CN114434449B - 一种新型粒子群自适应阻抗控制方法及装置 - Google Patents
一种新型粒子群自适应阻抗控制方法及装置 Download PDFInfo
- Publication number
- CN114434449B CN114434449B CN202210340039.2A CN202210340039A CN114434449B CN 114434449 B CN114434449 B CN 114434449B CN 202210340039 A CN202210340039 A CN 202210340039A CN 114434449 B CN114434449 B CN 114434449B
- Authority
- CN
- China
- Prior art keywords
- robot
- adaptive
- impedance control
- fitness value
- particle
- 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
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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本发明提供了一种新型粒子群自适应阻抗控制方法及装置,涉及机器人关节阻抗控制技术领域。包括:机器人自适应阻抗控制系统设计;基于模糊控制方法动态调节自适应项;基于新型粒子群算法来调节阻抗控制参数以进一步优化机器人控制性能。本发明能够提高机器人在工业作业过程中的柔顺性能,实现机器人控制的智能化、精准化、安全化要求。通过在机器人系统中加入自适应阻抗控制,将位置与力控制统一到同一控制框架之下,任务的规划量和计划量都相对较少,因而对于阻抗控制的研究有利于机器人控制系统的发展。
Description
技术领域
本发明涉及机器人关节阻抗控制技术领域,特别是指一种新型粒子群自适应阻抗控制方法及装置。
背景技术
多关节机器人广泛应用于现代工业领域当中,在实际的工业生产之中,工业机器人面临的生产任务大多是需要对力的大小进行考虑的,且在接触的过程中应展现出良好的柔顺性能,所以对于机器人柔顺控制的研究是十分有必要的。
而现有技术中,机器人阻抗控制往往效果不理想,对力与位置的跟踪有偏差。
发明内容
针对现有技术中存在机器人阻抗控制效果不理想、对力与位置的跟踪有偏差的问题,本发明提出了一种新型粒子群自适应阻抗控制方法及装置。
为解决上述技术问题,本发明提供如下技术方案:
一方面,提供了一种新型粒子群自适应阻抗控制方法,该方法应用于电子设备,包括:
S1:结合机器人动力学模型,设计机器人自适应阻抗控制系统;
S2:通过模糊控制方法,对所述系统的自适应项进行动态调节;
S3:通过新型粒子群算法,调节机器人的阻抗控制参数,优化机器人控制性能。
可选地,步骤S1中,结合机器人动力学模型,设计机器人自适应阻抗控制系统,包括:
S11:结合机器人动力学模型,对机器人阻抗控制系统进行初步分析;其中,
对于自由度为n的机器人的动力学模型的表达如下述公式(1)所示:
S12:将自适应项引入机器人阻抗控制系统,获得机器人自适应阻抗控制系统。
可选地,S12:将自适应项引入机器人阻抗控制系统,获得机器人自适应阻抗控制系统,包括:
S121:构建如下述公式(2)的机器人自由空间表达式:
构建如下述公式(3)的机器人接触空间表达式:
可选地,步骤S2,通过模糊控制方法,对所述系统的自适应项进行动态调节,包括:
其中,论域选取为:输入变量,,输出变量;对所述系统的自适应项进行动态调节;集合内变量含义为模糊控制中表示隶属度关系的NB负大、NM负中、NS负小、ZO零、PS正小、PM正中、PB正大。SS极小、SB小、M中、BS大、BB极大。
可选地,S3:通过新型粒子群算法,调节机器人的阻抗控制参数,优化机器人控制性能,包括:
S31:对新型粒子群进行初始化;
S32:更新每个粒子的位置与速度;
S33:计算适应度值;
S34:得到局部最优值和全局最优值;
S35:根据机器人的具体工作情况设定终止条件,若满足终止条件,则结束算法输出最优解;若不满足终值条件,则返回步骤S32中继续运算,完成机器人控制性能的优化。
可选地,S31:对新型粒子群进行初始化,包括:
可选地,步骤S32中,更新每个粒子的位置与速度,包括:
可选地,S33中,计算适应度值,包括:
根据目标函数计算适度值,从系统稳定性以及对期望力的跟踪效果两个角度来考虑,所述目标函数选取如下述公式(8):
可选地,S34中,得到局部最优值和全局最优值,包括:
将每个粒子代入阻抗系统中,通过目标函数计算得出适度值后,将其和本代最好适度值作比较;若当前计算所得的适度值更小,则代替前一代粒子成为本代最好适度值;当所有将所有本代粒子比较过后,得到本代粒子中适应度值最佳的个体成为全局最优值。
一方面,提供了一种新型粒子群自适应阻抗控制装置,该装置应用于电子设备,该装置包括:
系统设计模块,用于通过机器人动力学模型,对机器人自适应阻抗控制系统进行设计;
动态调节模块,用于通过模糊控制方法,对所述系统的自适应项进行动态调节;
性能优化模块,用于通过新型粒子群算法,调节机器人的阻抗控制参数,优化机器人控制性能。
一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述新型粒子群自适应阻抗控制方法。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述新型粒子群自适应阻抗控制方法。
本发明实施例的上述技术方案至少具有如下有益效果:
上述方案中,阻抗控制是通过调节执行机构的位置与接触力之间的动态关系来实现柔顺控制。通过在机器人系统中加入自适应阻抗控制,将位置与力控制统一到同一控制框架之下,任务的规划量和计划量都相对较少,因而对于阻抗控制的研究有利于机器人控制系统的发展。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种新型粒子群自适应阻抗控制方法的方法流程图;
图2是本发明实施例提供的一种新型粒子群自适应阻抗控制方法的方法流程图;
图3是本发明实施例提供的一种新型粒子群自适应阻抗控制方法的控制系统框图;
图4是本发明实施例提供的一种新型粒子群自适应阻抗控制方法的改进粒子群算法流程图;
图5是本发明实施例提供的一种新型粒子群自适应阻抗控制装置的装置框图;
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种新型粒子群自适应阻抗控制方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器。如图1所示的新型粒子群自适应阻抗控制方法流程图,该方法包括:
S101:结合机器人动力学模型,设计机器人自适应阻抗控制系统;
S102:通过模糊控制方法,对所述系统的自适应项进行动态调节;
S103:通过新型粒子群算法,调节机器人的阻抗控制参数,优化机器人控制性能。
可选地,步骤S101中,结合机器人动力学模型,对机器人自适应阻抗控制系统进行设计,包括:
S111:结合机器人动力学模型,对机器人阻抗控制系统进行初步分析;其中,
对于自由度为n的机器人的动力学模型的表达如下述公式(1)所示:
S112:将自适应项引入机器人阻抗控制系统,获得机器人自适应阻抗控制系统。
可选地,S112:将自适应项引入机器人阻抗控制系统,获得机器人自适应阻抗控制系统,包括:
S1121:构建如下述公式(2)的机器人自由空间表达式:
如下述公式(3)的机器人接触空间表达式:
可选地,步骤S102,通过模糊控制方法,对所述系统的自适应项进行动态调节,包括:
可选地,S103:通过新型粒子群算法,调节机器人的阻抗控制参数,优化机器人控制性能,包括:
S131:对新型粒子群进行初始化;
S132:更新每个粒子的位置与速度;
S133:计算适应度值;
S134:得到局部最优值和全局最优值;
S135:根据机器人的具体工作情况设定终止条件,若满足终止条件,则结束算法输出最优解;若不满足终值条件,则返回步骤S32中继续运算,完成机器人控制性能的优化。
可选地,S131:对新型粒子群进行初始化,包括:
可选地,步骤S132中,更新每个粒子的位置与速度,包括:
可选地,S133中,计算适应度值,包括:
根据目标函数计算适度值,从系统稳定性以及对期望力的跟踪效果两个角度来考虑,所述目标函数选取如下述公式(8):
可选地,S134中,得到局部最优值和全局最优值,包括:
将每个粒子代入阻抗系统中,通过目标函数计算得出适度值后,将其和本代最好适度值作比较;若当前计算所得的适度值更小,则代替前一代粒子成为本代最好适度值;当所有将所有本代粒子比较过后,得到本代粒子中适应度值最佳的个体成为全局最优值。
本发明实施例中,阻抗控制是通过调节执行机构的位置与接触力之间的动态关系来实现柔顺控制。通过在机器人系统中加入自适应阻抗控制,将位置与力控制统一到同一控制框架之下,任务的规划量和计划量都相对较少,因而对于阻抗控制的研究有利于机器人控制系统的发展。
本发明实施例提供了一种新型粒子群自适应阻抗控制方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器。如图2所示的新型粒子群自适应阻抗控制方法流程图,该方法包括:
S201:结合机器人动力学模型,对机器人阻抗控制系统进行初步分析;其中,
对于自由度为n的机器人的动力学模型的表达如下述公式(1)所示:
将式(1-1)由关节空间转化至笛卡尔空间后的表达式为:
在阻抗控制中,控制算法可写为:
式中,分别为惯性矩阵、阻尼矩阵和刚度矩阵;为笛卡尔空间中机器人末端的期望加速度;为笛卡尔空间中机器人末端的期望速度;为笛卡尔空间中机器人末端的期望位置;为机器人末端实际的加速度;为机器人末端实际的速度;为为机器人末端实际的位置;为力误差信号,为力误差信号,为力参考信号,为机器人末端与环境的接触力信号。
通过机器人动力学模型,得到阻抗控制的控制率F为:
机器人末端在运动的过程中,可以将机器人的运动状态按照有没有与环境进行接触分为在自由空间内运动与在接触空间内运动,机器人与环境接触可视为一个临界点。在阻抗控制中,将期望轨迹用环境位置来代替,则位置偏差为,阻抗控制式可写为:
为简化分析与运算,只考虑单自由度的情况进行讨论。
在机器人移动到与环境发生接触的位置以后,不再等于0。考虑公式(1-7)中,若期望刚度为0,则只要期望速度与实际速度和期望加速度与实际加速度的偏差为0就能实现,这种阻抗控制对环境的刚度不敏感。故在发生接触后,公式(1-7)可写为:
S202:构建如下述公式(2)的机器人自由空间表达式:
如下述公式(3)的机器人接触空间表达式:
一种可行的实施方式中,由于外界位置往往是很难精确得到的,故使用来表示所测得的估计环境位置,则环境不确定性可表示为,测量的环境位置与机器人末端位置的差即为。将代入到式(1-8)与式(1-10)中,得到在自由空间与接触空间的表达式。
一种可行的实施方式中,在上述过程中实现了笛卡尔空间的自适应控制律,为对机器人关节电机进行控制,需给出电机关节空间的控制律。
则公式(1-1)的机器人动力学方程可写为:
此时控制律可写为
故自适应阻抗控制律为:
S204:通过模糊控制方法,对所述系统的自适应项进行动态调节;
其中,隶属度函数均采用高斯型,解模糊方法采用MIN-MAX-重心法。
模糊控制规则如下表1:
S205:对新型粒子群进行初始化。
S206:更新每个粒子的位置与速度。
为避免全局搜索与局部搜索对控制参数取值的竞争,将对惯性权重进行动态调整。
S207:计算适应度值。
一种可行的实施方式中,根据目标函数计算适度值,从系统稳定性以及对期望力的跟踪效果两个角度来考虑,所述目标函数选取如下述公式(8):
S208:得到局部最优值和全局最优值。
一种可行的实施方式中,将每个粒子代入阻抗系统中,通过目标函数计算得出适度值后,将其和本代最好适度值作比较;若当前计算所得的适度值更小,则代替前一代粒子成为本代最好适度值;当所有将所有本代粒子比较过后,得到本代粒子中适应度值最佳的个体成为全局最优值。
S209:根据机器人的具体工作情况设定终止条件,若满足终止条件,则结束算法输出最优解;若不满足终值条件,则返回步骤S206中继续运算,完成机器人控制性能的优化。
本发明实施例中,阻抗控制是通过调节执行机构的位置与接触力之间的动态关系来实现柔顺控制。通过在机器人系统中加入自适应阻抗控制,将位置与力控制统一到同一控制框架之下,任务的规划量和计划量都相对较少,因而对于阻抗控制的研究有利于机器人控制系统的发展。
图5是根据一示例性实施例示出的一种新型粒子群自适应阻抗控制装置框图。参照图5,该装置300包括:
系统设计模块310,用于通过机器人动力学模型,对机器人自适应阻抗控制系统进行设计;
动态调节模块320,用于通过模糊控制方法,对所述系统的自适应项进行动态调节;
性能优化模块330,用于通过新型粒子群算法,调节机器人的阻抗控制参数,优化机器人控制性能。
可选地,系统设计模块310还用于:
通过机器人动力学模型,对机器人阻抗控制系统进行初步分析;其中,
对于自由度为n的机器人的动力学模型的表达如下述公式(1)所示:
将自适应项引入机器人阻抗控制系统,获得机器人自适应阻抗控制系统。
可选地,系统设计模块310还用于:
构建如下述公式(2)的机器人自由空间表达式:
如下述公式(3)的机器人接触空间表达式:
可选地,动态调节模块320还用于:
可选地,性能优化模块330还用于:
对新型粒子群进行初始化;
更新每个粒子的位置与速度;
计算适应度值;
得到局部最优值和全局最优值;
根据机器人的具体工作情况设定终止条件,若满足终止条件,则结束算法输出最优解;若不满足终值条件,则返回步骤S32中继续运算,完成机器人控制性能的优化。
可选地,性能优化模块330还用于:根据目标函数计算适度值,从系统稳定性以及对期望力的跟踪效果两个角度来考虑,所述目标函数选取如下述公式(8):
可选地,性能优化模块330还用于:将每个粒子代入阻抗系统中,通过目标函数计算得出适度值后,将其和本代最好适度值作比较;若当前计算所得的适度值更小,则代替前一代粒子成为本代最好适度值;当所有将所有本代粒子比较过后,得到本代粒子中适应度值最佳的个体成为全局最优值。
图6是本发明实施例提供的一种电子设备400的结构示意图,该电子设备400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)401和一个或一个以上的存储器402,其中,所述存储器402中存储有至少一条指令,所述至少一条指令由所述处理器401加载并执行以实现下述新型粒子群自适应阻抗控制方法的步骤:
S1:通过机器人动力学模型,对机器人自适应阻抗控制系统进行设计;
S2:通过模糊控制方法,对所述系统的自适应项进行动态调节;
S3:通过新型粒子群算法,调节机器人的阻抗控制参数,优化机器人控制性能。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述基于图像视觉的心理状态评估方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种新型粒子群自适应阻抗控制方法,其特征在于,包括以下步骤:
S1:结合机器人动力学模型,设计机器人自适应阻抗控制系统;
S2:通过模糊控制方法,对所述机器人自适应阻抗控制系统的自适应项进行动态调节;
所述步骤S2,通过模糊控制方法,对所述机器人自适应阻抗控制系统的自适应项进行动态调节,包括:
其中,论域选取为:输入变量,,输出变量;对所述机器人自适应阻抗控制系统的自适应项进行动态调节;集合内变量含义为模糊控制中表示隶属度关系的NB负大、NM负中、NS负小、ZO零、PS正小、PM正中、PB正大;SS极小、SB小、M中、BS大、BB极大;为单自由度情况下机器人末端与环境的接触力信号;为一种驱动力;
S3:通过新型粒子群算法,调节机器人的阻抗控制参数,优化机器人控制性能;
所述S3:通过新型粒子群算法,调节机器人的阻抗控制参数,优化机器人控制性能,包括:
S31:对新型粒子群进行初始化;
S32:更新每个粒子的位置与速度;
S33:计算适应度值;
S34:得到局部最优值和全局最优值;
S35:根据机器人的具体工作情况设定终止条件,若满足终止条件,则结束算法输出最优解;若不满足终值条件,则返回步骤S32中继续运算,完成机器人控制性能的优化;
所述步骤S31中,对新型粒子群进行初始化,包括:
所述步骤S32中,更新每个粒子的位置与速度,包括:
其中,为余弦函数的周期;为历次惯性参数中的最大值;为历次惯性参数中的最小值;粒子群在每次迭代后计算粒子的适应度值,除去适应度值为无穷大的粒子,在其余粒子中找出最大适应度值,最小适应度值,并计算出平均适应度值,则由适应度值影响下的惯性参数作为的函数;的计算公式如下:
3.根据权利要求2所述的方法,其特征在于,所述S12:将自适应项引入机器人阻抗控制系统,获得机器人自适应阻抗控制系统,包括:
S121:构建如下述公式(2)的机器人自由空间表达式:
构建如下述公式(3)的机器人接触空间表达式:
6.一种新型粒子群自适应阻抗控制装置,其特征在于,包括:
系统设计模块,用于结合机器人动力学模型,对机器人自适应阻抗控制系统进行设计;
动态调节模块,用于通过模糊控制方法,对所述系统的自适应项进行动态调节;
所述动态调节模块,用于通过模糊控制方法,对所述机器人自适应阻抗控制系统的自适应项进行动态调节,包括:
其中,论域选取为:输入变量,,输出变量;对所述机器人自适应阻抗控制系统的自适应项进行动态调节;集合内变量含义为模糊控制中表示隶属度关系的NB负大、NM负中、NS负小、ZO零、PS正小、PM正中、PB正大;SS极小、SB小、M中、BS大、BB极大;为单 自由度情况下机器人末端与环境的接触力信号;为一种驱动力;
性能优化模块,用于通过新型粒子群算法,调节机器人的阻抗控制参数,优化机器人控制性能;
所述性能优化模块,用于通过新型粒子群算法,调节机器人的阻抗控制参数,优化机器人控制性能,包括:
对新型粒子群进行初始化;
更新每个粒子的位置与速度;
计算适应度值;
得到局部最优值和全局最优值;
根据机器人的具体工作情况设定终止条件,若满足终止条件,则结束算法输出最优解;若不满足终值条件,则返回更新每个粒子的位置与速度继续运算,完成机器人控制性能的优化;
所述对新型粒子群进行初始化,包括:
所述更新每个粒子的位置与速度,包括:
其中,为余弦函数的周期;为历次惯性参数中的最大值;为历次惯性参数中的最小值;粒子群在每次迭代后计算粒子的适应度值,除去适应度值为无穷大的粒子,在其余粒子中找出最大适应度值,最小适应度值,并计算出平均适应度值,则由适应度值影响下的惯性参数作为的函数;的计算公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210340039.2A CN114434449B (zh) | 2022-04-02 | 2022-04-02 | 一种新型粒子群自适应阻抗控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210340039.2A CN114434449B (zh) | 2022-04-02 | 2022-04-02 | 一种新型粒子群自适应阻抗控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114434449A CN114434449A (zh) | 2022-05-06 |
CN114434449B true CN114434449B (zh) | 2022-08-09 |
Family
ID=81359147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210340039.2A Active CN114434449B (zh) | 2022-04-02 | 2022-04-02 | 一种新型粒子群自适应阻抗控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114434449B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114670207A (zh) * | 2022-05-09 | 2022-06-28 | 山东大学 | 一种基于野狗优化算法的机械臂柔顺控制方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60132213A (ja) * | 1983-10-31 | 1985-07-15 | ゼネラル・エレクトリツク・カンパニイ | 電子式のサ−ボ制御されるコンプライアンスを持つ装置 |
US4842475A (en) * | 1984-12-27 | 1989-06-27 | Board Of Governors For Higher Education, State Of Rhode Island | Computer controlled adaptive compliance assembly workstation |
CN111673733A (zh) * | 2020-03-26 | 2020-09-18 | 华南理工大学 | 未知环境下机器人的智能自适应柔顺控制方法 |
CN111702767A (zh) * | 2020-07-14 | 2020-09-25 | 重庆邮电大学 | 一种基于反演模糊自适应的机械手阻抗控制方法 |
CN111941421A (zh) * | 2020-06-22 | 2020-11-17 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于多机器人协同操作的自适应模糊力跟踪控制方法 |
CN112666831A (zh) * | 2020-12-24 | 2021-04-16 | 华中科技大学 | 一种机器人磨抛加工接触力的主动控制方法 |
CN113971362A (zh) * | 2021-10-26 | 2022-01-25 | 中国水利水电科学研究院 | 基于能量准则的混联水库群防洪优化调度方案生成方法 |
-
2022
- 2022-04-02 CN CN202210340039.2A patent/CN114434449B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60132213A (ja) * | 1983-10-31 | 1985-07-15 | ゼネラル・エレクトリツク・カンパニイ | 電子式のサ−ボ制御されるコンプライアンスを持つ装置 |
US4842475A (en) * | 1984-12-27 | 1989-06-27 | Board Of Governors For Higher Education, State Of Rhode Island | Computer controlled adaptive compliance assembly workstation |
CN111673733A (zh) * | 2020-03-26 | 2020-09-18 | 华南理工大学 | 未知环境下机器人的智能自适应柔顺控制方法 |
CN111941421A (zh) * | 2020-06-22 | 2020-11-17 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于多机器人协同操作的自适应模糊力跟踪控制方法 |
CN111702767A (zh) * | 2020-07-14 | 2020-09-25 | 重庆邮电大学 | 一种基于反演模糊自适应的机械手阻抗控制方法 |
CN112666831A (zh) * | 2020-12-24 | 2021-04-16 | 华中科技大学 | 一种机器人磨抛加工接触力的主动控制方法 |
CN113971362A (zh) * | 2021-10-26 | 2022-01-25 | 中国水利水电科学研究院 | 基于能量准则的混联水库群防洪优化调度方案生成方法 |
Non-Patent Citations (3)
Title |
---|
机器人自适应模糊阻抗控制方法;徐天雄等;《机械工程师》;20190131(第1期);84-87 * |
超冗余机械臂协调操作柔顺控制方法研究;卢承华;《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》;20210815(第8期);39-43 * |
通用力反馈设备的自适应阻抗控制仿真研究;温彬彬;《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》;20180115(第1期);29-58 * |
Also Published As
Publication number | Publication date |
---|---|
CN114434449A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108319144B (zh) | 一种机器人轨迹跟踪控制方法及系统 | |
CN111496792A (zh) | 一种机械臂输入饱和固定时间轨迹跟踪控制方法及系统 | |
Nguyen-Tuong et al. | Local gaussian process regression for real-time model-based robot control | |
Peters et al. | Reinforcement learning by reward-weighted regression for operational space control | |
CN112207834B (zh) | 一种基于干扰观测器的机器人关节系统控制方法及系统 | |
Nguyen et al. | Adaptive chattering free neural network based sliding mode control for trajectory tracking of redundant parallel manipulators | |
CN112462792B (zh) | 一种基于Actor-Critic算法的水下机器人运动控制方法 | |
Hu et al. | A reinforcement learning neural network for robotic manipulator control | |
CN111965976B (zh) | 基于神经网络观测器的机器人关节滑模控制方法及系统 | |
CN114434449B (zh) | 一种新型粒子群自适应阻抗控制方法及装置 | |
Zakeri et al. | Tracking control of ball on sphere system using tuned fuzzy sliding mode controller based on artificial bee colony algorithm | |
CN116449687B (zh) | 一种基于改进型海上救援飞翼扰动观测pid控制方法 | |
Al-Araji | An adaptive swing-up sliding mode controller design for a real inverted pendulum system based on Culture-Bees algorithm | |
CN109062040B (zh) | 基于系统嵌套优化的预测pid方法 | |
CN113589689A (zh) | 一种基于多参数自适应神经网络的滑模控制器设计方法 | |
Asar et al. | ANFIS-based an adaptive continuous sliding-mode controller for robot manipulators in operational space | |
Zhou et al. | An improved cerebellar model articulation controller based on the compound algorithms of credit assignment and optimized smoothness for a three-axis inertially stabilized platform | |
CN112034869B (zh) | 一种无人机变参神经动力学控制器的设计方法及其应用 | |
CN111531543B (zh) | 基于生物启发式神经网络的机器人自适应阻抗控制方法 | |
He et al. | Adaptive robust control of uncertain euler–lagrange systems using gaussian processes | |
JP2002189502A (ja) | ロバスト強化学習方式 | |
Minh Nguyet et al. | A neural flexible PID controller for task-space control of robotic manipulators | |
CN115179290A (zh) | 一种机械臂及其轨迹控制方法与装置 | |
CN114861318A (zh) | 自动驾驶控制参数模型的训练方法、参数获取方法和装置 | |
CN114690630A (zh) | 神经网络控制器与基于模型的控制器相组合的车辆控制 |
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 |