际行走轨迹,u(t)表示广义输入力,M表示机器人的质量,m表示康复者的质量,I0表示转动惯量,M0,B(θ)为系数矩阵。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,即θ=θ1,由康复步行机器人结构可知,θ3=θ+π,li表示系统重心到每个轮子中心的距离,r0表示中心到重心的距离,φi表示x′轴和每个轮子对应的li之间的夹角(i=1,2,3,4)。
将训练者的质量信息m分解为m=ms+Δm,ms表示指定的定常值,Δm表示不同训练者质量与定常值的偏差;同时将广义输入力u(t)分解为u(t)=uc(t)+ua(t),uc(t)表示待设计的控制输入力,ua(t)表示训练者步行对机器人产生的主动推力,这样模型(1)化为如下形式:
其中
进一步,式(3)可化为
步骤2)基于SCN方法构建主动推力的网络估计模型,以轨迹跟踪误差和速度跟踪误差为网络输入,通过不断随机配置隐含层节点参数,获得训练者主动推力的观测值,其特征在于:康复步行机器人实际行走轨迹X(t),医生指定训练轨迹Xd(t),设轨迹跟踪误差e1(t)和速度跟踪误差e2(t)分别为
e1(t)=X(t)-Xd(t) (7)
其中α表示待设计的参数。以轨迹跟踪误差和速度跟踪误差作为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(e(t))=[g1(ω1e(t)+b1),…,gL(ωLe(t)+bL)]T。
其中
gj(ωje(t)+bj)为隐含层第j个节点的输出(j=1,2,…,L),ωh,j为输入层第h个输入连接隐含层第j个节点的权值(h=1,2,…,6),bj为隐含层第j个节点的阈值。
其中
由于
其中
故
其中,参数0<r<1,{μL}为非负实数序列,μL≤(1-r)。当δL>0时,εL TεL<(r+μL)εL-1 TεL-1,随着随机配置的隐含层节点数不断增加,当此时εL TεL<rεL-1 TεL-1,容易得到便可实现主动推力的观测
步骤3)设计随机有限时间跟踪控制器,补偿训练者主动推力对系统跟踪精度的影响,并使跟踪误差系统实现随机有限时间稳定,其特征在于:根据式(6)(7)(8),得到跟踪误差系统如下:
定义辅助变量χ(e1(t))=-L1Sig(e1(t))β,Sig(Q)β=[|q1|βsgn(q1),…,|qn|βsgn(qn)]T,0<β<1,Q=[q1,…,qn]T∈Rn,矩阵L1=diag{l11,l12,l13},定义误差变量z(t)=e2(t)-χ(e1(t)),并将z(t)代入误差系统(11),得
设计Lyapunov函数V1(x,t)如下:
基于随机稳定理论,得
根据Young’s不等式,对于给定的常数μ1>0,有
记e1(t)=[e11 e12 e13]T分别表示x轴、y轴和旋转角方向的轨迹跟踪误差,进一步得
接下来,设计Lyapunov函数V2(x,t)如下:
基于随机稳定理论,得
其中I表示具有适当维数的单位矩阵。
进一步根据Young’s不等式,对于给定的常数μ2>0,有
设计控制器uc(t)如下:
定义辅助变量χ(z(t))=-L2Sig(z(t))β,其中z(t)=[z11 z12 z13]T,矩阵L2=diag{l21,l22,l23},得
将式(24)代入式(23),得
进一步,对于给定常数0<l0≤1,式(25)可以表示为:
对式(27)两边积分得到有限调整时间T满足条件如下:
这样,在控制器式(21)作用下,并根据式(25)可知跟踪误差系统(11)随机有限时间稳定,且有限调整时间满足式(28)。
步骤4)基于STM32F411系列单片机将输出PWM信号提供给电机驱动模块,使康复步行机器人可帮助随机训练者跟踪医生指定的训练轨迹,其特征在于:以STM32F411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观测主动推力的康复步行机器人随机训练者有限时间稳定控制方法,具有如下优点:
本发明结合动力学模型,建立了具有主动推力的康复步行机器人随机训练者动力学模型;基于SCN方法构建了主动推力的网络估计模型,并设计随机有限时间控制器补偿主动推力对系统跟踪性能的影响,提高了系统暂态性能,保障了系统跟踪精度和训练者的安全。
附图说明:
图1为本发明控制器工作框图;
图2为本发明系统坐标图;
图3为本发明STM32F411单片机最小系统;
图4为本发明MPU9250外围电路;
图5为本发明电机驱动模块外围电路;
图6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SCN观测主动推力的康复步行机器人随机训练者有限时间稳定控制方法,其特征在于:
1)利用康复步行机器人的动力学模型,将训练者的质量信息转化为定常值和随机变量,同时将广义输入力分解为跟踪控制力和训练者的主动推力,建立具有主动推力的康复步行机器人随机训练者动力学模型;
2)基于SCN方法构建主动推力的网络估计模型,以轨迹跟踪误差和速度跟踪误差为网络输入,通过不断随机配置隐含层节点参数,获得训练者主动推力的观测值;
3)设计随机有限时间跟踪控制器,补偿训练者主动推力对系统跟踪精度的影响,并使跟踪误差系统实现随机有限时间稳定。
步骤如下:
步骤1)利用康复步行训练机器人的动力学模型,将训练者的质量信息转化为定常值和随机变量,同时将广义输入力分解为跟踪控制力和训练者的主动推力,建立具有主动推力的康复步行机器人随机训练者动力学模型,其特征在于:系统的动力学模型描述如下
其中
X(t)为康复训练机器人的实际行走轨迹,u(t)表示广义输入力,M表示机器人的质量,m表示康复者的质量,I0表示转动惯量,M0,为系数矩阵。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,即θ=θ1,由康复步行机器人结构可知,li表示系统重心到每个轮子中心的距离,r0表示中心到重心的距离,φi表示x′轴和每个轮子对应的li之间的夹角(i=1,2,3,4)。
将训练者的质量信息m分解为m=ms+Δm,ms表示指定的定常值,Δm表示不同训练者质量与定常值的偏差;同时将广义输入力u(t)分解为u(t)=uc(t)+ua(t),uc(t)表示待设计的控制输入力,ua(t)表示训练者步行对机器人产生的主动推力,这样模型(1)化为如下形式:
其中
进一步,式(3)可化为
步骤2)基于SCN方法构建主动推力的网络估计模型,以轨迹跟踪误差和速度跟踪误差为网络输入,通过不断随机配置隐含层节点参数,获得训练者主动推力的观测值,其特征在于:康复步行机器人实际行走轨迹X(t),医生指定训练轨迹Xd(t),设轨迹跟踪误差e1(t)和速度跟踪误差e2(t)分别为
e1(t)=X(t)-Xd(t) (7)
其中α表示待设计的参数。以轨迹跟踪误差和速度跟踪误差作为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(e(t))=[g1(ω1e(t)+b1),…,gL(ωLe(t)+bL)]T。
其中
gj(ωje(t)+bj)为隐含层第j个节点的输出(j=1,2,…,L),ωh,j为输入层第h个输入连接隐含层第j个节点的权值(h=1,2,…,6),bj为隐含层第j个节点的阈值。
其中
步骤3)设计随机有限时间跟踪控制器,补偿训练者主动推力对系统跟踪精度的影响,并使跟踪误差系统实现随机有限时间稳定,其特征在于:根据式(6)(7)(8),得到跟踪误差系统如下:
定义辅助变量χ(e1(t))=-L1Sig(e1(t))β,Sig(Q)β=[|q1|βsgn(q1),…,|qn|βsgn(qn)]T,0<β<1,Q=[q1,…,qn]T∈Rn,矩阵L1=diag{l11,l12,l13},定义误差变量z(t)=e2(t)-χ(e1(t)),并将z(t)代入误差系统(11),得
设计Lyapunov函数V1(x,t)如下:
基于随机稳定理论,得
根据Young’s不等式,对于给定的常数μ1>0,有
记e1(t)=[e11 e12 e13]T分别表示x轴、y轴和旋转角方向的轨迹跟踪误差,进一步得
接下来,设计Lyapunov函数V2(x,t)如下:
基于随机稳定理论,得
其中I表示具有适当维数的单位矩阵。
进一步根据Young’s不等式,对于给定的常数μ2>0,有
设计控制器uc(t)如下:
定义辅助变量χ(z(t))=-L2Sig(z(t))β,其中z(t)=[z11 z12 z13]T,矩阵L2=diag{l21,l22,l23},得
将式(24)代入式(23),得
进一步,对于给定常数0<l0≤1,式(25)可以表示为:
对式(27)两边积分得到有限调整时间T满足条件如下:
这样,在控制器式(21)作用下,并根据式(25)可知跟踪误差系统(11)随机有限时间稳定,且有限调整时间满足式(28)。
步骤4)基于STM32F411系列单片机将输出PWM信号提供给电机驱动模块,使康复步行机器人可帮助随机训练者跟踪医生指定的训练轨迹,其特征在于:以STM32F411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。
本发明解决了主动推力观测及随机训练者有限时间稳定控制问题。建立具有主动推力的康复步行机器人随机训练者动力学模型;基于SCN方法构建主动推力的网络估计模型,以轨迹和速度跟踪误差为网络输入,通过不断随机配置隐含层节点参数,获得主动推力观测;设计了有限时间控制器,补偿主动推力对系统跟踪精度的影响,并使跟踪误差系统实现随机有限时间稳定,有效提高了系统跟踪性能及训练者的安全性。
Claims (3)
1.基于随机配置网络观测主动推力的康复步行机器人随机训练者有限时间稳定控制方法;其特征为:将训练者的质量信息转化为定常值和随机变量,同时将广义输入力分解为跟踪控制力和训练者的主动推力,建立具有主动推力的康复步行机器人随机训练者动力学模型;基于随机配置网络方法构建主动推力的网络估计模型,获得训练者主动推力的观测值;设计随机有限时间跟踪控制器,补偿训练者主动推力对系统跟踪精度的影响,并使跟踪误差系统实现随机有限时间稳定;步骤如下:
1)利用康复步行机器人的动力学模型,将训练者的质量信息转化为定常值和随机变量,同时将广义输入力分解为跟踪控制力和训练者的主动推力,建立具有主动推力的康复步行机器人随机训练者动力学模型;
2)基于随机配置网络方法构建主动推力的网络估计模型,以轨迹跟踪误差和速度跟踪误差为网络输入,通过不断随机配置隐含层节点参数,获得训练者主动推力的观测值;
3)设计随机有限时间跟踪控制器,补偿训练者主动推力对系统跟踪精度的影响,并使跟踪误差系统实现随机有限时间稳定;
利用康复步行训练机器人的动力学模型,将训练者的质量信息转化为定常值和随机变量,同时将广义输入力分解为跟踪控制力和训练者的主动推力,建立具有主动推力的康复步行机器人随机训练者动力学模型,其特征在于:系统的动力学模型描述如下
其中
X(t)为康复训练机器人的实际行走轨迹,u(t)表示广义输入力,M表示机器人的质量,m表示康复者的质量,I0表示转动惯量,M0,K(θ),B(θ)为系数矩阵;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,即θ=θ1,由康复步行机器人结构可知,θ3=θ+π,li表示系统重心到每个轮子中心的距离,r0表示中心到重心的距离,φi表示x′轴和每个轮子对应的li之间的夹角i=1,2,3,4;
将训练者的质量信息m分解为m=ms+Δm,ms表示指定的定常值,Δm表示不同训练者质量与定常值的偏差;同时将广义输入力u(t)分解为u(t)=uc(t)+ua(t),uc(t)表示待设计的控制输入力,ua(t)表示训练者步行对机器人产生的主动推力,这样模型(1)化为如下形式:
其中
进一步,式(3)可化为
基于随机配置网络方法构建主动推力的网络估计模型,以轨迹跟踪误差和速度跟踪误差为网络输入,通过不断随机配置隐含层节点参数,获得训练者主动推力的观测值,其特征在于:康复步行机器人实际行走轨迹X(t),医生指定训练轨迹Xd(t),设轨迹跟踪误差e1(t)和速度跟踪误差e2(t)分别为
e1(t)=X(t)-Xd(t) (7)
其中α表示待设计的参数;以轨迹跟踪误差和速度跟踪误差作为随机配置网络的网络输入层,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(e(t))=[g1(ω1e(t)+b1),…,gL(ωLe(t)+bL)]T;
其中
gj(ωje(t)+bj)为隐含层第j个节点的输出j=1,2,...,L,ωhj为输入层第h个输入连接隐含层第j个节点的权值h=1,2,...,6,bj为隐含层第j个节点的阈值;
其中
2.根据权利要求1所述基于随机配置网络观测主动推力的康复步行机器人随机训练者有限时间稳定控制方法,其特征在于设计随机有限时间跟踪控制器,补偿训练者主动推力对系统跟踪精度的影响,并使跟踪误差系统实现随机有限时间稳定,其特征在于:根据式(6)(7)(8),得到跟踪误差系统如下:
定义辅助变量χ(e1(t))=-L1Sig(e1(t))β,Sig(Q)β=[|q1|βsgn(q1),…,|qn|βsgn(qn)]T,0<β<1,Q=[q1,…,qn]T∈Rn,矩阵L1=diag{l11,l12,l13},定义误差变量z(t)=e2(t)-χ(e1(t)),并将z(t)代入误差系统(11),得
设计Lyapunov函数V1(x,t)如下:
基于随机稳定理论,得
根据Young’s不等式,对于给定的常数μ1>0,有
记e1(t)=[e11 e12 e13]T分别表示x轴、y轴和旋转角方向的轨迹跟踪误差,进一步得
接下来,设计Lyapunov函数V2(x,t)如下:
基于随机稳定理论,得
其中I表示具有适当维数的单位矩阵;
进一步根据Young’s不等式,对于给定的常数μ2>0,有
设计控制器uc(t)如下:
定义辅助变量χ(z(t))=-L2Sig(z(t))β,其中z(t)=[z11 z12 z13]T,矩阵L2=diag{l21,l22,l23},得
将式(24)代入式(23),得
进一步,对于给定常数0<l0≤1,式(25)可以表示为:
对式(27)两边积分得到有限调整时间T满足条件如下:
这样,在控制器式(21)作用下,并根据式(25)可知跟踪误差系统(11)随机有限时间稳定,且有限调整时间满足式(28)。
3.根据权利要求1所述基于随机配置网络观测主动推力的康复步行机器人随机训练者有限时间稳定控制方法,其特征在于基于STM32F411系列单片机将输出PWM信号提供给电机驱动模块,使康复步行机器人可帮助随机训练者跟踪医生指定的训练轨迹,其特征在于:以STM32F411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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011363092.1A CN112506054B (zh) | 2020-11-27 | 2020-11-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011363092.1A CN112506054B (zh) | 2020-11-27 | 2020-11-27 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112506054A CN112506054A (zh) | 2021-03-16 |
CN112506054B true CN112506054B (zh) | 2022-06-03 |
Family
ID=74967114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011363092.1A Active CN112506054B (zh) | 2020-11-27 | 2020-11-27 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112506054B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359767B (zh) * | 2021-07-05 | 2023-08-18 | 沈阳工业大学 | 机器人结构慢变化的有界轨迹跟踪误差安全驱动控制方法 |
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 |
CN113359470B (zh) * | 2021-07-05 | 2023-08-11 | 沈阳工业大学 | 康复机器人抑制结构变化的指定暂态时间稳定控制方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104375503B (zh) * | 2013-11-20 | 2017-05-03 | 沈阳工业大学 | 一种独立于康复者质量的轮式康复机器人的控制方法 |
CN104666054B (zh) * | 2014-11-08 | 2016-09-14 | 沈阳工业大学 | 带有力反馈的全方位移动悬吊式辅助康复机器人 |
CN104808657B (zh) * | 2014-11-21 | 2017-08-08 | 沈阳工业大学 | 康复步行训练机器人的全自由度控制力最优轨迹跟踪方法 |
CN105320138B (zh) * | 2015-11-28 | 2017-11-07 | 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 |
CN105867130B (zh) * | 2016-04-15 | 2018-11-13 | 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 |
CN107703762B (zh) * | 2017-11-14 | 2020-12-29 | 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 |
CN107831667B (zh) * | 2017-11-14 | 2020-09-08 | 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 |
CN110989589B (zh) * | 2019-11-30 | 2023-06-06 | 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 |
CN111158238B (zh) * | 2020-01-08 | 2021-01-19 | 南昌大学 | 一种基于粒子群算法的力反馈设备动力学参数估计算法 |
CN111965979B (zh) * | 2020-08-28 | 2021-09-24 | 南京工业大学 | 基于外骨骼机器人作动器的有限时间控制方法 |
-
2020
- 2020-11-27 CN CN202011363092.1A patent/CN112506054B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112506054A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110989589B (zh) | 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 | |
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 | |
Lin et al. | Adaptive robust self-balancing and steering of a two-wheeled human transportation vehicle | |
CN107479381B (zh) | 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 | |
Lin et al. | Development of a self-balancing human transportation vehicle for the teaching of feedback control | |
Moallem et al. | An integral manifold approach for tip-position tracking of flexible multi-link manipulators | |
CN106647781A (zh) | 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法 | |
CN107544261A (zh) | 不确定环境接触下的可重构机器人分散学习最优控制方法 | |
CN112034842B (zh) | 适用于不同使用者的服务机器人速度约束跟踪控制方法 | |
Ahmed et al. | On replacing a PID controller with Neural Network controller for Segway | |
JP2000347708A (ja) | ニューラルネットよる動的システムの制御方法及び装置及びニューラルネットよる動的システムの制御プログラムを格納した記憶媒体 | |
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 | |
CN102488964A (zh) | 一种功能性电刺激闭环模糊pid控制方法 | |
Park et al. | Trajectory generation and control for a biped robot walking upstairs | |
Oh et al. | Sensor free power assisting control based on velocity control and disturbance observer | |
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 | |
CN113359767B (zh) | 机器人结构慢变化的有界轨迹跟踪误差安全驱动控制方法 | |
Oung et al. | Feasibility of a distributed flight array | |
CN113325720B (zh) | 具有运动速度决策的康复训练机器人自适应跟踪控制方法 | |
CN113419423B (zh) | 一种服务机器人有限时间适应结构变化的跟踪控制方法 | |
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 | |
CN116000917A (zh) | 康复步行机器人的运动轨迹安全触发数据驱动控制方法 | |
Çakira et al. | Neural Network Control for Quadrotors | |
WO2021095471A1 (ja) | 二足歩行ロボット、および二足歩行ロボットの制御方法 |
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 |