CN114280924A - 基于模糊观测器的柔性关节机器人系统事件触发控制方法 - Google Patents

基于模糊观测器的柔性关节机器人系统事件触发控制方法 Download PDF

Info

Publication number
CN114280924A
CN114280924A CN202111576168.3A CN202111576168A CN114280924A CN 114280924 A CN114280924 A CN 114280924A CN 202111576168 A CN202111576168 A CN 202111576168A CN 114280924 A CN114280924 A CN 114280924A
Authority
CN
China
Prior art keywords
robot system
flexible joint
joint robot
observer
fuzzy
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
CN202111576168.3A
Other languages
English (en)
Other versions
CN114280924B (zh
Inventor
马倩
谢迎康
徐胜元
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing 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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202111576168.3A priority Critical patent/CN114280924B/zh
Publication of CN114280924A publication Critical patent/CN114280924A/zh
Application granted granted Critical
Publication of CN114280924B publication Critical patent/CN114280924B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于模糊观测器的柔性关节机器人系统事件触发控制方法，步骤如下：建立柔性关节机器人系统的动态方程；根据输出信息，设计自适应模糊观测器；基于模糊观测器设计虚拟控制率；设计事件触发机制与输出反馈控制器；将控制器应用于柔性关节机器人系统，得到闭环机器人系统；通过输出数据，更新观测器中的自适应参数，进而更新控制器。本发明能够在仅有输出信息的情况下，实现柔性关节机器人系统在一定误差内的跟踪控制，适用于模型未知的系统，并且能够有效地节约通信资源，防止数据冗余。

Description

基于模糊观测器的柔性关节机器人系统事件触发控制方法
技术领域
本发明涉及人工智能及控制领域，更具体涉及一种基于模糊观测器的柔性关节机器人系统事件触发控制方法。
背景技术
随着人工智能技术和机器人的兴起，机器人系统在工业生产、宇航作业、军事行动以及医疗卫生等诸多领域得到广泛的应用。与传统的刚性关节机器人从根本上不同，柔性关节机器人具有质量轻、功耗小、负载比高、精度高及构件设计紧凑等许多优点，可以解决刚性关节机器人存在的笨重，不易在狭小工作空间内工作的缺陷。然而柔性关节机器人所包含的柔性元件由于刚度较低，在工作中容易系统不稳定，容易引起机器人的振动，从而导致控制难度大大增加。
另一方面，在很多实际情况中，柔性关节机器人系统的全部状态往往不容易进行测量的，一般只有输出信息可测量。此外，系统部件之间的信息交互通过共享的通讯网络进行。由于系统存储设备的储备能力有限,大量的信号传输会造成能源的消耗,因此，需要更高效、节能的采样机制实现。事件触发机制由于其在减小网络带宽占用、计算成本、能量消耗方面的优异性能,成为了时间触发机制的有效替代方案。
中国专利申请号201611077672.8公开了一种柔性关节机器人系统的控制器设计方法，该专利在设计上采用虚拟控制方法将原始的柔性关节机器人系统分解为连杆子系统和电机子系统，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；控制方法的计算量可以调节，能够运行在不同计算性能控制平台上，适应性强。然而该发明申请是基于柔性关节机械臂系统的全部状态可测的情形，当机械臂系统的全部状态不完全可测，只有输出信号可测时，该方法不再适用。此外，大量的传输数据会造成数据的冗余，加大能源的消耗。
发明内容
本发明的目的在于提供一种基于模糊观测器的柔性关节机器人系统事件触发控制方法，在仅有输出信息的情况下，实现柔性关节机器人系统在一定误差内的跟踪控制，适用于模型未知的系统，并且能够有效地节约通信资源，防止数据冗余。
实现本发明目的的技术解决方案为：一种基于模糊观测器的柔性关节机器人系统事件触发控制方法，所述方法包括以下步骤:
步骤1：建立柔性关节机器人系统的动态方程；
步骤2：根据柔性关节机器人系统的输出信息，设计自适应模糊观测器；
步骤3：基于模糊观测器设计虚拟控制率；
步骤4：设计事件触发机制与输出反馈控制器；
步骤5：将控制器应用于柔性关节机器人系统，得到闭环机器人系统；
步骤6：通过输出数据，更新观测器中的自适应参数，进而更新控制器。
进一步地，步骤1所述建立柔性关节机器人系统的动态方程，具体如下：
通过公式
Figure BDA0003424837300000021
其中q,
Figure BDA0003424837300000022
分别表示连杆位置、速度和加速度矢量，M(q)∈Rn×n是一个对称正定的惯性矩阵；
Figure BDA0003424837300000023
是科里奥力和向心力矩阵，G(q)∈Rn是重力矢量，
Figure BDA0003424837300000024
代表摩擦项；qm,
Figure BDA0003424837300000025
分别表示转子角位置、速度和加速度矢量；正定对角矩阵K∈Rn×n,J∈Rn×n,B∈Rn×n分别表示关节柔性、可动性和自然阻尼项；u∈Rn是每个执行器上的扭矩输入；令x1＝q,
Figure BDA0003424837300000026
x3＝qm,
Figure BDA0003424837300000027
得到如下状态空间表达式
Figure BDA0003424837300000028
进一步地，步骤2所述根据柔性关节机器人系统的输出信息，设计自适应模糊观测器，具体如下：
定义IF-THEN规则和模糊集的隶属度函数，设计如下自适应模糊观测器：
Figure BDA0003424837300000031
其中，
Figure BDA0003424837300000032
为x(t)＝(x1(t),x2(t),x3(t),x4(t))的估计值，
Figure BDA0003424837300000033
增益矩阵L选取使得
Figure BDA0003424837300000034
为Hurwitz矩阵，其中Γ＝(In,0,...,0)，矩阵Li(i＝1,2,3,4)为对角矩阵，Δω定义为Δω＝diag(In,In/ω,In/ω2,In/ω3)，其中，In为n阶单位阵；
Figure BDA0003424837300000035
为自适应参数，
Figure BDA0003424837300000036
为模糊隶属度函数。
进一步地，步骤3所述基于模糊观测器设计虚拟控制率，具体如下：
定义坐标变换
Figure BDA0003424837300000037
其中αi为虚拟控制率，zi为中间变量，引入一阶滤波器si满足
Figure BDA0003424837300000038
si(0)＝αi-1(0)
设计虚拟控制率：
Figure BDA0003424837300000039
Figure BDA00034248373000000310
Figure BDA00034248373000000311
Figure BDA00034248373000000312
设计自适应参数的更新率：
Figure BDA0003424837300000041
进一步地，步骤4所述设计事件触发机制与输出反馈控制器，具体如下：
Figure BDA0003424837300000042
其中，sign(*)为符号函数。
进一步地，步骤5所述将控制器应用于柔性关节机器人系统，得到闭环机器人系统，具体如下：
将设计的事件触发控制器
Figure BDA0003424837300000043
带入到系统
Figure BDA0003424837300000044
中得到闭环系统。
进一步地，步骤6所述通过输出数据，更新观测器中的自适应参数，进而更新控制器，具体如下：
通过输出数据y(t)，根据
Figure BDA0003424837300000045
更新观测器中的状态
Figure BDA0003424837300000046
根据自适应参数的更新率
Figure BDA0003424837300000052
更新自适应参数
Figure BDA0003424837300000051
进而更新控制器u。
本发明与现有技术相比，其显著优点为：
(1)通过设计事件触发控制器，实现了数据的间断传输，有效节约有限的通信资源，降低控制成本，降低能量消耗，防止数据冗余；
(2)由于机器人系统中的非线性函数难以建模，本方法通过使用模糊自适应控制，可以实现对模型未知的系统的有效控制；
(3)大多数情况下，系统内部的信息是很难获取的，仅有输出的信息可测，本发明通过设计自适应模糊观测器，使得控制器能够在仅有输出信息的情况下使用。
附图说明
图1是基于模糊观测器的柔性关节机器人系统的自适应事件触发控制方法的流程图。
图2是柔性关节机器人的示意图。
图3是实施算例中系统输出x11与参考信号y1随时间的变化曲线。
图4是实施算例中系统输出x12与参考信号y2随时间的变化曲线。
图5是实施算例中系统的输入u1随时间的变化曲线。
图6是实施算例中系统的输入u2随时间的变化曲线。
图7是控制方法的结构简图。
具体实施方式
本发明一种基于模糊观测器的柔性关节机器人系统事件触发控制方法，具体控制流程见图1，柔性关节机器人的结构简图见图2。所述方法包括以下步骤:
步骤1：建立柔性关节机器人系统的动态方程；
步骤2：根据柔性关节机器人系统的输出信息，设计自适应模糊观测器；
步骤3：基于模糊观测器设计虚拟控制率；
步骤4：设计事件触发机制与输出反馈控制器；
步骤5：将控制器应用于柔性关节机器人系统，得到闭环机器人系统；
步骤6：通过输出数据，更新观测器中的自适应参数，进而更新控制器。
作为一种具体实施例，步骤一通过公式，
Figure BDA0003424837300000061
其中q,
Figure BDA0003424837300000062
分别表示连杆位置、速度和加速度矢量,M(q)∈Rn×n是一个对称正定的惯性矩阵。
Figure BDA0003424837300000063
是科里奥力和向心力矩阵,G(q)∈Rn是重力矢量,
Figure BDA0003424837300000064
代表摩擦项。qm,
Figure BDA0003424837300000065
分别表示转子角位置、速度和加速度矢量。正定对角矩阵K∈Rn×n,J∈Rn×n,B∈Rn×n分别表示关节柔性、可动性和自然阻尼项。u∈Rn是每个执行器上的扭矩输入。令x1＝q,
Figure BDA0003424837300000066
x3＝qm,
Figure BDA0003424837300000067
得到如下状态空间表达式
Figure BDA0003424837300000068
作为一种具体实施例，步骤二包括：
定义IF-THEN规则和模糊集的隶属度函数。设计如下自适应模糊观测器：
Figure BDA0003424837300000069
其中
Figure BDA00034248373000000610
为x(t)＝(x1(t),x2(t),x3(t),x4(t))的估计值，
Figure BDA00034248373000000611
增益矩阵L选取使得
Figure BDA00034248373000000612
为Hurwitz矩阵，其中Γ＝(In,0,…,0)，矩阵Li(i＝1,2,3,4)为对角矩阵，Δω定义为Δω＝diag(In,In/ω,In/ω2,In/ω3)，其中，In为n阶单位阵。
Figure BDA0003424837300000071
为自适应参数，
Figure BDA0003424837300000072
为模糊隶属度函数。
证明误差系统收敛，令
Figure BDA0003424837300000073
那么
Figure BDA0003424837300000074
因此，令
Figure BDA0003424837300000075
可得
Figure BDA0003424837300000076
构建如下V函数
Figure BDA0003424837300000077
令P满足
Figure BDA0003424837300000078
将M-1(x1)(Kx3-C(x1,x2)x2-G(x1)-F(x2)-Kx1)模糊化为
Figure BDA0003424837300000079
可得
Figure BDA00034248373000000710
其中
Figure BDA00034248373000000711
λM(·)表示矩阵的最大特征值。进一步可得，
Figure BDA00034248373000000712
其中，a为设计参数，
Figure BDA00034248373000000713
h1＝λM(P)(aδ2+4a||θ||2)。
作为一种具体实施例，步骤三包括：
定义坐标变换
Figure BDA0003424837300000081
其中αi为虚拟控制率，zi为中间变量，为了解决“维度爆炸”问题，引入一阶滤波器si满足
Figure BDA0003424837300000082
si(0)＝αi-1(0)。
下面利用反步法设计虚拟控制率和自适应参数的更新率。
步骤1：建立如下V函数
Figure BDA0003424837300000083
则
Figure BDA0003424837300000084
设计虚拟控制率：
Figure BDA0003424837300000085
可得
Figure BDA0003424837300000086
令α1以λ2的时间穿过一阶滤波器，得到s2如下
Figure BDA0003424837300000087
s2(0)＝α1(0)。
那么，可得
Figure BDA0003424837300000088
Figure BDA0003424837300000089
步骤2：构造建立如下V函数
Figure BDA0003424837300000091
则
Figure BDA0003424837300000092
其中，ε为逼近误差。设计如下，虚拟控制率和自适应参数更新率
Figure BDA0003424837300000093
Figure BDA0003424837300000094
可得
Figure BDA0003424837300000095
其中
Figure BDA0003424837300000096
令α2以λ3的时间穿过一阶滤波器，得到s3如下
Figure BDA0003424837300000097
s3(0)＝α2(0)。
那么，可得
Figure BDA0003424837300000098
Figure BDA0003424837300000099
步骤3：设计如下V函数
Figure BDA00034248373000000910
则
Figure BDA0003424837300000101
设计虚拟控制率
Figure BDA0003424837300000102
可得
Figure BDA0003424837300000103
令α3以λ4的时间穿过一阶滤波器，得到s4如下
Figure BDA0003424837300000104
s4(0)＝α3(0)。
那么，可得
Figure BDA0003424837300000105
Figure BDA0003424837300000106
构造如下V函数，
Figure BDA0003424837300000107
则
Figure BDA0003424837300000108
设计如下虚拟控制率
Figure BDA0003424837300000111
那么
Figure BDA0003424837300000112
作为一种具体实施例，步骤四设计如下事件触发机制
Figure BDA0003424837300000113
其中，sign(*)为符号函数，
Figure BDA0003424837300000114
那么，可得存在η使得η(ti)＝0，
Figure BDA0003424837300000115
|η(t)|≤1，满足
u(t)＝v(t)-ησ，
可得
z4(u-α4)＝z4(α4-sign(z4)σ-η(t)σ-α4)
≤z4(-sign(z4)σ-η(t)σ)≤0。
因此
Figure BDA0003424837300000116
选取合适的参数使得
Figure BDA0003424837300000117
可得
Figure BDA0003424837300000121
其中
Figure BDA0003424837300000122
此外，需要排除控制器无限采样无限触发的之诺现象。假设Δi＝ti+1-ti→0,那么
Figure BDA0003424837300000123
由于α4,z4是连续的，那么
Figure BDA0003424837300000124
与触发的条件
Figure BDA0003424837300000125
矛盾。因此，之诺现象不会发生。
作为一种具体实施例，步骤五将设计的事件触发控制器
Figure BDA0003424837300000126
带入到柔性关节机器人系统中
Figure BDA0003424837300000127
得到闭环控制系统。
作为一种具体实施例，步骤六：通过输出数据y(t)，根据
Figure BDA0003424837300000128
更新观测器中的状态
Figure BDA0003424837300000129
根据自适应参数的更新率
Figure BDA00034248373000001210
更新自适应参数
Figure BDA0003424837300000131
进而更新控制器u。控制方法的结构简图见图3。
实施例
下面通过具有两个关节的柔性关节机器人系统，对本发明中的设计方法的有效性进行验证。
Figure BDA0003424837300000132
选取参考信号
Figure BDA0003424837300000133
设计如下矩阵
Figure BDA0003424837300000134
Figure BDA0003424837300000135
Figure BDA0003424837300000136
Figure BDA0003424837300000137
其中参数描述如表1所示：
表1
参数 描述 值 单位 参数 描述 值 单位
m<sub>1</sub> 连杆1的质量 2 kg B<sub>1</sub> 阻尼系数 1 无
m<sub>2</sub> 连杆2的质量 3 kg B<sub>2</sub> 阻尼系数 1 无
l<sub>1</sub> 连杆1的长度 1 m K<sub>1</sub> 关节僵直 10 N·m/rad
l<sub>2</sub> 连杆2的长度 1 m K<sub>2</sub> 关节僵直 10 N·m/rad
J<sub>1</sub> 关节的灵活性 0.005 m/s<sup>2</sup> g 重力加速度 9.8 N/kg
J<sub>2</sub> 关节的灵活性 0.005 m/s<sup>2</sup>
其中，
Figure BDA0003424837300000141
构造如下模糊隶属度函数
Figure BDA0003424837300000142
其中i＝1,2,j＝1,...,11，选取函数中心为向量
Figure BDA0003424837300000143
宽度为2。
设计如下自适应模糊观测器：
Figure BDA0003424837300000144
其中，ω＝2，
Figure BDA0003424837300000145
设计如下虚拟控制率
Figure BDA0003424837300000146
Figure BDA0003424837300000147
Figure BDA0003424837300000148
Figure BDA0003424837300000149
选取参数c1＝4，c2＝10，c3＝c4＝,50，λ1＝λ2＝λ3＝λ4＝0.08。
设计自适应更新率
Figure BDA00034248373000001410
选取参数b＝5，p＝1。系统输出x11和x12与参考信号y1和y2随时间的变化曲线如图4，图5所示。容易得到追踪误差是全局最终一致有界的，通过选择合适的参数可以将误差缩小到很小的一个区间内。系统的输入u1和u2随时间的变化曲线如图6，图7所示。
本实施例考虑不确定性下柔性关节机器人系统，给出期望yr的参考轨迹。并设计了一种基于模糊观测器的事件触发控制器。然后，对于所有有界的初始条件，都存在一个合适的设计参数使得闭环系统的所有状态和信号都是有界的，跟踪误差是一致且最终有界的。
以上所述，仅为本发明专利较佳的实施例，但本发明专利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专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (7)

1.一种基于模糊观测器的柔性关节机器人系统事件触发控制方法，其特征在于，所述方法包括以下步骤:
步骤1：建立柔性关节机器人系统的动态方程；
步骤2：根据柔性关节机器人系统的输出信息，设计自适应模糊观测器；
步骤3：基于模糊观测器设计虚拟控制率；
步骤4：设计事件触发机制与输出反馈控制器；
步骤5：将控制器应用于柔性关节机器人系统，得到闭环机器人系统；
步骤6：通过输出数据，更新观测器中的自适应参数，进而更新控制器。
2.根据权利要求1所述的基于模糊观测器的柔性关节机器人系统事件触发控制方法，其特征在于，步骤1所述建立柔性关节机器人系统的动态方程，具体如下：
通过公式
Figure FDA0003424837290000011
其中
Figure FDA0003424837290000012
分别表示连杆位置、速度和加速度矢量，M(q)∈Rn×n是一个对称正定的惯性矩阵；
Figure FDA0003424837290000013
是科里奥力和向心力矩阵，G(q)∈Rn是重力矢量，
Figure FDA0003424837290000014
代表摩擦项；
Figure FDA0003424837290000015
分别表示转子角位置、速度和加速度矢量；正定对角矩阵K∈Rn×n,J∈Rn ×n,B∈Rn×n分别表示关节柔性、可动性和自然阻尼项；u∈Rn是每个执行器上的扭矩输入；令x1＝q,
Figure FDA0003424837290000016
x3＝qm,
Figure FDA0003424837290000017
得到如下状态空间表达式
Figure FDA0003424837290000018
3.根据权利要求1所述的基于模糊观测器的柔性关节机器人系统事件触发控制方法，其特征在于，步骤2所述根据柔性关节机器人系统的输出信息，设计自适应模糊观测器，具体如下：
定义IF-THEN规则和模糊集的隶属度函数，设计如下自适应模糊观测器：
Figure FDA0003424837290000021
其中，
Figure FDA0003424837290000022
为x(t)＝(x1(t),x2(t),x3(t),x4(t))的估计值，
Figure FDA0003424837290000023
增益矩阵L选取使得
Figure FDA0003424837290000024
为Hurwitz矩阵，其中Γ＝(In,0,...,0)，矩阵Li(i＝1,2,3,4)为对角矩阵，Δω定义为Δω＝diag(In,In/ω,In/ω2,In/ω3)，其中，In为n阶单位阵；
Figure FDA0003424837290000025
为自适应参数，
Figure FDA0003424837290000026
为模糊隶属度函数。
4.根据权利要求1所述的基于模糊观测器的柔性关节机器人系统事件触发控制方法，其特征在于，步骤3所述基于模糊观测器设计虚拟控制率，具体如下：
定义坐标变换
Figure FDA0003424837290000027
其中αi为虚拟控制率，zi为中间变量，引入一阶滤波器si满足
Figure FDA0003424837290000028
si(0)＝αi-1(0)
设计虚拟控制率：
Figure FDA0003424837290000031
Figure FDA0003424837290000032
Figure FDA0003424837290000033
Figure FDA0003424837290000034
设计自适应参数的更新率：
Figure FDA0003424837290000035
5.根据权利要求1所述的基于模糊观测器的柔性关节机器人系统事件触发控制方法，其特征在于，步骤4所述设计事件触发机制与输出反馈控制器，具体如下：
Figure FDA0003424837290000036
其中，sign(*)为符号函数。
6.根据权利要求1所述的基于模糊观测器的柔性关节机器人系统事件触发控制方法，其特征在于，步骤5所述将控制器应用于柔性关节机器人系统，得到闭环机器人系统，具体如下：
将设计的事件触发控制器
Figure FDA0003424837290000037
带入到系统
Figure FDA0003424837290000041
中得到闭环系统。
7.根据权利要求1所述的一种基于模糊逻辑的柔性关节机器人自适应事件触发控制方法，步骤6所述通过输出数据，更新观测器中的自适应参数，进而更新控制器，具体如下：
通过输出数据y(t)，根据
Figure FDA0003424837290000042
更新观测器中的状态
Figure FDA0003424837290000043
根据自适应参数的更新率
Figure FDA0003424837290000044
更新自适应参数
Figure FDA0003424837290000045
进而更新控制器u。
CN202111576168.3A 2021-12-21 2021-12-21 基于模糊观测器的柔性关节机器人系统事件触发控制方法 Active CN114280924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111576168.3A CN114280924B (zh) 2021-12-21 2021-12-21 基于模糊观测器的柔性关节机器人系统事件触发控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111576168.3A CN114280924B (zh) 2021-12-21 2021-12-21 基于模糊观测器的柔性关节机器人系统事件触发控制方法

Publications (2)

Publication Number Publication Date
CN114280924A true CN114280924A (zh) 2022-04-05
CN114280924B CN114280924B (zh) 2023-10-31

Family

ID=80874197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111576168.3A Active CN114280924B (zh) 2021-12-21 2021-12-21 基于模糊观测器的柔性关节机器人系统事件触发控制方法

Country Status (1)

Country Link
CN (1) CN114280924B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050137724A1 (en) * 2003-10-10 2005-06-23 Georgia Tech Research Corporation Adaptive observer and related method
CN106654987A (zh) * 2016-11-18 2017-05-10 华北电力大学（保定） 电力线路多机器人协作巡检方法
CN108388123A (zh) * 2018-03-09 2018-08-10 迪比（重庆）智能科技研究院有限公司 多个仿人机器人在速度不可测下的自适应控制方法
CN108818541A (zh) * 2018-09-11 2018-11-16 闽江学院 一种柔性关节机器人的自适应神经网络跟踪控制方法
CN109189085A (zh) * 2018-07-25 2019-01-11 西北工业大学 基于事件触发的航天器网络化系统姿态控制方法
CN109358506A (zh) * 2018-10-26 2019-02-19 南京理工大学 一种基于干扰观测器的自适应模糊遥操作控制方法
CN111716360A (zh) * 2020-06-30 2020-09-29 河北工业大学 一种基于模糊逻辑的柔性关节机械臂采样控制方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050137724A1 (en) * 2003-10-10 2005-06-23 Georgia Tech Research Corporation Adaptive observer and related method
CN106654987A (zh) * 2016-11-18 2017-05-10 华北电力大学（保定） 电力线路多机器人协作巡检方法
CN108388123A (zh) * 2018-03-09 2018-08-10 迪比（重庆）智能科技研究院有限公司 多个仿人机器人在速度不可测下的自适应控制方法
CN109189085A (zh) * 2018-07-25 2019-01-11 西北工业大学 基于事件触发的航天器网络化系统姿态控制方法
CN108818541A (zh) * 2018-09-11 2018-11-16 闽江学院 一种柔性关节机器人的自适应神经网络跟踪控制方法
CN109358506A (zh) * 2018-10-26 2019-02-19 南京理工大学 一种基于干扰观测器的自适应模糊遥操作控制方法
CN111716360A (zh) * 2020-06-30 2020-09-29 河北工业大学 一种基于模糊逻辑的柔性关节机械臂采样控制方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
苏博: "基于固定时间滑模干扰观测器的AUVs事件触发编队控制" *

Also Published As

Publication number Publication date
CN114280924B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN110877333B (zh) 一种柔性关节机械臂控制方法
CN107065564B (zh) 一种基于自抗扰的中性浮力机器人姿态与轨迹控制方法
CN112631335B (zh) 一种基于事件触发的多四旋翼无人机固定时间编队方法
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
CN113183154A (zh) 一种柔性关节机械臂的自适应反演控制方法
Lefeber et al. Linear controllers for exponential tracking of systems in chained‐form
Rojko et al. Sliding-mode motion controller with adaptive fuzzy disturbance estimation
CN113377014A (zh) 一种机械臂系统鲁棒镇定控制方法和系统
Han et al. Adaptive fuzzy control for a hybrid spacecraft system with spatial motion and communication constraints
CN113219825B (zh) 一种四足机器人单腿轨迹跟踪控制方法及系统
CN112276952B (zh) 一种多机器人系统的鲁棒同时镇定方法及系统
CN111590561B (zh) 一种分布式机械臂系统鲁棒预设性能控制方法
CN117452975A (zh) 一种四旋翼无人机集群的保性能协同编队控制设计方法
CN114280924A (zh) 基于模糊观测器的柔性关节机器人系统事件触发控制方法
CN116795126A (zh) 一种输入饱和与输出受限的变形飞行器控制方法
Ider et al. Trajectory tracking control of flexible-joint robots
Gruenwald et al. Adaptive control of unactuated dynamical systems through interconnections: Stability and performance guarantees
CN114200830A (zh) 一种多智能体一致性强化学习控制方法
CN114859725A (zh) 一种非线性系统自适应事件触发控制方法及系统
CN111776250B (zh) 基于干涉神经网络的航天器组合体误差补偿控制方法
Chen et al. Neural network compensator-based robust iterative learning control scheme for mobile robots nonlinear systems with disturbances and uncertain parameters
CN114488791B (zh) 基于操作者意图理解的遥操作事件触发固定时间控制方法
CN113500602B (zh) 多连杆机械手系统的分布式采样控制
CN117666360B (zh) 高阶多自主体集群系统分布式最优一致性控制方法及系统
CN118024250A (zh) 一种基于高阶全驱理论的人形机器人控制方法

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