CN113485120B - 一种基于操控行为检测的机器人遥操作轨迹规划方法 - Google Patents

一种基于操控行为检测的机器人遥操作轨迹规划方法 Download PDF

Info

Publication number
CN113485120B
CN113485120B CN202110877620.3A CN202110877620A CN113485120B CN 113485120 B CN113485120 B CN 113485120B CN 202110877620 A CN202110877620 A CN 202110877620A CN 113485120 B CN113485120 B CN 113485120B
Authority
CN
China
Prior art keywords
robot
behavior
teleoperation
human
track
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
CN202110877620.3A
Other languages
English (en)
Other versions
CN113485120A (zh
Inventor
马志强
黄攀峰
刘正雄
刘星
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202110877620.3A priority Critical patent/CN113485120B/zh
Publication of CN113485120A publication Critical patent/CN113485120A/zh
Application granted granted Critical
Publication of CN113485120B publication Critical patent/CN113485120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于操控行为检测的机器人遥操作轨迹规划方法，属于机器人与人交互的技术领域。首先，建立遥操作机器人的人机交互的模型，基于理论分析与参数确认，由滑模控制与神经网络技术对人类操作行为进行检测与估计，将获得的操作行为应用于期望轨迹跟踪更新，控制遥操作机器人根据形成的新的参考轨迹运动，使得在进行遥操作机器人人机交互的过程中，操作人员通过交互行为可以感知到期望的阻抗特性。本发明通过检测、评价与重构主端的人类操作行为，以操作人员的行为牵引，主动兼容不确定性及扰动对人操控行为的影响，将其视为主动的贡献，设计并更新从端的期望轨迹，达到提升主从行为一致性的效果，提高轨迹跟踪的效果。

Description

一种基于操控行为检测的机器人遥操作轨迹规划方法
技术领域
本发明属于机器人与人交互的技术领域，更具体地涉及一种基于模糊控制器分配控制权重，融合视觉伺服和人机交互控制的机器人混合控制方法。
背景技术
机器人遥操作是一种可以将本地操作人员与机器人交互的意图与行为向远端操作现场延伸的技术。机器人遥操作技术方案能够有效整合人类智慧行为与机器人精准执行能力，对于提高远端机器人执行任务的成功率意义重大。人在回路的机器人遥操作系统的另一优势在于可以利用人类丰富的经验决定远端机器人与环境交互的策略，可以通过弱化远端机器人行为“智能性”，在保持其一定的自主能力前提下，极大程度降低了为提升或保障“智能性”而开销的感知成本。这种通过本地人类感知以取代远端传感器系统的方案，也存在一定的不足，一个较为关键的缺陷便是人类操作行为的检测与评价从简单的传感器测量问题，转化为复杂状态估计问题，增加了系统设计的复杂度。进一步地，由于闭环系统的不确定性与人类操作行为常常混淆，会造成操作行为形成的引导轨迹隐含闭环系统不确定性的影响。由于这一不利影响的存在，常规的传感器检测获取的规划轨迹精度较低。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，本发明提出了一种基于操控行为检测的机器人遥操作轨迹规划方法。
技术方案
一种基于操控行为检测的机器人遥操作轨迹规划方法，其特征在于步骤如下：
步骤1：建立遥操作机器人的人机交互模型
考虑遥操作机器人的笛卡尔空间动力学：
Figure BDA0003190903010000021
其中，
Figure BDA0003190903010000022
表示是机器人效应器末端的笛卡尔三维空间向量，代表运动轨迹，
Figure BDA0003190903010000023
是机器人效应器末端的笛卡尔空间的惯量矩阵，
Figure BDA0003190903010000024
表示科氏力矩阵，
Figure BDA0003190903010000025
是笛卡尔空间的重力项，
Figure BDA0003190903010000026
是容许控制，能够保证系统状态稳定，
Figure BDA0003190903010000027
表示操作行为，
Figure BDA0003190903010000028
表示来自环境的扰动；利用如下的表述，
Figure BDA0003190903010000029
fM是主动兼容环境扰动的广义力，是操作人员受到环境力反馈后采取的综合操作行为，也是操作人员在环境扰动作用下进行主动操作的综合描述；
根据公式(2)中的变量转换，将公式(1)得到转化为常规的二阶系统：
Figure BDA00031909030100000210
其中，ξ1＝(x1,x2,x3)T表征状态轨迹，是系统可以直接测量得到的，而
Figure BDA00031909030100000211
无法直接测量，x1,x2,x3分别为三轴位移，
Figure BDA00031909030100000212
分别为三轴速度；
步骤2：基于滑模控制与神经网络构建操控行为检测与评价系统
考虑如下的状态估计系统：
Figure BDA00031909030100000213
其中，滑模面
Figure BDA00031909030100000214
由估计的偏差
Figure BDA00031909030100000215
及
Figure BDA00031909030100000216
构成，而ξ2'表示状态的欧拉差分，满足
Figure BDA00031909030100000217
其与状态ξ1的连续时间导数的关系满足ξ2'＝ξ2+εT，εT是差分量化误差值，是时变有界的，满足
Figure BDA00031909030100000218
公式(5)中的参数
Figure BDA00031909030100000219
是一个对角矩阵，对角线上的元素满足
Figure BDA0003190903010000031
参数
Figure BDA0003190903010000032
是增益矩阵，K≥I/2；
Figure BDA0003190903010000033
是神经网络的网络权重参数，对应的高斯类型的基函数可以表示为
Figure BDA0003190903010000034
表示选择的神经元的个数为l个，选择的参数中心和权重初始化都是随机的；
第i个自由度的网络权重学习更新律可以表示为
Figure BDA0003190903010000035
其中，Γ＞0且η＞0；
步骤3：根据获得的操控行为等效输入，结合期望阻抗对参考轨迹进行必要的调整：
利用阻抗控制理论，直接运用如下的公式可以生成叠加的轨迹增量
Figure BDA0003190903010000036
其中，
Figure BDA0003190903010000037
是期望阻抗结构中的期望质量，
Figure BDA0003190903010000038
是期望阻抗结构中的期望阻尼，
Figure BDA0003190903010000039
是期望阻抗结构中的期望刚度，获得增量
Figure BDA00031909030100000310
后，可以在既有的跟踪轨迹上叠加，
Figure BDA00031909030100000311
其中，
Figure BDA00031909030100000312
是新的参考轨迹，
Figure BDA00031909030100000313
是原来的期望轨迹，生成的新的跟踪轨迹在交互中会给人营造具有期望阻抗的力交互感受。
有益效果
本发明提出的一种基于操控行为检测的机器人遥操作轨迹规划方法，通过检测、评价与重构主端的人类操作行为，以操作人员的行为牵引，主动兼容不确定性及扰动对人操控行为的影响，将其视为主动的贡献，设计并更新从端的期望轨迹，达到提升主从行为一致性的效果，提高轨迹跟踪的效果。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1位置轨迹图；
图2误差轨迹图；
图3施加力的估计效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明所采用的技术方案是，首先，建立遥操作机器人的人机交互的模型，基于理论分析与参数确认，由滑模控制与神经网络技术对人类操作行为进行检测与估计，将获得的操作行为应用于期望轨迹跟踪更新，控制遥操作机器人根据形成的新的参考轨迹运动，使得在进行遥操作机器人人机交互的过程中，操作人员通过交互行为可以感知到期望的阻抗特性。
具体实施步骤如下：
步骤1：建立遥操作机器人的人机交互模型；
步骤2：基于滑模控制与神经网络构建操控行为检测与评价系统；
步骤3：根据理论分析，明确系统稳定性与参数选取原则；
步骤4：根据获得的操控行为等效输入，结合期望阻抗对参考轨迹进行必要的调整。
具体的实施过程如下：
步骤1：建立遥操作机器人的人机交互模型：
考虑遥操作机器人的笛卡尔空间动力学：
Figure BDA0003190903010000041
其中，
Figure BDA0003190903010000042
表示是机器人效应器末端的笛卡尔三维空间向量，代表运动轨迹，
Figure BDA0003190903010000043
是机器人效应器末端的笛卡尔空间的惯量矩阵，
Figure BDA0003190903010000044
表示科氏力矩阵，
Figure BDA0003190903010000051
是笛卡尔空间的重力项，
Figure BDA0003190903010000052
是容许控制，能够保证系统状态稳定，
Figure BDA0003190903010000053
表示操作行为，
Figure BDA0003190903010000054
表示来自环境的扰动。利用如下的表述，
Figure BDA0003190903010000055
fM是主动兼容环境扰动的广义力，是操作人员受到环境力反馈后采取的综合操作行为，也是操作人员在环境扰动作用下进行主动操作的综合描述。
根据公式(2)中的变量转换，公式(1)可以得到转化为常规的二阶系统：
Figure BDA0003190903010000056
其中，ξ1＝(x1,x2,x3)T表征状态轨迹，是系统可以直接测量得到的，而
Figure BDA0003190903010000057
无法直接测量，x1,x2,x3分别为三轴位移，三轴速度。
步骤2：基于滑模控制与神经网络构建操控行为检测与评价系统：
本设计的目的在于存在
Figure BDA0003190903010000058
无法直接测量的情况下，检测并评估操作行为及整体不确定的整体行为。
考虑如下的状态估计系统：
Figure BDA0003190903010000059
其中，滑模面
Figure BDA00031909030100000510
由估计的偏差
Figure BDA00031909030100000511
及
Figure BDA00031909030100000512
构成，而ξ′2表示状态的欧拉差分，满足
Figure BDA00031909030100000513
其与状态ξ1的连续时间导数的关系满足ξ′2＝ξ2+εT，εT是差分量化误差值，是时变有界的，满足
Figure BDA00031909030100000514
公式(5)中的参数
Figure BDA00031909030100000515
是一个对角矩阵，对角线上的元素满足
Figure BDA00031909030100000516
参数
Figure BDA00031909030100000517
是增益矩阵，具体值的选取在后续的证明中给出，
Figure BDA00031909030100000518
是神经网络的网络权重参数，对应的高斯类型的基函数可以表示为
Figure BDA0003190903010000061
表示选择的神经元的个数为l个，选择的参数中心和权重初始化都是随机的。
第i个自由度的网络权重学习更新律可以表示为
Figure BDA0003190903010000062
其中，Γ＞0且η＞0。
步骤3：根据理论分析，明确系统稳定性与参数选取原则：
借助以下的稳定性分析，说明方法的有效性，考虑Lyapunov函数
Figure BDA0003190903010000063
其导数可以表示为
Figure BDA0003190903010000064
定义非线性函数估计误差
Figure BDA0003190903010000065
以及输入估计误差
Figure BDA0003190903010000066
因而可以获得
Figure BDA0003190903010000067
考虑最优逼近
Figure BDA0003190903010000068
其中，
Figure BDA0003190903010000069
是最优网络权重，
Figure BDA00031909030100000610
是逼近误差，满足
Figure BDA00031909030100000611
的边界条件，定义估计误差如下所示：
Figure BDA00031909030100000612
因此可得
Figure BDA00031909030100000613
从而有
Figure BDA00031909030100000614
考虑如下的Lyapunov函数
Figure BDA00031909030100000615
其关于时间的导数可以表示为
Figure BDA0003190903010000071
联合
Figure BDA0003190903010000072
和
Figure BDA0003190903010000073
得到如下结果
Figure BDA0003190903010000074
因此，可以证明滑模面s是最终一致有界的。
由于选择的滑模面不同于常规的线性滑模面，接下来分析滑模面达到稳定后，估计状态的收敛特性，考虑如下的Lyapunov函数
Figure BDA0003190903010000075
其导数可以表示为
Figure BDA0003190903010000076
说明估计误差是最终一致有界的。继而，要求参数K≥I/2是必须要保证的。I为单位矩阵。
至此，可以用神经网络
Figure BDA0003190903010000081
对人机协作行为检测。
步骤4：根据获得的操控行为等效输入，结合期望阻抗对参考轨迹进行必要的调整：
利用阻抗控制理论，直接运用如下的公式可以生成叠加的轨迹增量
Figure BDA0003190903010000082
其中，
Figure BDA0003190903010000083
是期望阻抗结构中的期望质量，
Figure BDA0003190903010000084
是期望阻抗结构中的期望阻尼，
Figure BDA0003190903010000085
是期望阻抗结构中的期望刚度，获得增量
Figure BDA0003190903010000086
后，可以在既有的跟踪轨迹上叠加，
Figure BDA0003190903010000087
其中，
Figure BDA0003190903010000088
是新的参考轨迹，
Figure BDA0003190903010000089
是原来的期望轨迹，生成的新的跟踪轨迹在交互中会给人营造具有期望阻抗的力交互感受。
如图1为位置轨迹图，原始的期望轨迹标记为xd，具体为
Figure BDA00031909030100000810
Figure BDA00031909030100000811
Figure BDA00031909030100000812
操作行为的力表达为fh，具体为
fh1＝5 exp(-(t-5)2)
fh2＝5 exp(-(t-6)2)
fh3＝5 exp(-(t-7)2)
环境扰动的力表达为fe，具体为
fei＝0.5sin(t)
从图1所示的数值仿真结果中可以发现，在受到操作行为fh和环境扰动fe的共同影响下，受控的机械臂末端响应轨迹与期望轨迹xd偏差较大，跟踪过程的误差最大可达0.03m，发生最大误差处均为操作行为的力最大值处。图1中的状态轨迹还包括状态估计
Figure BDA00031909030100000813
能够很好地描述受到影响的输入状态，该变量用于辅助生成力的估计fM，继而根据期望的阻抗(该仿真中，Md＝0.1，Cd＝1，Kd＝100)生成参考轨迹xr，直接跟踪该轨迹能够保证操作人员能够感受到机械臂末端具备期望阻抗特征。
图2所示为轨迹误差，从图中的仿真结果发现，在环境力和操作行为力影响下，未实施本算法的期望误差较大，实施本方法后，参考轨迹重新规划，轨迹跟踪误差降低，人机交互过程中，操作人员能够感受到末端具备期望阻抗的特性，并根据此改变运动轨迹。
图3描述了操作神经网络对兼容了环境力作用下的行为的估计情况，从图中的仿真结果不难看出，在动态过程中，均保持了很高的力估计精度。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种基于操控行为检测的机器人遥操作轨迹规划方法，其特征在于步骤如下：
步骤1：建立遥操作机器人的人机交互模型
考虑遥操作机器人的笛卡尔空间动力学：
Figure FDA0003190900000000011
其中，
Figure FDA0003190900000000012
表示是机器人效应器末端的笛卡尔三维空间向量，代表运动轨迹，
Figure FDA0003190900000000013
是机器人效应器末端的笛卡尔空间的惯量矩阵，
Figure FDA0003190900000000014
表示科氏力矩阵，
Figure FDA0003190900000000015
是笛卡尔空间的重力项，
Figure FDA0003190900000000016
是容许控制，能够保证系统状态稳定，
Figure FDA0003190900000000017
表示操作行为，
Figure FDA0003190900000000018
表示来自环境的扰动；利用如下的表述，
Figure FDA0003190900000000019
fM是主动兼容环境扰动的广义力，是操作人员受到环境力反馈后采取的综合操作行为，也是操作人员在环境扰动作用下进行主动操作的综合描述；
根据公式(2)中的变量转换，将公式(1)得到转化为常规的二阶系统：
Figure FDA00031909000000000110
其中，ξ1＝(x1,x2,x3)T表征状态轨迹，是系统可以直接测量得到的，而
Figure FDA00031909000000000111
无法直接测量，x1,x2,x3分别为三轴位移，
Figure FDA00031909000000000112
分别为三轴速度；
步骤2：基于滑模控制与神经网络构建操控行为检测与评价系统
考虑如下的状态估计系统：
Figure FDA00031909000000000113
其中，滑模面
Figure FDA00031909000000000114
由估计的偏差
Figure FDA00031909000000000115
及
Figure FDA00031909000000000116
构成，而ξ'2表示状态的欧拉差分，满足
Figure FDA00031909000000000117
其与状态ξ1的连续时间导数的关系满足ξ'2＝ξ2+εT，εT是差分量化误差值，是时变有界的，满足
Figure FDA0003190900000000021
公式(5)中的参数
Figure FDA0003190900000000022
是一个对角矩阵，对角线上的元素满足
Figure FDA0003190900000000023
参数
Figure FDA0003190900000000024
是增益矩阵，K≥I/2；
Figure FDA0003190900000000025
是神经网络的网络权重参数，对应的高斯类型的基函数可以表示为
Figure FDA0003190900000000026
表示选择的神经元的个数为l个，选择的参数中心和权重初始化都是随机的；
第i个自由度的网络权重学习更新律可以表示为
Figure FDA0003190900000000027
其中，Γ＞0且η＞0；
步骤3：根据获得的操控行为等效输入，结合期望阻抗对参考轨迹进行必要的调整：
利用阻抗控制理论，直接运用如下的公式可以生成叠加的轨迹增量
Figure FDA0003190900000000028
其中，
Figure FDA0003190900000000029
是期望阻抗结构中的期望质量，
Figure FDA00031909000000000210
是期望阻抗结构中的期望阻尼，
Figure FDA00031909000000000211
是期望阻抗结构中的期望刚度，获得增量
Figure FDA00031909000000000212
后，可以在既有的跟踪轨迹上叠加，
Figure FDA00031909000000000213
其中，
Figure FDA00031909000000000214
是新的参考轨迹，
Figure FDA00031909000000000215
是原来的期望轨迹，生成的新的跟踪轨迹在交互中会给人营造具有期望阻抗的力交互感受。
CN202110877620.3A 2021-08-01 2021-08-01 一种基于操控行为检测的机器人遥操作轨迹规划方法 Active CN113485120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110877620.3A CN113485120B (zh) 2021-08-01 2021-08-01 一种基于操控行为检测的机器人遥操作轨迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110877620.3A CN113485120B (zh) 2021-08-01 2021-08-01 一种基于操控行为检测的机器人遥操作轨迹规划方法

Publications (2)

Publication Number Publication Date
CN113485120A CN113485120A (zh) 2021-10-08
CN113485120B true CN113485120B (zh) 2022-07-05

Family

ID=77943879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110877620.3A Active CN113485120B (zh) 2021-08-01 2021-08-01 一种基于操控行为检测的机器人遥操作轨迹规划方法

Country Status (1)

Country Link
CN (1) CN113485120B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167856B (zh) * 2021-11-05 2023-07-18 杭州电子科技大学 一种基于人工情感的服务机器人局部路径规划方法
CN114912775B (zh) * 2022-04-27 2023-03-24 北京航天飞行控制中心 颗粒化管理行为时长的遥操作规划方法和系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107991879A (zh) * 2017-12-21 2018-05-04 浙江大学 一种改进波变量的遥操作双边控制方法
CN108227491A (zh) * 2017-12-28 2018-06-29 重庆邮电大学 一种基于滑模神经网络的智能车轨迹跟踪控制方法
CN110116409A (zh) * 2019-05-24 2019-08-13 浙江大学 一种基于扰动观测器的四通道遥操作双边控制方法
CN110262256A (zh) * 2019-07-18 2019-09-20 浙江大学 一种非线性遥操作系统的多边自适应滑模控制方法
CN111324146A (zh) * 2020-03-09 2020-06-23 河海大学常州校区 一种水下巡检机器人的轨迹跟踪控制方法
CN112783046A (zh) * 2020-12-31 2021-05-11 西北工业大学 基于模糊策略的双边遥操作末端平滑行为规划控制方法
CN112859596A (zh) * 2021-01-07 2021-05-28 浙江大学 一种考虑编队避障的非线性遥操作多边控制方法
AU2021101989A4 (en) * 2021-04-16 2021-06-03 Arularasu, S. MR Self-tuning controller and tracking method for autonomous aerial drone
CN112904728A (zh) * 2021-01-21 2021-06-04 青岛大学 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法
CN113110070A (zh) * 2021-05-25 2021-07-13 南京邮电大学 一种执行器饱和下遥操作系统自适应控制方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107991879A (zh) * 2017-12-21 2018-05-04 浙江大学 一种改进波变量的遥操作双边控制方法
CN108227491A (zh) * 2017-12-28 2018-06-29 重庆邮电大学 一种基于滑模神经网络的智能车轨迹跟踪控制方法
CN110116409A (zh) * 2019-05-24 2019-08-13 浙江大学 一种基于扰动观测器的四通道遥操作双边控制方法
CN110262256A (zh) * 2019-07-18 2019-09-20 浙江大学 一种非线性遥操作系统的多边自适应滑模控制方法
CN111324146A (zh) * 2020-03-09 2020-06-23 河海大学常州校区 一种水下巡检机器人的轨迹跟踪控制方法
CN112783046A (zh) * 2020-12-31 2021-05-11 西北工业大学 基于模糊策略的双边遥操作末端平滑行为规划控制方法
CN112859596A (zh) * 2021-01-07 2021-05-28 浙江大学 一种考虑编队避障的非线性遥操作多边控制方法
CN112904728A (zh) * 2021-01-21 2021-06-04 青岛大学 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法
AU2021101989A4 (en) * 2021-04-16 2021-06-03 Arularasu, S. MR Self-tuning controller and tracking method for autonomous aerial drone
CN113110070A (zh) * 2021-05-25 2021-07-13 南京邮电大学 一种执行器饱和下遥操作系统自适应控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Nonlinear Analysis of Discrete-Time Sliding Mode Prediction Deployment of Tethered Space Robot;zhiqiang ma;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20210630;第68卷(第6期);全文 *
改进的粒子滤波在四旋翼姿态估计中的应用;曲仕茹;《飞行力学》;20131031;第31卷(第5期);全文 *
考虑时间约束的多飞行器轨迹优化方法研究;杨卓乔;《航天控制》;20210430;第39卷(第2期);全文 *

Also Published As

Publication number Publication date
CN113485120A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
Yang et al. Adaptive neural network output feedback control of uncertain underactuated systems with actuated and unactuated state constraints
Yang et al. Adaptive fuzzy control for a class of MIMO underactuated systems with plant uncertainties and actuator deadzones: Design and experiments
Chen et al. RBFNN-based adaptive sliding mode control design for delayed nonlinear multilateral telerobotic system with cooperative manipulation
Yang et al. Observer-based nonlinear control for tower cranes suffering from uncertain friction and actuator constraints with experimental verification
CN113485120B (zh) 一种基于操控行为检测的机器人遥操作轨迹规划方法
Liu et al. Decentralized robust fuzzy adaptive control of humanoid robot manipulation with unknown actuator backlash
Nicolis et al. Human intention estimation based on neural networks for enhanced collaboration with robots
Li et al. Anti-swing control for an overhead crane with fuzzy compensation
Chen et al. Coordinated motion/force control of multiarm robot with unknown sensor nonlinearity and manipulated object’s uncertainty
Rossomando et al. Neural network-based compensation control of mobile robots with partially known structure
Li et al. Distributed neural-network-based cooperation control for teleoperation of multiple mobile manipulators under round-robin protocol
Yamawaki et al. Iterative learning of variable impedance control for human-robot cooperation
CN115685755A (zh) 一种基于离散控制障碍函数的人机协作控制方法
Han et al. Assumed model feedforward sliding mode control for a wheeled mobile robot with 3-DOF manipulator systems
Ding et al. Event-triggered adaptive neural impedance control of robotic systems
Izadbakhsh et al. Neural control of robot manipulators considering motor voltage saturation: performance evaluation and experimental validation
Liang et al. Model-free output feedback path following control for autonomous vehicle with prescribed performance independent of initial conditions
Savin Neural network-based reaction estimator for walking robots
Weigand et al. Hybrid data-driven modelling for inverse control of hydraulic excavators
CN114594757B (zh) 一种协作机器人的视觉路径规划方法
Li Research on robot motion control based on variable structure fuzzy neural network based on TS model
Wan et al. Bilateral teleoperation of a multi-robot formation with time-varying delays using adaptive impedance control
Korayem et al. Wheel slippage compensation in mobile manipulators through combined kinematic, dynamic, and sliding mode control
Zhai et al. Adaptive Fuzzy Control for Underactuated Robot Systems With Inaccurate Actuated States and Unavailable Unactuated States
Qin et al. Robotic Arm Trajectory Tracking Control Based on An RBF Neural Network Adaptive Control Algorithm

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