CN112947123B - 一种抑制多源干扰的外骨骼机器人跟踪控制方法和系统 - Google Patents
一种抑制多源干扰的外骨骼机器人跟踪控制方法和系统 Download PDFInfo
- Publication number
- CN112947123B CN112947123B CN202110333589.7A CN202110333589A CN112947123B CN 112947123 B CN112947123 B CN 112947123B CN 202110333589 A CN202110333589 A CN 202110333589A CN 112947123 B CN112947123 B CN 112947123B
- Authority
- CN
- China
- Prior art keywords
- motor
- theta
- representing
- connecting rod
- omega
- 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 title claims abstract description 44
- 230000002401 inhibitory effect Effects 0.000 title claims description 7
- 239000002131 composite material Substances 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000005021 gait Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 230000005477 standard model Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 8
- 238000013459 approach Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002411 adverse Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003313 weakening 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本发明通过计算系统匹配和不匹配的干扰,为外骨骼机器人柔性的驱动器系统设计了位置跟踪控制算法。为了优化柔性驱动器系统的控制性能,在控制器设计中引入了广义预测控制方法。与主要依赖于建模的传统MPC方法相比,所提出的GPC方法几乎不需要模型。但是传统MPC方法在存在匹配和非匹配干扰的情况下不能实现令人满意的效果。为此提出了一种复合控制方法,其将基于广义比例积分观测器的前馈补偿和GPC反馈控制结合在一起。GPIO的核心思想是基于系统的输入输出模型和时变扰动模型来消除时变扰动对系统控制性能的影响,可以同时估计系统未知状态、以及多项式形式的时变干扰。
Description
技术领域
本发明涉及位置跟踪算法领域,具体而言,涉及一种抑制多源干扰的外骨骼机器人跟踪控制方法和系统。
背景技术
外骨骼机器人柔性驱动器是运动控制应用中的一种有前途的驱动方法,其与环境智能地相互作用,弹簧置于驱动器和负载之间。与刚性驱动器相比,柔性驱动器具有几个吸引人的特性,例如低输出阻抗,后驱动性,抗冲击性,平稳的力传递和能量效率。由于大多数发达国家人口老龄化迅速,因此在服务,援助和康复方面对合规驱动器的需求日益增加。
模型预测控制(MPC)是工业应用中最实用的先进控制技术之一。它可以作为一种最优控制方法,采用植物动态模型预测状态的未来行为,并根据每个采样时间的某个性能目标函数或运行成本函数的优化来确定未来的控制动作。MPC方法可以确保令人满意的系统性能,因为它具有包括鲁棒性,建模简单性以及处理操纵和控制变量的约束的良好能力的优点。MPC的一个广泛认可的弱点是它在很大程度上取决于建模精度,即,在实施之前必须支付工厂建模的巨大成本。除了建模误差外,外部干扰不可避免地给高精度预测带来很大障碍,并最终对闭环控制性能产生不良影响。因此,如何减轻干扰和不确定性引起的不利影响始终是大多数研究人员应该考虑的最关键问题之一。
中国专利申请,申请号CN201611077672.8,公开日2017年01月18日,公开了一种柔性关节机器人系统的控制器设计方法,该发明涉及一种柔性关节机器人系统的控制器设计方法,包括:建立柔性关节机器人的动力学模型,将柔性关节机器人系统分解为两个子系统,即连杆子系统和电机子系统;设计连杆子系统虚拟控制器及其自适应规律;设计电机子系统真实控制器及其自适应规律;进行稳定性分析;进行系统性能仿真,由仿真效果来调整控制器的参数。该发明简化了控制设计的流程,明确了控制对象;把系统中存在的未知参数的影响和未知外部干扰的影响归结为两个边界函数,然后通过设计相应的自适应规律来估计边界函数的值,从而设计控制来抵消未知参数和外部干扰的影响。该发明的不足之处:虽然抵消了外部扰动,但是扰动也分为匹配和非匹配,非匹配扰动在控制设计中容易被忽略。
中国专利申请,申请号CN201910291400.5,公开日2020年03月13日,公开了一种柔性关节机械臂控制方法,该发明涉及一种柔性关节机械臂控制方法。其特点是,包括如下步骤:
步骤一:建立柔性关节机械臂系统动力学模型;步骤二:将柔性关节机械臂期望的关节和电机的位移、角速度作为基于模糊神经网络逼近器的自适应反演控制器的参考输入,将电动机提供转矩的外部输入作为自适应反演控制器的实际输入,如果自适应反演控制器的实际输出值和预设的期望值产生跟踪误差,该跟踪误差通过自适应反演控制器的迭代计算趋近于零。该控制方法减小了超调量,快速实现跟踪,该发明的不足之处:仅使用控制器抗干扰能力会略显不足,在时变扰动产生时鲁棒性较弱。
发明内容
1.要解决的技术问题
由于系统存在匹配和不匹配的干扰,为了优化外骨骼机器人柔性驱动器系统的控制性能,统设计了位置跟踪控制算法。在控制器设计中引入了广义预测控制(GPC)方法,但是传统MPC方法在存在匹配和非匹配干扰的情况下不能实现令人满意的效果。为此提出了一种复合控制方法,其将基于广义比例积分观测器(GPIO)的GPC和补偿结合在一起,引入GPIO来估计集总时变干扰,并根据估计的扰动向GPC位置控制器添加前馈补偿项。
2.技术方案
本发明的目的通过以下技术方案实现。
一种抑制多源干扰的外骨骼机器人跟踪控制方法,包括如下步骤:
步骤1:建立柔性驱动器的动态模型,使用牛顿运动定律并忽略摩擦的影响,可以获得标准模型的柔性驱动器方程,并定义其系统优化的成本函数;
步骤2:进行带有扰动补偿的输出位置预测,并减弱基于输出位置预测性能的优化;
步骤3:充分利用测量位置θl和θm,设计了两个基于测量位置的扰动观测器来估计状态和集总时变扰动。
步骤4:建立抑制多源干扰的外骨骼机器人优化跟踪控制系统。
进一步地,步骤1具体过程如下:
建立柔性驱动器的动态模型并定义其系统优化的成本函数。
建立柔性驱动器的动态模型:
其中,m代表电机,l代表连杆,t是时间变量,al=k/Jl,am=k/Jm,bm=1/Jm,Jm和Jl代表电机和连杆的质量,k是弹簧的刚度;θm和θl代表电机和连杆的位置;ωm和ωl代表电机和连杆的角速度;u是电机转矩;d1(t)和d2(t)分别是电机和负载的干扰;为al(t),am(t),bm(t)的标称常数值,然后上式可以改写为
其中T>0是预测周期,τ是[0,T]内的任意时刻,θr是期望的参考位置。
进一步地,步骤2具体过程如下:
输出位置预测基于泰勒级数展开4项后如下式:
其中θi是位置,i=l,r。
在上式中的基础上,我们如下构造预测的θl和θr:
预测性能的减弱优化的过程如下:
在(5)中预测位置的前提下,(3)中的指数J(t)可以进行如下预测:
其中*是独立于u的。
进一步地,步骤3具体过程如下:
λ1,λ2,λ3是观测器的三个极点。
观测器2为:
λ4,λ5,λ6是观测器的三个极点。
进一步地,步骤4具体过程如下:
将广义比例积分观测器和广义模型预测控制器结合生成复合控制器:
其中z2,z5是观测器的中间变量。将步骤3中的扰动观测器所观测出来的值通过前馈补偿代入步骤2中的控制器输出中,建立跟踪控制系统,提高了该复合控制系统在存在匹配与非匹配扰动情况下的鲁棒性。
一种抑制多源干扰的外骨骼机器人跟踪控制系统,所述系统包括:广义模型预测控制器,伺服马达,传动系统,矫形器,电位器,广义比例积分观测器;
预定义步态轨迹用于产生角度信号,广义模型预测控制器用于计算出控制量,伺服电机用于驱动传动系统,传动系统用于动力传递,矫形器用于固定骨骼关节,电位器用于传递角度信号,广义比例积分观测器用于观测干扰。
进一步地,预定义步态轨迹通过角度形式输入给系统,通过和反馈的角度信号作差进入广义模型预测控制器进行运算,输出控制量通过伺服电机输出力矩,力矩经传动系统驱动矫形器并通过电位器反馈输出当前步态的角度信号,角度信号通过变换作用于广义比例积分观测器,使之输出匹配和非匹配干扰的前馈补偿量,最后将补偿量输入至广义模型预测控制器中形成复合控制系统。
3.有益效果
相比于现有技术,本发明的优点在于:
本发明结合广义比例积分观测器和广义模型预测控制器生成复合控制器以提高系统在匹配和非匹配干扰下的鲁棒性。首先,建立外骨骼机器人柔性驱动器的动态模型,使用牛顿运动定律并忽略摩擦的影响,可以获得标准模型的柔性驱动器方程,并定义其系统优化的成本函数,在反馈控制中采用广义预测控制(GPC)方法,进行带有扰动补偿的输出位置预测,并减弱基于输出位置预测性能的优化,该方法具有无模型的特点。其次,充分利用测量位置θl和θm,设计了两个基于测量位置的广义比例积分观测器(GPIO),基于系统的输入输出模型和时变扰动模型,对集总时变扰动进行了精确估计,并且消除时变扰动对系统控制性能的影响。通过将这些干扰估计值代入控制器中,可以消除匹配和非匹配干扰的影响。
附图说明
图1为本发明的控制系统结构框图;
图2为本发明的流程图;
图3为本发明在复合控制方法下角度、跟踪误差、转矩的对比图;
图4为本发明在复合控制方法下角度、跟踪误差、转矩的放大对比图。
具体实施方式
下面结合说明书附图和具体的实施方式,对本发明作详细描述。
实施例
如图1所示,本实施例公开了一种抑制多源干扰的外骨骼机器人跟踪控制系统,所述系统包括:广义模型预测控制器,伺服马达,传动系统,矫形器,电位器,广义比例积分观测器;预定义步态轨迹用于产生角度信号,广义模型预测控制器用于计算出控制量,伺服电机用于驱动传动系统,传动系统用于动力传递,矫形器用于固定骨骼关节,电位器用于传递角度信号,广义比例积分观测器用于观测干扰。预定义步态轨迹通过角度形式输入给系统,通过和反馈的角度信号作差进入广义模型预测控制器进行运算,输出控制量通过伺服电机输出力矩,力矩经传动系统驱动矫形器并通过电位器反馈输出当前步态的角度信号,角度信号通过变换作用于广义比例积分观测器,使之输出匹配和非匹配干扰的前馈补偿量,最后将补偿量输入至广义模型预测控制器中形成复合控制系统。
如图2所示,具体的一种抑制多源干扰的外骨骼机器人跟踪控制方法包括如下步骤:
建立柔性驱动器的动态模型:
其中,m代表电机,l代表连杆,t是时间变量,al=k/Jl,am=k/Jm,bm=1/Jm,Jm和Jl代表电机和连杆的质量,k是弹簧的刚度;θm和θl代表电机和连杆的位置;ωm和ωl代表电机和连杆的角速度;u是电机转矩;d1(t)和d2(t)分别是电机和负载的干扰;
其中T>0是预测周期,τ是[0,T]内的任意时刻,θr是期望的参考位置。
输出位置预测基于泰勒级数展开4项后如下式:
其中θi是位置,i=l,r。
在上式中的基础上,我们如下构造预测的θl和θr:
预测性能的减弱优化:
在(5)中预测位置的前提下,(3)中的指数J(t)可以进行如下预测:
其中*是独立于u的。
针对匹配和非匹配扰动,分别设计两个基于测量位置的扰动观测器,其中观测器为:
λ1,λ2,λ3是观测器的三个极点。
代入得
观测器2为:
λ4,λ5,λ6是观测器的三个极点。
代入得
将广义比例积分观测器和广义模型预测控制器结合生成复合控制器:
其中z2,z5是观测器的中间变量。
由图3和图4的第一张图可知,实线为给定角度,细虚线为传统GPC控制方法的角度跟踪曲线,粗虚线为本发明提出的外骨骼机器人柔性驱动器复合控制方法的角度跟踪曲线,显然,粗虚线的角度可以比细虚线更快达到给定值,细虚线在达到给定值以后有所回落,粗虚线可以一直保持在给定值,可见本发明所提出的方法具有很好的角度跟踪性能,具有良好的动态性能。
由图3和图4的第二张图可知,细虚线为传统GPC控制方法的角度跟踪误差曲线,粗虚线为本发明提出的外骨骼机器人柔性驱动器复合控制方法的角度跟踪误差曲线,粗虚线可以比细虚线更快趋近于0值,细虚线在达到0值以后有所上升,粗虚线可以一直保持在0值,可知本发明所提出方法的跟踪误差可以维持在0左右,稳态性能较好。
由图3和图4的第三张图可知,细虚线为传统GPC控制方法的转矩曲线,粗虚线为本发明提出的外骨骼机器人柔性驱动器复合控制方法的转矩曲线,两种虚线在稳态时候皆无超调和过大抖震,粗虚线虽然超调比细虚线略微大,但是它的收敛时间比细虚线短,说明本发明所提出的方法响应更快。
综上所述,该方法的跟踪性能较好,在响应快速的同时可以保持系统较强的鲁棒性。
以上示意性地对本发明创造及其实施方式进行了描述,该描述没有限制性,在不背离本发明的精神或者基本特征的情况下,能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一,实际的结构并不局限于此,权利要求中的任何附图标记不应限制所涉及的权利要求。所以,如果本领域的普通技术人员受其启示,在不脱离本创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本专利的保护范围。此外,“包括”一词不排除其他元件或步骤,在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (3)
1.一种抑制多源干扰的外骨骼机器人跟踪控制方法,包括如下步骤:
步骤1,建立柔性驱动器的动态模型,使用牛顿运动定律并忽略摩擦的影响,获得标准模型的柔性驱动器方程,并定义其系统优化的成本函数;建立柔性驱动器的动态模型:
其中,m代表电机,l代表连杆,t是时间变量,al=k/Jl,am=k/Jm,bm=1/Jm,Jm和Jl代表电机和连杆的质量,k是弹簧的刚度;θm和θl代表电机和连杆的位置;ωm和ωl代表电机和连杆的角速度;u是电机转矩;d1(t)和b2(t)分别是电机和负载的干扰;为al(t),am(t),dm(t)的标称常数值;
将上式改写为
系统优化的成本函数如下:
其中T>0是预测周期,τ是[0,T]内的任意时刻,θr是期望的参考位置;
步骤2,进行带有扰动补偿的输出角度预测,并减弱基于输出角度预测性能的优化;进行带有扰动补偿的输出位置预测的具体方法为:
输出位置预测基于泰勒级数展开4项后如下式:
其中θi是位置,t是时间变量,T>0是预测周期,τ是[0,T]内的任意时刻,i=l,r;
在上式中的基础上,构造预测的θl和θr:
其中,m代表电机,l代表连杆,r代表期望值,t是时间变量;al=k/Jl,am=k/Jm,bm=1/Jm,Jm和Jl代表电机和连杆的质量,k是弹簧的刚度;θm和θl代表电机和连杆的位置;ωm和ωl代表电机和连杆的角速度;u是电机转矩;d1(t)和d2(t)分别是电机和负载的干扰;为al(t),am(t),bm(t)的标称常数值;和分别是θl和θr的预测位置;且 和是ωl,ωm,和的估计值;
在(5)中预测位置的前提下,(3)中的指数J(t)可以进行如下预测:
其中*是独立于u的;
对u求导:
步骤3,利用测量位置θl和θm,设计两个基于测量位置的扰动观测器来估计状态和集总时变扰动;针对匹配和非匹配扰动,分别设计两个基于测量位置的扰动观测器,其中观测器1为:
其中al=k/Jl,Jl代表连杆的质量,k是弹簧的刚度;为al(t)标称常数值;θm和θl代表电机和连杆的位置;ωl代表连杆的角速度;d1(t)电机和的干扰;和是ωl和的估计值;λ1,λ2,λ3是观测器的三个极点;
代入得
观测器2为:
其中am=k/Jm,bm=1/Jm,Jm和Jl代表电机和连杆的质量,k是弹簧的刚度;为am(t),bm(t)的标称常数值;θm和θl代表电机和连杆的位置;ωm代表电机的角速度;u是电机转矩;d2(t)分别是负载的干扰,和是ωm和的估计值;λ4,λ5,λ6是观测器的三个极点;
代入得
步骤4,建立抑制多源干扰的外骨骼机器人优化跟踪控制系统,实现跟踪优化;将广义比例积分观测器和广义模型预测控制器结合生成复合控制器:
2.基于权利要求1所述方法的抑制多源干扰的外骨骼机器人跟踪控制系统,其特征在于,所述系统包括:广义模型预测控制器和广义比例积分观测器;广义模型预测控制器接收角度信号的差值后计算出控制量至伺服电机,广义比例积分观测器输出匹配和非匹配干扰的前馈补偿量至广义模型预测控制器中形成复合控制系统。
3.根据权利要求2所述的一种抑制多源干扰的外骨骼机器人跟踪控制系统,其特征在于,所述系统还包括:伺服电机,在广义模型预测控制器输出的控制量作用下输出力矩至传动系统;所述传动系统驱动矫形器并输出当前步态的角度信号至广义比例积分观测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110333589.7A CN112947123B (zh) | 2021-03-29 | 2021-03-29 | 一种抑制多源干扰的外骨骼机器人跟踪控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110333589.7A CN112947123B (zh) | 2021-03-29 | 2021-03-29 | 一种抑制多源干扰的外骨骼机器人跟踪控制方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112947123A CN112947123A (zh) | 2021-06-11 |
CN112947123B true CN112947123B (zh) | 2022-12-09 |
Family
ID=76228387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110333589.7A Active CN112947123B (zh) | 2021-03-29 | 2021-03-29 | 一种抑制多源干扰的外骨骼机器人跟踪控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112947123B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113805485B (zh) * | 2021-10-13 | 2023-04-14 | 吉林大学 | 一种暖启动c/gmres方法、系统、设备及介质 |
CN114815922B (zh) * | 2022-03-28 | 2023-10-20 | 湖北工业大学 | 一种基于gpc和gpio的电热炉温度抗干扰控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110649845B (zh) * | 2019-09-19 | 2021-08-31 | 中国科学院长春光学精密机械与物理研究所 | 基于鲁棒广义预测控制的光电转台位置跟踪控制方法 |
CN111290273B (zh) * | 2020-02-18 | 2022-08-12 | 湖州和力机器人智能科技有限公司 | 基于外骨骼机器人柔性作动器的位置跟踪优化控制方法 |
CN112008726B (zh) * | 2020-08-28 | 2021-08-27 | 浙江协力机器人技术有限公司 | 基于外骨骼机器人作动器的复合有限时间控制方法 |
-
2021
- 2021-03-29 CN CN202110333589.7A patent/CN112947123B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112947123A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112947123B (zh) | 一种抑制多源干扰的外骨骼机器人跟踪控制方法和系统 | |
JP2676397B2 (ja) | 動的システムの運動軌道生成方法 | |
CN111290273B (zh) | 基于外骨骼机器人柔性作动器的位置跟踪优化控制方法 | |
CN110877333A (zh) | 一种柔性关节机械臂控制方法 | |
CN111428317B (zh) | 一种基于5g和循环神经网络的关节摩擦力矩补偿方法 | |
CN111596545A (zh) | 一种多输入多输出机械系统自适应容错预设性能控制方法 | |
JP2022513416A (ja) | 機械の動作を制御する装置及び方法、並びに記憶媒体 | |
Cılız et al. | Friction modelling and compensation for motion control using hybrid neural network models | |
CN115157238A (zh) | 一种多自由度机器人动力学建模和轨迹跟踪方法 | |
CN113093526B (zh) | 一种基于强化学习的无超调pid控制器参数整定方法 | |
CN114310911B (zh) | 基于神经网络的驱动关节动态误差预测与补偿系统及方法 | |
Khan et al. | Singular perturbation-based adaptive integral sliding mode control for flexible joint robots | |
Harashima et al. | Tracking control of robot manipulators using sliding mode | |
Hu et al. | Prescribed time tracking control without velocity measurement for dual-arm robots | |
Feng et al. | Adaptive sliding mode controller based on fuzzy rules for a typical excavator electro-hydraulic position control system | |
Wei et al. | Asymmetric time‐varying BLF‐based model‐free hybrid force/position control for SEA‐based 2‐DOF manipulator | |
Yang et al. | Fixed-time composite neural learning control of flexible telerobotic systems | |
CN112405531B (zh) | 位置域阻抗控制方法、装置、存储介质及作业机器人 | |
CN116638507A (zh) | 一种自适应阻抗控制与预测控制相结合的遥操作控制方法 | |
Izadbakhsh et al. | Endpoint perfect tracking control of robots—a robust non inversion-based approach | |
Kostadinov et al. | Online weight-adaptive nonlinear model predictive control | |
Lichtenecker et al. | On the use of adjoint gradients for time-optimal control problems regarding a discrete control parameterization | |
He et al. | A semiparametric model-based friction compensation method for multijoint industrial robot | |
Shaheed et al. | Adaptive inverse-dynamic and neuro-inverse-dynamic active vibration control of a single-link flexible manipulator | |
CN112947066A (zh) | 一种机械手改进有限时间反演控制方法 |
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 |