CN114012733A - 一种用于pc构件模具划线的机械臂控制方法 - Google Patents

一种用于pc构件模具划线的机械臂控制方法 Download PDF

Info

Publication number
CN114012733A
CN114012733A CN202111430433.7A CN202111430433A CN114012733A CN 114012733 A CN114012733 A CN 114012733A CN 202111430433 A CN202111430433 A CN 202111430433A CN 114012733 A CN114012733 A CN 114012733A
Authority
CN
China
Prior art keywords
scribing
neural network
mechanical arm
control method
pid
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
Application number
CN202111430433.7A
Other languages
English (en)
Other versions
CN114012733B (zh
Inventor
赵恒�
张礼华
陈景铭
陈凯
杜凌欣
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.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
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 Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202111430433.7A priority Critical patent/CN114012733B/zh
Publication of CN114012733A publication Critical patent/CN114012733A/zh
Application granted granted Critical
Publication of CN114012733B publication Critical patent/CN114012733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25H—WORKSHOP EQUIPMENT, e.g. FOR MARKING-OUT WORK; STORAGE MEANS FOR WORKSHOPS
    • B25H7/00—Marking-out or setting-out work
    • B25H7/04—Devices, e.g. scribers, for marking
    • 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
    • B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种用于PC构件模具划线的机械臂控制方法，以导轨式六自由度的机械臂结构为基础，首先根据机械臂的具体结构和位姿得到机器人的DH参数并建立机械臂的运动学方程及模型仿真。其次将BP神经网络算法和PID控制相结合，利用粒子群优化算法的全局优化能力，优化了BP神经网络PID控制结构和参数。该方法充分利用神经网络自学习、自适应、非线性的优点和PID控制器的简单结构，能够解决现有技术中三坐标划线机存在的划线形状有限以及划线的精度低和效率低的技术问题。

Description

一种用于PC构件模具划线的机械臂控制方法
技术领域
本发明属于机械划线设备技术领域，具体涉及一种用于PC构件模具划线的机械臂控制方法。
背景技术
随着科技的不断进步与发展，PC构件逐渐在建筑领域占据领导地位，因此需要提高PC构件的生产率和效率，保证精度要求。在传统PC构件加工过程中，划线操作的实现主要依靠三坐标划线机以及人工辅助划线，三坐标划线机的结构由水平方向移动和垂直方向移动组成，这样的结构可以满足矩形划线，但难以保证圆弧以及其他形状的图形精度和要求。另外常规比例-积分-微分(ProportionIntegral-Derivative，PID)控制只具有简单结构，控制器不能有效地在线设置参数和控制一些复杂的过程，利用常规PID控制器难以达到理想的控制效果；在生产现场，由于参数整定方法的复杂性，传统PID控制器的参数通常是不好的设置或性能很差。这些因素限制了PID控制在复杂系统和高性能系统中的应用。
发明内容
发明目的：本发明的发明目的在于提供一种用于PC构件模具划线的机械臂控制方法。
技术方案：本发明所述的一种用于PC构件模具划线的机械臂控制方法，其特征在于：该方法包括具体步骤如下：
(1)根据机械臂的具体结构和位姿得到机器人的DH参数并建立机械臂的运动学方程及模型仿真；
(2)取得机械臂的D-H参数并得到各关节初始位置，将规划好的关节角和力矩作为输入信号，通过基于PSO算法的BP神经网络的PID控制器与动力学模型积分模块得到实际的关节角，再通过反馈到PID控制模块，同时调节PID参数使规划的关节角与实际的关节角的误差为零；
(3)调节好PID参数之后，输入设定的机械臂关节变量来精准实现机械臂的轨迹位置移动，以达到划线的要求。
优选的，步骤(1)中机械臂采用六自由度工业机器人，通过对机器人系统的运动学分析，基于D-H法，根据机器人系统参数，给出了移动式机器人的运动学方程，利用位置和姿态分开解耦，采用解析法解出运动学的正解和逆解。
优选的，步骤(1)中，利用仿真软件建立机械臂初始位置模型，并利用动力学模型搭建轨迹跟踪控制模型，通过仿真获取机械臂规划的关节角和实际的关节角。
优选的，步骤(2)中BP神经网络模型包括输入层、隐含层和输出层；输入层节点数为2，分别是控制力矩和实际角位移，隐含层神经元个数为2-11个，输出层节点数为1，为PID的控制参数。
优选的，步骤(2)中BP神经网络模型学习过程中，通过反传误差函数将偏移量反向传回神经网络的神经元中，校正其自身权重，直至学习后的神经网络模型预测的数据与期望输出的差值在设定范围内。
优选的，误差函数如下：
Figure BDA0003380015010000021
式中，Ti为期望输出、Oi为网络的计算输出。
优选的，步骤(2)中利用PSO优化BP神经网络的PID控制器的具体流程如下：利用MATLAB进行神经网络的训练,将检测样本数据归一化后输入网络,设定神经网络隐含层和输出层激励函数分别tansig函数和logsig函数,训练函数为traingdx函数,性能函数为mse函数,并初设隐含层神经元数量，之后设定网格参数，确定网络迭代次数和期望误差以及学习速率；完成参数设定之后在MATLAB中运行并开始训练网络，最终得到所需结果。
优选的，当在设定迭代次数完成后得到结果不满足期望，则以最后一次迭代结果作为输入再次进行训练，直至训练结果满足期望。
进一步的，步骤(1)中在MATLAB软件中建立工作区域即各关节角和连杆等的初始位置信息；在MATLAB/Simulink软件环境利用动力学模型搭建轨迹跟踪控制模型，通过建立的仿真模型，可以获取神经网络学习过程中所用的数据。
进一步的，基于BP神经网络的PID控制器系统采用了改进的三层前向BP神经网络的PID控制算法，由辨识网络和改进的神经网络PID两部分组成，即由NNI和NNPID两部分组成。其中，神经网络的自学习能力用于识别在离线模式下的控制对象模型，达到修改其网络权值、逐步适应目标特性的目的。当它学习到与被控对象一致时，再由NNPID控制器进行在线控制。在这个过程中，通过反传误差函数，NNI利用BP神经网络的误差反向传播特性来控制偏移量e1，使得e1传回到神经网络的自身神经元中，从而校正其自身的权重。通过NNI设置输入后，偏差量e0由该输入和对象的实际输出差而得到，同时e0通过反向NNPID控制网络提供了一个误差信号e2来校正其网络权值。在经过若干次学习之后，NNPID控制器能逐渐地自适应系统的变化。不断修正网络权值和阈值使误差函数E沿负梯度方向下降最终达到最小值，并且无需建立数学方程式，通过对输入的样本数据的学习训练,获得隐藏在数据内部的规律，并利用学习到的规律来预测未来的数据，最终逼近期望输出。
进一步的，BP神经网络模型采用含有一个隐含层的三层多输入单输出的BP网络建立预测模型，因为在网络设计过程中,需要确定隐含层神经元数。隐含层神经元个数过多,会加大网络计算量并容易产生过度拟合问题，神经元个数少,则会影响网络性能,达不到预期效果。网络中隐含层神经元的数目与实际问题的复杂程度、输入和输出层的神经元数以及对期望误差的设定有着直接的联系。参照经验公式:
Figure BDA0003380015010000031
其中,n为输入层神经元个数,m为输出层神经元个数,a取1-10之间的常数。根据上式可以计算出神经元个数为2-11个之间。
进一步的，改进的神经网络PID控制器根据给定的最佳性能调整网络的加权系数。PID控制器负责控制信号的正向传导和在线控制受控对象。根据错误和操作状态，神经网络基于错误的梯度下降来修改神经网络层的权值和阈值。网络输出层的三个PID控制参数kp、ki、kd可以在线进行改变和调整，因此，优化系统性能是可以通过调整PID控制器参数而自适应的。
进一步的，粒子群算法PSO是一种进化计算算法和全局优化搜索算法，是基于群体智能的方法，可直接解决可行域的搜索解决方案的问题，因此，PSO算法有更强的随机性，它可以搜索到问题的全局最优解。且很难陷入局部最优，能迅速找到最佳解决方案。通过采用PSO算法优化PID控制器的参数，能够使PID控制器有更好的控制性能，完成优化后，将最终的得到的各种数据以及其拟合值进行保存，然后查看，就可以得到输出最优全局位置和对应的最优PID参数kp、ki、kd。
有益效果：本发明利用粒子群算法的全局优化能力和较强的趋同能力提高BP神经网络的权值。该方法基于基本BP神经网络算法的向后误差传播，调整对应于所述更新粒子位置的BP神经网络权值和阈值，充分利用粒子群算法的全局优化能力强和BP神经网络算法反向传播特性好的特点。该方法可以优化动态过程，降低系统的稳态误差，克服了传统PID控制方法中规划的关节角与实际的关节角的误差较大的缺陷，实现高效高精度的划线加工，节约了大量的时间成本和人力成本。
附图说明
图1显示为BP神经网络结构；
图2显示为本发明的基于PSO算法的BP神经网络的PID控制器算法流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步详细说明。
一种用于PC构件模具划线的机械臂控制方法，具体步骤如下：
步骤1，通过对机器人系统的运动学分析，基于D-H法，根据机器人系统参数，给出了移动式机器人的运动学方程，利用位置和姿态分开解耦，采用解析法解出运动学的正解和逆解；本实施例中，在MATLAB软件中建立工作区域即各关节角和连杆等的初始位置信息；在MATLAB或Simulink软件环境利用动力学模型搭建轨迹跟踪控制模型；可以在已知PID参数和规划好的关节角的情况下计算得到实际的关节角。常见的PID控制方法中规划好的关节角和实际的关节角之间存在较大误差。
步骤2，构建基于BP神经网络的PID控制器；建立三层BP神经网络模型，如图1所示，首先该模型由控制力矩和实际角位移作为输入，以三个PID控制参数作为输出，所以输入层的节点数为2，输出层的节点数为1；隐含层设计方法如下：BP神经网络设计过程中，隐含层神经元数的确定十分重要。隐含层神经元个数过多,会加大网络计算量并容易产生过度拟合问题，神经元个数少,则会影响网络性能,达不到预期效果。利用公式:
Figure BDA0003380015010000041
计算隐含层神经元数量，其中,n为输入层神经元个数,m为输出层神经元个数,a取1-10之间的常数。根据上式可以计算出神经元个数为2-11个之间，在本实施例中选择隐含层神经元个数为4个。
完成基于BP神经网络的PID控制器的构建后，基于BP神经网络的PID控制器系统采用了改进的三层前向BP神经网络的PID控制算法，由辨识网络和改进的神经网络PID两部分组成，即由NNI和NNPID两部分组成。其中，神经网络的自学习能力用于识别在离线模式下的控制对象模型，达到修改其网络权值、逐步适应目标特性的目的。当它学习到与被控对象一致时，再由NNPID控制器进行在线控制。在这个过程中，通过反传误差函数，NNI利用BP神经网络的误差反向传播特性来控制偏移量e1，使得e1传回到神经网络的自身神经元中，从而校正其自身的权重。通过NNI设置输入后，偏差量e0由该输入和对象的实际输出差而得到，同时e0通过反向NNPID控制网络提供了一个误差信号e2来校正其网络权值。在经过若干次学习之后，NNPID控制器能逐渐地自适应系统的变化。不断修正网络权值和阈值使误差函数E沿负梯度方向下降最终达到最小值，并且无需建立数学方程式，通过对输入的样本数据的学习训练,获得隐藏在数据内部的规律，并利用学习到的规律来预测未来的数据，最终逼近期望输出。
本实施例中，误差函数如下：
Figure BDA0003380015010000051
式中，Ti为期望输出、Oi为网络的计算输出。
进一步的，上述得到的基于BP神经网络的PID控制器是一种改进的神经网络PID控制器，根据给定的最佳性能调整网络的加权系数。PID控制器负责控制信号的正向传导和在线控制受控对象。根据错误和操作状态，神经网络基于错误的梯度下降来修改神经网络层的权值和阈值。网络输出层的三个PID控制参数kp、ki、kd可以在线进行改变和调整，因此，优化系统性能是可以通过调整PID控制器参数而自适应的。
在BP神经网络中，初始权重的值显著地影响神经网络学习后是否可以实现全局优化、算法收敛性和训练时间，如何最好地建立BP神经网络的初始权值非常重要；然而传统的方法是通过反复实验来获得初始权值，很难得到PID控制器最佳参数。本实施例中，利用粒子群算法对基于BP神经网络的PID控制器进行优化，如图2所示，具体步骤如下：选用MATLAB中的神经网络工具箱进行网络的训练,将检测样本数据归一化后输入网络,设定网络隐层和输出层激励函数分别tansig函数和logsig函数,网络训练函数为traingdx函数,网络性能函数为mse函数,隐层神经元数初设为4。之后设定网格参数，设定完网络迭代次数为和期望误差以及学习速率。在设定完参数之后在MATLAB中运行并开始训练网络，如果所得到的误差不能满足预期需求，则需重复上述的步骤直至能够满足期望误差，该网络通过多次重复学习达到期望误差后则完成学习。最后将最终的得到的各种数据以及其拟合值进行保存，然后查看，就可以得到输出最优全局位置和对应的最优PID参数kp、ki、kd。
综上，本发明中用于PC构件模具划线的机械臂控制方法以导轨式六自由度的机械臂结构为基础，将BP神经网络算法和PID控制相结合，利用粒子群优化算法的全局优化能力，优化了BP神经网络PID控制结构和参数。可以充分利用神经网络自学习、自适应、非线性的优点和PID控制器的简单结构，应用于解决现有技术中三坐标划线机存在的划线形状有限以及划线的精度低和效率低的技术问题。

Claims (8)

1.一种用于PC构件模具划线的机械臂控制方法，其特征在于：该方法包括具体步骤如下：
(1)根据机械臂的具体结构和位姿得到机器人的DH参数并建立机械臂的运动学方程及模型仿真；
(2)取得机械臂的D-H参数并得到各关节初始位置，将规划好的关节角和力矩作为输入信号，通过基于PSO算法的BP神经网络的PID控制器与动力学模型积分模块得到实际的关节角，再通过反馈到PID控制模块，同时调节PID参数使规划的关节角与实际的关节角的误差为零；
(3)调节好PID参数之后，输入设定的机械臂关节变量来精准实现机械臂的轨迹位置移动，以达到划线的要求。
2.根据权利要求1所述的一种用于PC构件模具划线的机械臂控制方法，其特征在于：所述的步骤(1)中机械臂采用六自由度工业机器人，通过对机器人系统的运动学分析，基于D-H法，根据机器人系统参数，给出了移动式机器人的运动学方程，利用位置和姿态分开解耦，采用解析法解出运动学的正解和逆解。
3.根据权利要求2所述的一种用于PC构件模具划线的机械臂控制方法，其特征在于：所述的步骤(1)中，利用仿真软件建立机械臂初始位置模型，并利用动力学模型搭建轨迹跟踪控制模型，通过仿真获取机械臂规划的关节角和实际的关节角。
4.根据权利要求1所述的一种用于PC构件模具划线的机械臂控制方法，其特征在于：所述的步骤(2)中BP神经网络模型包括输入层、隐含层和输出层；输入层节点数为2，分别是控制力矩和实际角位移，隐含层神经元个数为2-11个，输出层节点数为1，为PID的控制参数。
5.根据权利要求1所述的一种用于PC构件模具划线的机械臂控制方法，其特征在于：所述的步骤(2)中BP神经网络模型学习过程中，通过反传误差函数将偏移量反向传回神经网络的神经元中，校正其自身权重，直至学习后的神经网络模型预测的数据与期望输出的差值在设定范围内。
6.根据权利要求5所述的一于PC构件模具划线的机械臂控制方法，其特征在于：所述的误差函数如下：
Figure FDA0003380014000000011
式中，Ti为期望输出、Oi为网络的计算输出。
7.根据权利要求5所述的一种用于PC构件模具划线的机械臂控制方法，其特征在于：所述的步骤(2)中利用PSO优化BP神经网络的PID控制器的具体流程如下：利用MATLAB进行神经网络的训练,将检测样本数据归一化后输入网络,设定神经网络隐含层和输出层激励函数分别tansig函数和logsig函数,训练函数为traingdx函数,性能函数为mse函数,并初设隐含层神经元数量，之后设定网格参数，确定网络迭代次数和期望误差以及学习速率；完成参数设定之后在MATLAB中运行并开始训练网络，最终得到所需结果。
8.根据权利要求7所述的一种用于PC构件模具划线的机械臂控制方法，其特征在于：所述的当在设定迭代次数完成后得到结果不满足期望，则以最后一次迭代结果作为输入再次进行训练，直至训练结果满足期望。
CN202111430433.7A 2021-11-29 2021-11-29 一种用于pc构件模具划线的机械臂控制方法 Active CN114012733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111430433.7A CN114012733B (zh) 2021-11-29 2021-11-29 一种用于pc构件模具划线的机械臂控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111430433.7A CN114012733B (zh) 2021-11-29 2021-11-29 一种用于pc构件模具划线的机械臂控制方法

Publications (2)

Publication Number Publication Date
CN114012733A true CN114012733A (zh) 2022-02-08
CN114012733B CN114012733B (zh) 2023-05-23

Family

ID=80066890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111430433.7A Active CN114012733B (zh) 2021-11-29 2021-11-29 一种用于pc构件模具划线的机械臂控制方法

Country Status (1)

Country Link
CN (1) CN114012733B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115465799A (zh) * 2022-10-21 2022-12-13 北京东土科技股份有限公司 塔吊控制参数调节方法及装置、计算设备和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2072194A2 (de) * 2007-12-17 2009-06-24 KUKA Roboter GmbH Verfahren und Vorrichtung zur modellbasierten Regelung eines Manipulators
CN109101757A (zh) * 2018-09-03 2018-12-28 哈尔滨理工大学 一种液压四足机器人单腿刚性支撑相控制方法
CN109901403A (zh) * 2019-04-08 2019-06-18 哈尔滨工程大学 一种自主水下机器人神经网络s面控制方法
CN110450155A (zh) * 2019-07-30 2019-11-15 洛阳润信机械制造有限公司 一种多自由度机械臂系统的控制器的优化设计方法
CN111665718A (zh) * 2020-06-05 2020-09-15 长春工业大学 一种基于q学习算法的对角递归神经网络控制策略
CN111844020A (zh) * 2020-06-11 2020-10-30 马鞍山职业技术学院 基于模糊神经网络的机械手轨迹跟踪控制系统
CN112327634A (zh) * 2020-11-27 2021-02-05 江苏科技大学 基于bp神经网络s面控制的水下机器人姿态控制方法
CN112454359A (zh) * 2020-11-18 2021-03-09 重庆大学 基于神经网络自适应的机器人关节跟踪控制方法
CN112518753A (zh) * 2020-12-04 2021-03-19 浙江理工大学 一种神经网络迭代补偿的工业机器人轨迹跟踪系统和方法
CN112720480A (zh) * 2020-12-22 2021-04-30 华中科技大学 一种基于分级误差的机器人轨迹修正方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2072194A2 (de) * 2007-12-17 2009-06-24 KUKA Roboter GmbH Verfahren und Vorrichtung zur modellbasierten Regelung eines Manipulators
CN109101757A (zh) * 2018-09-03 2018-12-28 哈尔滨理工大学 一种液压四足机器人单腿刚性支撑相控制方法
CN109901403A (zh) * 2019-04-08 2019-06-18 哈尔滨工程大学 一种自主水下机器人神经网络s面控制方法
CN110450155A (zh) * 2019-07-30 2019-11-15 洛阳润信机械制造有限公司 一种多自由度机械臂系统的控制器的优化设计方法
CN111665718A (zh) * 2020-06-05 2020-09-15 长春工业大学 一种基于q学习算法的对角递归神经网络控制策略
CN111844020A (zh) * 2020-06-11 2020-10-30 马鞍山职业技术学院 基于模糊神经网络的机械手轨迹跟踪控制系统
CN112454359A (zh) * 2020-11-18 2021-03-09 重庆大学 基于神经网络自适应的机器人关节跟踪控制方法
CN112327634A (zh) * 2020-11-27 2021-02-05 江苏科技大学 基于bp神经网络s面控制的水下机器人姿态控制方法
CN112518753A (zh) * 2020-12-04 2021-03-19 浙江理工大学 一种神经网络迭代补偿的工业机器人轨迹跟踪系统和方法
CN112720480A (zh) * 2020-12-22 2021-04-30 华中科技大学 一种基于分级误差的机器人轨迹修正方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘伟锐等: "改进粒子群算法在并联机构位置正解中的应用", 《机械设计与制造》 *
张震等: "基于PSO-RBF神经网络的串联机械臂逆运动学分析", 《科学技术与工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115465799A (zh) * 2022-10-21 2022-12-13 北京东土科技股份有限公司 塔吊控制参数调节方法及装置、计算设备和存储介质

Also Published As

Publication number Publication date
CN114012733B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN110238839B (zh) 一种利用环境预测优化非模型机器人多轴孔装配控制方法
CN110275436B (zh) 一种多单臂机械手的rbf神经网络自适应控制方法
CN109901403B (zh) 一种自主水下机器人神经网络s面控制方法
CN108839026B (zh) 一种移动机器人视觉伺服跟踪预测控制方法
Han et al. Adaptive computation algorithm for RBF neural network
CN109240091B (zh) 一种基于强化学习的水下机器人控制方法及其进行跟踪的控制方法
CN105773623A (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
CN114117926B (zh) 一种基于联邦学习的机器人协同控制算法
CN115157238B (zh) 一种多自由度机器人动力学建模和轨迹跟踪方法
CN113910218B (zh) 一种基于运动学与深度神经网络融合的机器人标定方法和装置
CN112497216B (zh) 一种基于深度学习的工业机器人位姿精度补偿方法
CN104516268A (zh) 一种基于模糊神经网络的机器人标定误差补偿方法
Gao et al. Time-optimal trajectory planning of industrial robots based on particle swarm optimization
CN110744552A (zh) 一种基于奇异摄动理论的柔性机械臂运动控制方法
CN114012733B (zh) 一种用于pc构件模具划线的机械臂控制方法
Wang Robot algorithm based on neural network and intelligent predictive control
CN115685755A (zh) 一种基于离散控制障碍函数的人机协作控制方法
CN107894709A (zh) 基于自适应评价网络冗余机器人视觉伺服控制
Tang et al. Actively learning Gaussian process dynamical systems through global and local explorations
Jing et al. Research on neural network PID adaptive control with industrial welding robot in multi-degree of freedom
Li et al. Model predictive control for constrained robot manipulator visual servoing tuned by reinforcement learning
Teng et al. The Application of Servo Control Technology n Robot Positioning and Tracking System via Heuristic Algorithm
Wang et al. Adaptive control for industrial welding robot with muti-degree of freedom using the improved neural network PID
CN116079730B (zh) 一种提升机器人手臂操作精度的控制方法及系统
Nomanfar et al. Reinforcement Learning Control for Cable-Driven Parallel Robot

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