CN113741183A - 基于阻尼比模型的工业机器人自适应导纳控制方法 - Google Patents
基于阻尼比模型的工业机器人自适应导纳控制方法 Download PDFInfo
- Publication number
- CN113741183A CN113741183A CN202110924094.1A CN202110924094A CN113741183A CN 113741183 A CN113741183 A CN 113741183A CN 202110924094 A CN202110924094 A CN 202110924094A CN 113741183 A CN113741183 A CN 113741183A
- Authority
- CN
- China
- Prior art keywords
- industrial robot
- damping ratio
- current time
- current
- moment
- 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
- 238000013016 damping Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000006073 displacement reaction Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 8
- 238000013461 design Methods 0.000 abstract description 8
- 230000005284 excitation Effects 0.000 abstract description 8
- 238000006243 chemical reaction Methods 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 abstract description 5
- 230000004044 response Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 description 11
- 238000010586 diagram Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 102100035971 Molybdopterin molybdenumtransferase Human genes 0.000 description 1
- 101710119577 Molybdopterin molybdenumtransferase Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
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)
- Manipulator (AREA)
Abstract
本发明公开一种基于阻尼比模型的工业机器人自适应导纳控制方法，回避机器人建模，在导纳控制设计中，根据力误差与系统阻尼比之间的机理关系，设计激励函数，构造神经网络阻尼比模型，通过该模型使阻尼比在线调整，间接适应末端环境的刚度变化，实现力到位置自适应转换的导纳控制。同时引入参考轨迹控制方法，进一步提高力跟踪控制精度。与常规导纳控制相比较，所发明的自适应导纳控制的力误差更小，响应速度更快，能适应变刚度的未知打磨环境。
Description
技术领域
本发明涉及工业机器人技术领域，具体涉及一种基于阻尼比模型的工业机器人自适应导纳控制方法。
背景技术
随着机器人技术发展，工业机器人广泛应用于工业生产过程中。在打磨等作业中，机器人需要与周围环境进行接触从而完成作业任务，由于外界环境的不确定性与复杂的工件表面造成的不利影响，控制中难以使接触力保持在稳定的范围，并消除接触时产生的抖动，因此机器人进行打磨抛光，机器人力控算法必不可少。目前，已有多种智能控制方法，有文献提出了一种模糊PI(Proportional Integral)的阻抗控制方法，通过力误差，调节机器人的参考位置与参考方向，实现力跟踪控制。模糊控制具有非线性逼近的能力，但需要对应的模糊规则才能实现精准的力跟踪控制，对于未知复杂的环境，难以建立准确的模糊规则集，且简单的模糊处理会使得动态性能变得更差。基于神经网络力控方面，有文献通过BP(Back Propagation)神经网络在线估计环境的等效刚度，再计算系统临界阻尼时的阻尼系数。有文献采用RBF(Radial Basis Function)神经网络逼近机器人模型的不确定项，降低机械臂的轨迹跟踪误差。有文献利用BP神经网络设计了变阻抗控制器，分别修正刚度系数和阻尼系数。有文献提出了一种PI神经网络的阻抗控制方法，通过神经网络调节增益，减小环境参数估计的不准确引起的误差，实现力的跟踪。有文献设计了一种具有全状态约束的模糊神经网络结构，辨识机器人动力学模型的不确定项。上述方法大多都是对机器人模型进行补偿，而没有对机器人的阻抗或导纳进行补偿，因而存在控制精度不高的问题。
发明内容
本发明所要解决的是现有机器人的智能控制方法存在控制精度不高的问题，提供一种基于阻尼比模型的工业机器人自适应导纳控制方法。
为解决上述问题，本发明是通过以下技术方案实现的：
基于阻尼比模型的工业机器人自适应导纳控制方法，包括步骤如下：
步骤1、采集工业机器人在各个时刻的实际位置和实际接触力；
步骤2、计算工业机器人在当前时刻的力跟踪误差和速度误差，其中：
△F(k)＝Fd(k)-Fe(k)
步骤3、将工业机器人在当前时刻的力跟踪误差和速度误差送入到基于神经网络的阻尼比模型中，得到工业机器人在当前时刻的阻尼比，其中：
步骤4、根据工业机器人在当前时刻与上一时刻的实际位置和实际接触力，估算工业机器人在当前时刻的环境刚度的粗估计值，其中：
步骤5、计算工业机器人在当前时刻的阻尼系数，其中：
步骤6、计算工业机器人在当前时刻的位移差，其中：
步骤7、计算工业机器人在当前时刻的参考轨迹，其中：
步骤8、计算工业机器人在当前时刻的期望位置，其中：
xd(k)＝xc(k)-e(k)
步骤9、计算工业机器人在当前时刻的位置误差，其中：
er(k)＝xp(k)-xd(k)
步骤10、对工业机器人在当前时刻的位置误差进行PID控制后对工业机器人进行控制；
上述各式中，△F(k)为当前时刻k的力跟踪误差，Fd(k)为当前时刻k的期望接触力，Fe(k)为当前时刻k的实际接触力，
为当前时刻k的速度误差，
为当前时刻k的实际位置的一阶导数，
为当前时刻k的参考轨迹的一阶导数，
为当前时刻k的阻尼比，
为当前时刻k的阻尼比模型的神经网络的第j隐含节点的加权系数，ω1为设定的第一预处理参数，ω2为设定的第二预处理参数，cj(k)为当前时刻k的阻尼比模型的第j隐含节点的神经网络中心参数，bj(k)为当前时刻k的阻尼比模型的第j隐含节点的神经网络宽度参数，N为阻尼比模型的神经网络的隐含节点的个数，K1(k)为当前时刻k的环境刚度的粗估计值，Fe(k-1)为上一时刻k-1的实际接触力，xp(k)为当前时刻k的实际位置，xp(k-1)为上一时刻k-1的实际位置，B(k)为当前时刻k的阻尼系数，γ(k)为设定的当前时刻k的刚度系数，e(k)为当前时刻k的位移差，T为上采样周期，e(k-1)为上一时刻k-1的位移差，e(k-2)为上两时刻k-2的位移差，xc(k)为当前时刻k的参考轨迹，xd(k)为当前时刻k的期望位置，er(k)为当前时刻k的位置误差。
当前时刻k的刚度系数γ(k)可以为任意设定值，但最好与当前时刻k的环境刚度的粗估计值有关，即当前时刻k的刚度系数γ(k)为：
式中，K1(k)为当前时刻k的环境刚度的粗估计值。
与现有技术相比，本发明回避机器人建模，在导纳控制设计中，根据力误差与系统阻尼比之间的机理关系，设计激励函数，构造神经网络阻尼比模型，通过该模型使阻尼比在线调整，间接适应末端环境的刚度变化，实现力到位置自适应转换的导纳控制；同时引入参考轨迹控制方法，进一步提高力跟踪控制精度。
本发明根据力误差与系统阻尼比之间的机理关系，设计激励函数，构造神经网络阻尼比模型，通过该模型使阻尼比在线调整，间接适应末端环境的刚度变化，实现力到位置自适应转换的导纳控制。与常规导纳控制相比较，所发明的自适应导纳控制的力误差更小，响应速度更快，能适应变刚度的未知打磨环境。
附图说明
图1为传统的导纳控制系统。
图2为基于阻尼比模型的工业机器人自适应导纳控制原理。
图3为神经网络阻尼比模型结构。
图4基于阻尼比模型的工业机器人自适应导纳控制系统的原理图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，对本发明进一步详细说明。
本发明回避了机器人的建模，设计了一个能够描述力误差与阻尼比之间关系的激励函数，构建神经网络阻尼比模型，动态修正导纳控制器的阻尼系数，间接适应末端环境的刚度变化，并采用参考轨迹补偿参考位置。在变刚度环境下，实现恒力控制，减少接触时引起的超调，同时实现对参考轨迹实时跟踪。
1、机器人打磨控制模型
机器人在打磨过程中需要对末端接触力进行跟踪控制，导纳控制的目的是实现力到位置转换，通过位置控制，使机器人具有良好的柔顺性，因此本发明采用基于位置的阻抗控制，即导纳控制，实现对期望接触力的动态跟踪控制。
传统的导纳控制系统如图1所示。根据阻抗控制原理，机器人位置与接触力之间的动态关系可视为二阶“质量-弹簧-阻尼”系统。
(1)机器人的期望阻抗模型：
其中，e(t)＝xd(t)-xc(t)参考轨迹的修正量；xc参考轨迹，xe环境位置，xp机器人末端实际位置，Fd为期望接触力；△F为力跟踪误差；M、B、K分别为期望阻抗模型的惯性系数、阻尼系数及刚度系数。实际接触力Fe＝Ke(xp-xe)，Ke为环境刚度，Ke粗估计值为K1：
(2)参考轨迹
将环境刚度的对应位移在设定值上进行前馈补偿。其中环境位置xe通过
估算得到。
由机器人已知末端位置xp、Fd期望力设定值、Ke环境刚度估计及Fe末端接触力测量值，计算得到参考轨迹：
(3)在实际中，由于机器人模型不准确，实际位置xp与期望位置xd存在偏差xp-xd＝er≠0，为了进一步减小力跟踪误差，采用PID(Proportional IntegralDifferential)控制策略：
其中，Kp,Kd,Ki分别为比例系数，微分系数及积分系数。
虽然在已知导纳参数的前提下，上述方法能实现对期望力的有效跟踪。但是在未知环境下，环境刚度改变会严重的影响力跟踪精度，因此本发明中通过构造神经网络阻尼比模型动态修正阻尼系数，动态适应环境刚度Ke变化，实现对期望力的精准控制。
2、基于神经网络阻尼比模型的自适应导纳控制
在机器人在打磨过程中，外部环境刚度随环境而动态变化，针对固定导纳参数的传统的导纳控制，本发明提出了基于神经网络阻尼比模型的自适应导纳控制，基于所构造的神经网络阻尼比模型，获得最优阻尼比，在线调整导纳参数改善机器人的动态性能，同时间接适应环境刚度变化，控制系统框图如图2所示，其中虚框图为神经网络阻尼比模型。
将机器人的期望导纳模型等效为二阶振荡环节，如公式(4)所示。对于二阶系统，系统性能主要由阻尼比和固有频率决定，得到了阻尼比与固有频率，也就确定了系统的导纳参数与性能。将期望导纳模型等效为二阶振荡环节，其传递函数为G(s)；
其中，复域E(s)，△F(s)对应时域参考轨迹在连续时间域下的修正量e(t)和力跟踪误差△F(t)。
由公式(4)，得到系统的阻尼比ζ与固有频率ωn：
取期望阻抗模型的惯性系数M＝1，为跟踪机器人刚度与末端环境刚度匹配，取刚度系数等于环境刚度准确估算Ke，即K＝Ke；由式(5)得阻尼系数B：
提供环境接触力变化量与机器人末端位移变化量，设粗估计刚度K1与实际刚度Ke之间关系为Ke＝γK1，则
其中，
公式(7)中，阻尼比
通过神经网络模型估计，间接自适应调整粗估刚度与实际刚度的偏差变化，达到自适应调整刚度的目的。
3、神经网络阻尼比模型的设计
3.1激励函数的设计
所构建神经网络阻尼比模型的关键是激励函数设计，激励函数如果能体现阻尼比基本变化规律，所设计神经网络在到达最终目标过程中的学习速度就会加快。根据机理特性，设计了一个可以描述系统阻尼比随力误差变化的函数，机理特性表现为：当力误差大时，减小阻尼比，提高系统的响应速度，快速回调；而当力误差小时，增大阻尼比，牺牲响应速度来减小超调。由e函数构成的激励函数fj：
其中，o为预处理函数，
ω1＝0.2，ω2＝0.5，△F为力跟踪误差，
为速度误差。
3.2基于神经网络的阻尼比模型
构造的神经网络阻尼比模型采用三层结构，如图3所示。
神经网络有两个输入量：力跟踪误差△F＝Fd-Fe与速度误差
激励函数fj，隐含层与输出层的连接权值：
j＝1,2…7。神经网络阻尼比模型输出的阻尼比
表达式：
3.3神经网络参数的在线学习
取神经网络的性能指标函数为：
式中，e(k)为离散时间域下当前时刻接触力偏差；Fd(k)为离散时间域下当前时刻期望力；Fe(k)为离散时间域下当前时刻实际接触力。
采用梯度下降法，得出神经网络参数修正如下：
修正后的神经网络参数
bj(k+1)＝bj(k)+η△bj(k+1)+α(bj(k)-bj(k-1)) (15)
cj(k+1)＝cj(k)+η△cjk(t+1)+α(cj(k)-cj(k-1)) (16)
其中，η为学习速率；α为动量因子；k、k-1、k+1表示离散时间域下的时刻。
分别表示k-1时刻，k时刻，k+1时刻的第j隐含节点加权系数，
分别表示k+1时刻的第j隐含节点加权系数增量值。bj(k-1),bj(k),bj(k+1)分别表示k-1时刻，k时刻，k+1时刻的第j隐含节点神经网络宽度系数；△bj(k+1)分别表示k+1时刻的第j隐含节点神经网络宽度系数增量值。cj(k-1),cj(k),cj(k+1)分别表示k-1时刻，k时刻，k+1时刻的第j隐含节点神经网络中心系数；△cj(k+1)分别表示k+1时刻的第j隐含节点神经网络中心系数增量值。
神经网络阻尼比模型的输出为系统的阻尼比
代入
得到模型中B值，已知M＝1和K取为刚度估计K＝Ke＝γK1。
当刚度系数γ可以为任意设定值，但最好与环境刚度的粗估计值有关，γ取值如下：
根据期望阻抗模型：
由力跟踪误差△F得对应的位移差e(k)，实现力到位移的转换。
其中，e(k)为当前时刻k的位移差，T是采样周期。
基于上述分析，本发明所提出的一种基于阻尼比模型的工业机器人自适应导纳控制方法，包括步骤如下：
步骤1、采集工业机器人在各个时刻的实际位置和实际接触力；
步骤2、计算工业机器人在当前时刻的力跟踪误差和速度误差，其中：
△F(k)＝Fd(k)-Fe(k)
步骤3、将工业机器人在当前时刻的力跟踪误差和速度误差送入到基于神经网络的阻尼比模型中，得到工业机器人在当前时刻的阻尼比，其中：
步骤4、根据工业机器人在当前时刻与上一时刻的实际位置和实际接触力，估算工业机器人在当前时刻的环境刚度的粗估计值，其中：
步骤5、计算工业机器人在当前时刻的阻尼系数，其中：
步骤6、计算工业机器人在当前时刻的位移差，其中：
步骤7、计算工业机器人在当前时刻的参考轨迹，其中：
步骤8、计算工业机器人在当前时刻的期望位置，其中：
xd(k)＝xc(k)-e(k)
步骤9、计算工业机器人在当前时刻的位置误差，其中：
er(k)＝xp(k)-xd(k)
步骤10、对工业机器人在当前时刻的位置误差进行PID控制后对工业机器人进行控制；
上述各式中，△F(k)为当前时刻k的力跟踪误差，Fd(k)为当前时刻k的期望接触力，Fe(k)为当前时刻k的实际接触力，
为当前时刻k的速度误差，
为当前时刻k的实际位置的一阶导数，
为当前时刻k的参考轨迹的一阶导数，
为当前时刻k的阻尼比，
为当前时刻k的阻尼比模型的神经网络的第j隐含节点的加权系数，ω1为设定的第一预处理参数，ω2为设定的第二预处理参数，cj(k)为当前时刻k的阻尼比模型的第j隐含节点的神经网络中心参数，bj(k)为当前时刻k的阻尼比模型的第j隐含节点的神经网络宽度参数，N为阻尼比模型的神经网络的隐含节点的个数，K1(k)为当前时刻k的环境刚度的粗估计值，Fe(k-1)为上一时刻k-1的实际接触力，xp(k)为当前时刻k的实际位置，xp(k-1)为上一时刻k-1的实际位置，B(k)为当前时刻k的阻尼系数，γ(k)为设定的当前时刻k的刚度系数，e(k)为当前时刻k的位移差，T为上采样周期，e(k-1)为上一时刻k-1的位移差，e(k-2)为上两时刻k-2的位移差，xc(k)为当前时刻k的参考轨迹，xd(k)为当前时刻k的期望位置，er(k)为当前时刻k的位置误差。
实现上述方法的基于阻尼比模型的工业机器人自适应导纳控制系统，如图4所示，包括工业机器人本体、角度传感器、力传感器和嵌入式控制系统。其中嵌入式控制系统进一步包括模数转换器、数据存储器、程序存储器和微处理器。角度传感器和力传感器的输出端经由模数转换器连接微处理器。数据存储器和程序存储器与微处理器相连。角度传感器检测工业机器人本体的关节角度的大小，力传感器检测工业机器人本体打磨时的力的大小。嵌入式控制系统接受角度传感器输出关节角度和力传感器输出力的大小，通过导纳控制和PID控制实现恒力控制。
需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。
Claims (2)
1.基于阻尼比模型的工业机器人自适应导纳控制方法，其特征是，包括步骤如下：
步骤1、采集工业机器人在各个时刻的实际位置和实际接触力；
步骤2、计算工业机器人在当前时刻的力跟踪误差和速度误差，其中：
△F(k)＝Fd(k)-Fe(k)
步骤3、将工业机器人在当前时刻的力跟踪误差和速度误差送入到基于神经网络的阻尼比模型中，得到工业机器人在当前时刻的阻尼比，其中：
步骤4、根据工业机器人在当前时刻与上一时刻的实际位置和实际接触力，估算工业机器人在当前时刻的环境刚度的粗估计值，其中：
步骤5、计算工业机器人在当前时刻的阻尼系数，其中：
步骤6、计算工业机器人在当前时刻的位移差，其中：
步骤7、计算工业机器人在当前时刻的参考轨迹，其中：
步骤8、计算工业机器人在当前时刻的期望位置，其中：
xd(k)＝xc(k)-e(k)
步骤9、计算工业机器人在当前时刻的位置误差，其中：
er(k)＝xp(k)-xd(k)
步骤10、对工业机器人在当前时刻的位置误差进行PID控制后对工业机器人进行控制；
上述各式中，△F(k)为当前时刻k的力跟踪误差，Fd(k)为当前时刻k的期望接触力，Fe(k)为当前时刻k的实际接触力，
为当前时刻k的速度误差，
为当前时刻k的实际位置的一阶导数，
为当前时刻k的参考轨迹的一阶导数，
为当前时刻k的阻尼比，
为当前时刻k的阻尼比模型的神经网络的第j隐含节点的加权系数，ω1为设定的第一预处理参数，ω2为设定的第二预处理参数，cj(k)为当前时刻k的阻尼比模型的第j隐含节点的神经网络中心参数，bj(k)为当前时刻k的阻尼比模型的第j隐含节点的神经网络宽度参数，N为阻尼比模型的神经网络的隐含节点的个数，K1(k)为当前时刻k的环境刚度的粗估计值，Fe(k-1)为上一时刻k-1的实际接触力，xp(k)为当前时刻k的实际位置，xp(k-1)为上一时刻k-1的实际位置，B(k)为当前时刻k的阻尼系数，γ(k)为设定的当前时刻k的刚度系数，e(k)为当前时刻k的位移差，T为上采样周期，e(k-1)为上一时刻k-1的位移差，e(k-2)为上两时刻k-2的位移差，xc(k)为当前时刻k的参考轨迹，xd(k)为当前时刻k的期望位置，er(k)为当前时刻k的位置误差。
2.根据权利要求1所述的基于阻尼比模型的工业机器人自适应导纳控制方法，其特征是，当前时刻k的刚度系数γ(k)为：
式中，K1(k)为当前时刻k的环境刚度的粗估计值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110924094.1A CN113741183B (zh) | 2021-08-12 | 2021-08-12 | 基于阻尼比模型的工业机器人自适应导纳控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110924094.1A CN113741183B (zh) | 2021-08-12 | 2021-08-12 | 基于阻尼比模型的工业机器人自适应导纳控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113741183A true CN113741183A (zh) | 2021-12-03 |
| CN113741183B CN113741183B (zh) | 2023-10-27 |
Family
ID=78730842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110924094.1A Active CN113741183B (zh) | 2021-08-12 | 2021-08-12 | 基于阻尼比模型的工业机器人自适应导纳控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113741183B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114406983A (zh) * | 2021-12-06 | 2022-04-29 | 中国科学院深圳先进技术研究院 | 下肢外骨骼机器人的自适应导纳控制方法及相关装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019037076A1 (zh) * | 2017-08-25 | 2019-02-28 | 深圳市得道健康管理有限公司 | 人工智能终端系统、服务器及其行为控制方法 |
| CN109910005A (zh) * | 2019-03-04 | 2019-06-21 | 上海电气集团股份有限公司 | 用于机器人的变导纳控制方法以及系统 |
| CN111451899A (zh) * | 2020-03-16 | 2020-07-28 | 华中科技大学 | 一种叶片自动磨抛方法、装置、电子设备及可读存储介质 |
| CN111752151A (zh) * | 2020-06-17 | 2020-10-09 | 华中科技大学 | 一种工业叶片磨抛加工自适应力跟踪与补偿方法及系统 |
| CN112405536A (zh) * | 2020-11-10 | 2021-02-26 | 东南大学 | 结合离线补偿和在线跟踪混合策略的高精度恒力控制方法 |
| EP3843006A1 (de) * | 2019-12-23 | 2021-06-30 | Fronius International GmbH | Verfahren und system zum klassifizieren einer schweissnaht |
-
2021
- 2021-08-12 CN CN202110924094.1A patent/CN113741183B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019037076A1 (zh) * | 2017-08-25 | 2019-02-28 | 深圳市得道健康管理有限公司 | 人工智能终端系统、服务器及其行为控制方法 |
| CN109910005A (zh) * | 2019-03-04 | 2019-06-21 | 上海电气集团股份有限公司 | 用于机器人的变导纳控制方法以及系统 |
| EP3843006A1 (de) * | 2019-12-23 | 2021-06-30 | Fronius International GmbH | Verfahren und system zum klassifizieren einer schweissnaht |
| CN111451899A (zh) * | 2020-03-16 | 2020-07-28 | 华中科技大学 | 一种叶片自动磨抛方法、装置、电子设备及可读存储介质 |
| CN111752151A (zh) * | 2020-06-17 | 2020-10-09 | 华中科技大学 | 一种工业叶片磨抛加工自适应力跟踪与补偿方法及系统 |
| CN112405536A (zh) * | 2020-11-10 | 2021-02-26 | 东南大学 | 结合离线补偿和在线跟踪混合策略的高精度恒力控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨宗泉;陈新度;吴磊;: "基于模糊补偿的机器人力/位置控制策略的研究", 机床与液压, no. 17 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114406983A (zh) * | 2021-12-06 | 2022-04-29 | 中国科学院深圳先进技术研究院 | 下肢外骨骼机器人的自适应导纳控制方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113741183B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018023201A1 (zh) | 一种自适应终端滑模控制方法 | |
| CN111290263B (zh) | 一种改进的基于rbfnn及bas的pid最优化控制算法 | |
| CN111273544B (zh) | 基于预测rbf前馈补偿型模糊pid的雷达俯仰运动控制方法 | |
| CN107479379A (zh) | 基于遗传算法的压电陶驱动器前馈与闭环复合控制方法、系统 | |
| CN108313330B (zh) | 一种基于增广Kalman滤波的卫星干扰力矩估计方法 | |
| CN111948943B (zh) | 一种柔性机械臂的组合滑模运动控制方法 | |
| CN113741183A (zh) | 基于阻尼比模型的工业机器人自适应导纳控制方法 | |
| CN109946979B (zh) | 一种伺服系统灵敏度函数的自适应调整方法 | |
| CN114527795A (zh) | 一种基于增量在线学习的飞行器智能控制方法 | |
| CN110932629B (zh) | 基于单神经元网络的惯量估计方法及其自适应调整策略 | |
| CN110991606B (zh) | 基于径向基神经网络的压电陶瓷驱动器复合控制方法 | |
| CN117226613A (zh) | 一种基于ppo强化学习的机器人恒力控制打磨方法 | |
| CN116276986B (zh) | 一种柔性驱动机器人的复合学习自适应控制方法 | |
| CN106033189A (zh) | 飞行机器人位姿神经网络预测控制器 | |
| CN116107204A (zh) | 一种基于教与学模态的机器人恒力跟踪方法 | |
| CN114397810B (zh) | 基于自适应虚拟模型控制的四足机器人运动控制方法 | |
| CN113043266A (zh) | 一种基于迭代学习的自适应力跟踪控制方法 | |
| CN115236987A (zh) | 一种基于误差跟踪的磁悬浮工作台迭代学习鲁棒控制方法 | |
| CN113110519B (zh) | 一种舰船用非增量型无模型自适应艏向控制方法 | |
| CN113114128B (zh) | 基于广义Bouc-Wen逆模型的压电前馈补偿方法 | |
| CN112180918B (zh) | 一种双移动机器人同步控制方法及其系统 | |
| CN109634220B (zh) | 一种六自由度机器人运动控制方法及系统 | |
| CN114660942A (zh) | 一种复合式直升机全模式自适应控制方法 | |
| CN113219841A (zh) | 基于自适应鲁棒的水下多关节液压机械臂非线性控制方法 | |
| CN117055356A (zh) | 基于神经网络调节参数的阻尼自适应阻抗控制方法 |
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 |