CN114415519B - 一种adrc扩张观测器参数快速收敛的实时优化方法 - Google Patents
一种adrc扩张观测器参数快速收敛的实时优化方法 Download PDFInfo
- Publication number
- CN114415519B CN114415519B CN202210085450.XA CN202210085450A CN114415519B CN 114415519 B CN114415519 B CN 114415519B CN 202210085450 A CN202210085450 A CN 202210085450A CN 114415519 B CN114415519 B CN 114415519B
- Authority
- CN
- China
- Prior art keywords
- time
- observer
- parameters
- real
- error
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000001419 dependent effect Effects 0.000 title abstract description 6
- 101710163391 ADP-ribosyl cyclase/cyclic ADP-ribose hydrolase Proteins 0.000 claims abstract 10
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及控驱一体领域，公开了一种ADRC扩张观测器参数快速收敛的实时优化方法，包括S1‑S6的步骤，通过将机器人所有时刻的运行误差值均放入状态观测误差实时预测模块，并通过参数优化模块迭代得到下一次的扩张观测器参数预期值，由于每次迭代收敛优化中，尽可能的采用了更多的误差值，从而以较少的迭代优化次数，得到所需要的扩张观测器参数值，得到所需的期望值，大大减小了所需的迭代优化次数，节省了机器人的优化时间，加快在实际工程应用中参数优化收敛的速度。
Description
【技术领域】
本发明涉及控驱一体领域，特别涉及一种ADRC扩张观测器参数快速收敛的实时优化方法。
【背景技术】
现有的采用迭代优化的方法去更新扩张状态观测器参数，通常是一种离线优化的方式，即利用上一次运行轨迹的误差保存下来，并在这一次运行轨迹过程中利用保存下来的误差来优化此时刻的参数，导致态观测器参数并不能快速地收敛到期望值。首先，离线优化的方法利用的是上一次运行轨迹的误差信息，并没有利用当前运行轨迹的误差信息，这将大大降低参数收敛的速度。即使有些技术提到利用当前运行轨迹的误差信息，但也仅仅是利用上一时刻产生的误差，并没有充分利用上所有的误差信息。其次，对于如何优化参数的过程中，涉及到的优化指标往往考虑的是误差收敛要求以及参数平滑变化的要求，并没有涉及到参数快速收敛的要求，这也将使得收敛的速度大大降低。所以，现有的技术往往需要迭代20次以上，才可能收敛到期望值，而这在工程应用中是不适用的。
【发明内容】
本发明的旨在解决上述问题而提供一种ADRC扩张观测器参数快速收敛的实时优化方法，解决现有技术迭代优化次数多，不适用于工程应用中的问题。
为达此目的，本发明采用以下技术方案：
一种ADRC扩张观测器参数快速收敛的实时优化方法，包括如下步骤:
S1:设定ADRC扩张观测器的三个扩张初始状态观测器参数和/>
S2：设定机器人的运行轨迹，且机器人可重复运行所述轨迹，机器人在每次运行轨迹的过程中，均会实时采集ADRC扩张观测器的三个输出值机器人实际运动数据/> 和ADRC控制量u(t)；
S3：根据步骤S2采集的各项数据，通过计算可以得到从1时刻到t时刻所述扩张观测器所观测的状态的误差值 k＝1,2,3,…t；
S4：将步骤S3所得的所有误差值输入状态观测误差实时预测模块，所述状态观测误差实时预测模块输出得到t+1时刻的状态误差预测值和
S5：步骤S4中输出得到的t+1时刻的状态误差预测值输入参数优化模块，输出得到优化过后t+1时刻的扩张观测器的参数 和/>
S6：将步骤S5中优化后的扩张观测器的参数和/>设置为t+1时刻的初始参数，实时采集t+1时刻运行轨迹的各项数值并进行误差值计算，得到t+1时刻的误差值/> 运行完轨迹后，计算此次运行轨迹的误差值范数与预先设定的轨迹精度阈值相比较，若满足要求，则所述机器人停止运行轨迹，并记录下最后一次运行轨迹的扩张观测器的参数，作为最终优化参数；
若计算的误差值结果不满足轨迹精度要求，则再次运行轨迹，将t+1时刻的运行轨迹中的误差值与1时刻至t时刻之间所有的误差值全部带入步骤S4中，继续重复S4-S6的步骤，不断优化扩张观测器的参数直至符合轨迹精度要求。
优选的，所述步骤S2中的机器人实际运动数据 分别为位置、速度和加速度。
优选的，所述步骤S3中误差值的计算公式为：
其中，j代表着迭代次数，k代表着不同时刻，b为已知系数。
优选的，所述步骤S5中t+1时刻的扩张观测器的参数 和的计算公式为：
其中，为增益因子。
优选的，所述增益的计算公式为：
其中，argmin(·)函数是使指标达到最小值时的参数取值，为第j次迭代优化关于参数m的优化指标，/>为参数m第j次迭代优化的参数值。
优选的，所述步骤S6中最终优化的扩张状态观测器参数为 和t＝1,2,3…，
如果e(k)2＜Threshold，记录t＝1,2,3…作为最终优化参数；
如果e(k)2＞Threshold，重复步骤S2-S6，迭代优化；
其中，Threshold为轨迹精度阈值。
本发明的贡献在于：本发明通过将机器人所有时刻的运行误差值均放入状态观测误差实时预测模块，并通过参数优化模块迭代得到下一次的扩张观测器参数预期值，由于每次迭代收敛优化中，尽可能的采用了更多的误差值，从而以较少的迭代优化次数，得到所需要的扩张观测器参数值，得到所需的期望值，大大减小了所需的迭代优化次数，节省了机器人的优化时间，加快在实际工程应用中参数优化收敛的速度。
【附图说明】
图1是本发明的步骤流程图；
图2是本发明的输入输出框图；
【具体实施方式】
下列实施例是对本发明的进一步解释和补充，对本发明不构成任何限制。
如图1-2所示，一种ADRC扩张观测器参数快速收敛的实时优化方法，包括如下步骤:
S1:设定ADRC扩张观测器的三个扩张初始状态观测器参数和/>
S2：设定机器人的运行轨迹，且机器人可重复运行所述轨迹，机器人在每次运行轨迹的过程中，均会实时采集ADRC扩张观测器的三个输出值机器人实际运动数据/> 和ADRC控制量u(t)；
S3：根据步骤S2采集的各项数据，通过计算可以得到从1时刻到t时刻所述扩张观测器所观测的状态的误差值 k＝1,2,3,…t；
S4：将步骤S3所得的所有误差值输入状态观测误差实时预测模块，所述状态观测误差实时预测模块输出得到t+1时刻的状态误差预测值和
S5：步骤S4中输出得到的t+1时刻的状态误差预测值输入参数优化模块，输出得到优化过后t+1时刻的扩张观测器的参数 和/>
S6：将步骤S5中优化后的扩张观测器的参数和/>设置为t+1时刻的初始参数，实时采集t+1时刻运行轨迹的各项数值并进行误差值计算，得到t+1时刻的误差值/> 运行完轨迹后，计算此次运行轨迹的误差值范数与预先设定的轨迹精度阈值相比较，若满足要求，则所述机器人停止运行轨迹，并记录下最后一次运行轨迹的扩张观测器的参数，作为最终优化参数；
若计算的误差值范数结果不满足轨迹精度要求，则再次运行轨迹，将t+1时刻的运行轨迹中的误差值与1时刻至t时刻之间所有的误差值全部带入步骤S4中，继续重复S4-S6的步骤，不断优化扩张观测器的参数直至符合轨迹精度要求。
本发明的快速收敛的实时优化方法与传统方法相比具有迭代收敛速度快的优点，通过收集当前运行所有轨迹(每次均收集数据)的误差信息，每一次的迭代优化均是将当前运行之前时刻的轨迹误差值信息(即从1时刻到t时刻)输入状态观测误差实时预测模块中进行计算，从而得到下一时刻(t+1时刻)的状态误差预测值，再将所得的状态误差预测值输入参数优化模块得到t+1时刻的扩张状态观测器参数，以此得到的扩张状态观测器参数命令机器人在t+1时刻时沿设定的轨迹运动，并实时采集此次运行轨迹的各项数值。运行完轨迹后，计算此次运行轨迹的误差值范数，将所得的误差值范数与额定设计的轨迹精度阈值比较，判断是否还需要继续进行迭代优化操作。
具体进行说明，首先，需要设定ADRC扩张观测器的相关初始数值，即本申请的扩张状态观测器参数和/>然后对机器人的运行轨迹进行设定，使得机器人能够沿设定的轨迹重复运动，机器人在沿设定轨迹运动过程中，每一次沿轨迹运动均会实时采集ADRC扩张观测器的三个输出值/>机器人实际运动数据(位置、速度和加速度)/>和ADRC控制量u(t)，上述采集的数值可以统称为每次运行的各项数据，对每次运行的各项数据进行采集后，将上述各项数据通过步骤S3中的公式进行计算可以得到相应的误差值/>k＝1,2,3,…t，为了实现误差值的快速收敛，尽可能的将上述所有误差值输入状态观测误差实时预测模块(即输入为所计算的1时刻到t时刻的所有状态误差值)，从而得到输出为t+1时刻的状态误差预测值/>和/>将所得的t+1时刻的三个状态误差预测值再输入参数优化模块，可以得到相应的扩张状态观测器参数和/>将得到的扩张状态观测器参数/>和/>设定为t+1时刻机器人运行的参数，在机器人运动过程中，实时采集此次运动的各项数据。运行完轨迹后，计算此次运行的轨迹误差值范数，将所得的误差值范数与额定的轨迹精度值比较，若满足要求，则采用这次运行的扩张状态观测器参数作为最终优化参数，机器人不再继续沿设定的轨迹运动，若不满足要求，再次运行轨迹，将t+1时刻运行的误差值与之前第一时刻和第t次之间所有运行轨迹的误差值重复步骤S4至S6过程，直至得到符合轨迹精度要求的扩张状态观测器参数，机器人方才停止运行轨迹。
更具体的，下面对上述操作进行举例说明。
在第一时刻运行轨迹中机器人会实时采集ADRC扩张观测器的三个输出机器人实际运动数据/> 和ADRC控制量u(1)，并将第一时刻采集的各项数据进行计算从而得到了第一时刻运行的误差值/> 将第一时刻得到的误差值输入状态观测误差实时预测模块，得到机器人第二时刻运行轨迹可能的状态误差预测值/> 和将得到的状态误差预测值/>和/>再输入参数优化模块，得到相应的优化后的扩张状态观测器参数/>和/>将优化后的扩张状态观测器参数/>和/>设定为机器人第二时刻运行轨迹的参数值，在第二时刻运行轨迹中记录步骤S2所提的各项数据，并计算第二时刻运行的误差值/>将第二时刻运行中的所有误差值和第一时刻运行中的所有误差值全部带入步骤S4中的状态观测误差实时预测模块，经过步骤S4和步骤S5，得到第三时刻的迭代优化过后扩张状态观测器参数/>和将第三时刻的运行轨迹参数设定为迭代优化过后扩张状态观测器参数和/>继续进行第三时刻的机器人运行轨迹。直到轨迹运行结束后，计算此次运行轨迹的误差值的范数，并与额定轨迹精度阈值进行比较，若误差值范数小于额定的轨道精度，则停止运行轨迹，并将运行的扩张状态观测器参数作为最终的参数值，若误差值大于额定的轨道精度，则重复步骤S2-S6的操作，直至满足额定轨迹精度阈值为止。
本发明通过将机器人所有时刻的运行误差值均放入状态观测误差实时预测模块，并通过参数优化模块迭代得到下一时刻的扩张观测器参数预期值，由于每次迭代收敛优化中，尽可能的采用了更多的误差值，从而以较少的迭代优化次数，得到所需要的扩张观测器参数值，得到所需的期望值，大大减小了所需的迭代优化次数，节省了机器人的优化时间，加快在实际工程应用中参数优化收敛的速度。
更进一步的说明，所述步骤S2中的机器人实际运动数据 分别为位置、速度和加速度。
更进一步的说明，所述步骤S3中误差值的计算公式为：
其中，j代表着迭代次数，k代表着不同时刻。
更进一步的说明，所述步骤S5中t+1时刻的扩张观测器的参数 和的计算公式为：
其中，为增益因子。
通过引入增益因子使得下一运行时刻的扩张观测器的参数得到进一步的优化，使得参数值能够进一步的接近最终所需的参数值，能够减小迭代优化的次数，节省时间。
更进一步的说明，所述增益的计算公式为：
其中，argmin(·)函数是使指标达到最小值时的参数取值，为第j次迭代优化关于参数m的优化指标，/>为参数m第j次迭代优化的参数值。
更进一步的说明，所述步骤S6中最终优化的扩张状态观测器参数为和/>t＝1,2,3…，
如果e(k)2＜Threshold，记录t＝1,2,3…作为最终优化参数；
如果e(k)2＞Threshold，重复步骤S2-S6，迭代优化；
其中，Threshold为轨迹精度阈值。
尽管通过以上实施例对本发明进行了揭示，但本发明的保护范围并不局限于此，在不偏离本发明构思的条件下，对以上各构件所做的变形、替换等均将落入本发明的权利要求范围内。
Claims (6)
1.一种ADRC扩张观测器参数快速收敛的实时优化方法，其特征在于，包括如下步骤:
S1:设定ADRC扩张观测器的三个扩张初始状态观测器参数和/>
S2：设定机器人的运行轨迹，且机器人可重复运行所述轨迹，机器人在每次运行轨迹的过程中，均会实时采集ADRC扩张观测器的三个输出值机器人实际运动数据/> 和ADRC控制量u(t)；
S3：根据步骤S2采集的各项数据，通过计算可以得到从1时刻到t时刻所述扩张观测器所观测的状态的误差值
S4：将步骤S3所得的所有误差值输入状态观测误差实时预测模块，所述状态观测误差实时预测模块输出得到t+1时刻的状态误差预测值和
S5：步骤S4中输出得到的t+1时刻的状态误差预测值输入参数优化模块，输出得到优化过后t+1时刻的扩张观测器的参数 和/>
S6：将步骤S5中优化后的扩张观测器的参数和/>设置为t+1时刻的初始参数，实时采集t+1时刻运行轨迹的各项数值并进行误差值计算，得到t+1时刻的误差值/> 运行完轨迹后，计算此次运行轨迹的误差值范数与预先设定的轨迹精度阈值相比较，若满足要求，则所述机器人停止运行轨迹，并记录下最后一次运行轨迹的扩张观测器的参数，作为最终优化参数；
若计算的误差值范数结果不满足轨迹精度要求，则再次运行轨迹，将t+1时刻的运行轨迹中的误差值与1时刻至t时刻之间所有的误差值全部代入步骤S4中，继续重复S4-S6的步骤，不断优化扩张观测器的参数直至符合轨迹精度要求。
2.根据权利要求1所述的一种ADRC扩张观测器参数快速收敛的实时优化方法，其特征在于，所述步骤S2中的机器人实际运动数据 分别为位置、速度和加速度。
3.根据权利要求1所述的一种ADRC扩张观测器参数快速收敛的实时优化方法，其特征在于，所述步骤S3中状态误差值的计算公式为：
其中，j代表着迭代次数，k代表着不同时刻，b为已知系数。
4.根据权利要求1所述的一种ADRC扩张观测器参数快速收敛的实时优化方法，其特征在于，所述步骤S5中t+1时刻的扩张观测器的参数和/>的计算公式为：
其中，为增益因子。
5.根据权利要求4所述的一种ADRC扩张观测器参数快速收敛的实时优化方法，其特征在于，所述增益的计算公式为：
其中，argmin(·)函数是使指标达到最小值时的参数取值，为第j次迭代优化关于参数m的优化指标，/>为参数m第j次迭代优化的参数值。
6.根据权利要求1所述的一种ADRC扩张观测器参数快速收敛的实时优化方法，其特征在于，所述步骤S6中最终优化的扩张状态观测器参数为和
如果e(k)2＜Threshold，记录t＝1,2,3…作为最终优化参数；
如果e(k)2＞Threshold，重复步骤S2-S6，迭代优化；
其中，Threshold为轨迹精度阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210085450.XA CN114415519B (zh) | 2022-01-25 | 2022-01-25 | 一种adrc扩张观测器参数快速收敛的实时优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210085450.XA CN114415519B (zh) | 2022-01-25 | 2022-01-25 | 一种adrc扩张观测器参数快速收敛的实时优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114415519A CN114415519A (zh) | 2022-04-29 |
| CN114415519B true CN114415519B (zh) | 2023-11-28 |
Family
ID=81277165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210085450.XA Active CN114415519B (zh) | 2022-01-25 | 2022-01-25 | 一种adrc扩张观测器参数快速收敛的实时优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114415519B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106406086A (zh) * | 2016-05-26 | 2017-02-15 | 北京航空航天大学 | 一种基于滑模干扰观测器的大挠性航天器干扰补偿方法 |
| CN106919050A (zh) * | 2017-03-31 | 2017-07-04 | 清华大学 | 多旋翼无人机高速开环动作自适应学习方法 |
| CN107991867A (zh) * | 2017-11-28 | 2018-05-04 | 浙江工业大学 | 一种基于自抗扰控制器的网络化多轴运动控制系统的迭代学习轮廓误差控制方法 |
| CN109015661A (zh) * | 2018-09-29 | 2018-12-18 | 重庆固高科技长江研究院有限公司 | 工业机器人迭代学习修正轨迹误差的方法 |
| CN110376900A (zh) * | 2019-08-16 | 2019-10-25 | 中国科学院深圳先进技术研究院 | 参数优化方法、终端设备以及计算机存储介质 |
| CN111708276A (zh) * | 2020-04-30 | 2020-09-25 | 南京理工大学 | 基于线性状态观测器观测误差补偿的自适应鲁棒控制方法 |
| CN112821809A (zh) * | 2021-01-07 | 2021-05-18 | 西安理工大学 | 一种无轴传动凹印机同步控制系统及其控制方法 |
| CN113759722A (zh) * | 2021-09-13 | 2021-12-07 | 桂林电子科技大学 | 一种无人机自抗扰控制器参数优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0505800D0 (en) * | 2005-03-22 | 2005-04-27 | Univ Sheffield | Control of processes |
-
2022
- 2022-01-25 CN CN202210085450.XA patent/CN114415519B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106406086A (zh) * | 2016-05-26 | 2017-02-15 | 北京航空航天大学 | 一种基于滑模干扰观测器的大挠性航天器干扰补偿方法 |
| CN106919050A (zh) * | 2017-03-31 | 2017-07-04 | 清华大学 | 多旋翼无人机高速开环动作自适应学习方法 |
| CN107991867A (zh) * | 2017-11-28 | 2018-05-04 | 浙江工业大学 | 一种基于自抗扰控制器的网络化多轴运动控制系统的迭代学习轮廓误差控制方法 |
| CN109015661A (zh) * | 2018-09-29 | 2018-12-18 | 重庆固高科技长江研究院有限公司 | 工业机器人迭代学习修正轨迹误差的方法 |
| CN110376900A (zh) * | 2019-08-16 | 2019-10-25 | 中国科学院深圳先进技术研究院 | 参数优化方法、终端设备以及计算机存储介质 |
| CN111708276A (zh) * | 2020-04-30 | 2020-09-25 | 南京理工大学 | 基于线性状态观测器观测误差补偿的自适应鲁棒控制方法 |
| CN112821809A (zh) * | 2021-01-07 | 2021-05-18 | 西安理工大学 | 一种无轴传动凹印机同步控制系统及其控制方法 |
| CN113759722A (zh) * | 2021-09-13 | 2021-12-07 | 桂林电子科技大学 | 一种无人机自抗扰控制器参数优化方法 |
Non-Patent Citations (5)
| Title |
|---|
| 基于自抗扰控制技术的捷联罗经对准算法;周琪，杨鹏翔，秦永元;控制与决策;第26卷(第9期);全文 * |
| 朱斌.自抗扰控制入门.北京航空航天大学出版社,2017,(第1版),全文. * |
| 李家豪 ; 孙洪飞 ; .自抗扰控制技术的改进和应用.厦门大学学报(自然科学版).2018,(第05期),全文. * |
| 电站热工系统自抗扰控制技术及其在DCS中的应用研究;周星;硕士学位论文;全文 * |
| 自抗扰控制技术的改进和应用;李家豪;孙洪飞;;厦门大学学报(自然科学版)(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114415519A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11975751B2 (en) | Iterative learning control method for multi-particle vehicle platoon driving system | |
| CN111047085B (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
| CN103926875A (zh) | 一种滚珠丝杠进给系统摩擦补偿方法 | |
| CN111158237B (zh) | 基于神经网络的工业炉炉温多步预测控制方法 | |
| CN111597702B (zh) | 一种火箭着陆轨迹规划方法及装置 | |
| CN112947477A (zh) | 一种无人艇航向自抗扰控制系统及控制方法 | |
| CN113393032B (zh) | 基于重采样下的航迹循环预测方法 | |
| CN112859898A (zh) | 一种基于双通道双向神经网络的飞行器轨迹预测方法 | |
| CN111190429A (zh) | 一种基于强化学习的无人机主动容错控制方法 | |
| CN114415519B (zh) | 一种adrc扩张观测器参数快速收敛的实时优化方法 | |
| CN112462608B (zh) | 一种高速列车离散滑模轨迹及速度跟踪控制方法 | |
| CN113641181B (zh) | 基于在线性能评估飞行器增益自适应姿态控制方法和系统 | |
| CN111796511A (zh) | 液压执行器的小波神经网络pid在线控制方法及系统 | |
| CN114200959B (zh) | 一种融合高斯过程的飞行器轨迹控制方法 | |
| CN113219840B (zh) | 三轴运动平台自适应滑模交叉耦合轮廓控制方法 | |
| CN114012733B (zh) | 一种用于pc构件模具划线的机械臂控制方法 | |
| CN113628140B (zh) | 一种基于深度学习的点云稠密补全方法 | |
| CN113641193B (zh) | 一种非最小相位系统精确跟踪控制方法 | |
| CN115357862A (zh) | 一种狭长空间中的定位方法 | |
| CN115453880A (zh) | 基于对抗神经网络的用于状态预测的生成模型的训练方法 | |
| CN117140504B (zh) | 一种基于增量模型预测控制的n连杆机械臂控制方法 | |
| CN111708378A (zh) | 一种基于强化学习的导弹纵向姿态控制算法 | |
| Kashima et al. | An optimal control of marine propulsion system considering ship dynamics | |
| CN116774585B (zh) | 一种纳米精度运动台学习控制系统及方法 | |
| Li et al. | Based on BP Neural Network Compensating ADRC in Temperature of Molecular Distillation |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Gong Zhihao Inventor after: Zhang Zhuoqi Inventor after: Zhang Liqun Inventor after: Huang Shifeng Inventor after: Zhao Zian Inventor after: Zhou Xing Inventor after: Zhu Zhihong Inventor before: Gong Zhihao Inventor before: Zhang Zhuoqi Inventor before: Zhang Liqun Inventor before: Huang Shifeng Inventor before: Zhao Zian Inventor before: Zhou Xing Inventor before: Zhu Zhihong |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |