CN114488783A - 一种基于Scara机械臂的神经网络优化控制方法 - Google Patents

一种基于Scara机械臂的神经网络优化控制方法 Download PDF

Info

Publication number
CN114488783A
CN114488783A CN202011145279.4A CN202011145279A CN114488783A CN 114488783 A CN114488783 A CN 114488783A CN 202011145279 A CN202011145279 A CN 202011145279A CN 114488783 A CN114488783 A CN 114488783A
Authority
CN
China
Prior art keywords
mechanical arm
neural network
approximate
scara
feedback control
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
CN202011145279.4A
Other languages
English (en)
Other versions
CN114488783B (zh
Inventor
吕永峰
田建艳
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of 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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202011145279.4A priority Critical patent/CN114488783B/zh
Publication of CN114488783A publication Critical patent/CN114488783A/zh
Application granted granted Critical
Publication of CN114488783B publication Critical patent/CN114488783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

本发明涉及一种基于Scara机械臂的神经网络优化控制方法，属于机械臂智能控制技术领域，本发明首先对Scara机械臂系统进行建模，给定关节的参考运动轨迹，设计稳态控制，保证机械臂总体跟上参考轨迹；给定关于位置和速度跟踪误差的性能指标，应用基于强化学习的三层神经网络学习最优的性能指标函数，得到神经网络近似反馈控制；基于神经网络逼近方法，根据稳态控制和近似反馈控制，设计机械臂的神经网络优化控制器，使给定的关于位置和速度的跟踪误差性能指标最小，消除机械臂运行过程中的超调和抖震，有效实现机械臂平稳运行和性能提升，实现机械臂位置速度的超调和抖震最小、能耗最低的跟踪效果。

Description

一种基于Scara机械臂的神经网络优化控制方法
技术领域
本发明涉及一种基于Scara机械臂的神经网络优化控制方法，属于机械臂智能控制技术领域。
背景技术
在传统的机械臂控制方法主要有PID控制、滑膜控制等，这些方法控制过程中不大考虑机械臂运行时速度和位置的稳定性和能耗大小，机械臂运行时会出现位移或者速度超调过大、抖震过强等缺点，会严重影响机械臂的产品性能。为了克服这些缺陷，本发明应用基于强化学习的神经网络逼近方法，设计机械臂的神经网络优化控制器，使给定的关于位置和速度的跟踪误差性能指标最小，消除机械臂运行过程中的超调和抖震，有效实现机械臂平稳运行和性能提升。
发明内容
本发明的目的是设计一种基于Scara机械臂的神经网络优化控制方法，具体的说首先需要对Scara机械臂系统进行建模，给定位置、速度参考信号，根据跟踪误差和系统输入建立性能指标函数，一般最优的性能指标函数往往难以获得。本发明应用三层神经网络方法逼近哈密尔顿-雅克比-贝尔曼方程下的最优性能指标函数，应用一种新的自适应方法更新多层神经网络权值，直接用于Sacra机械臂的优化控制器设计，保证机械臂实现预定轨迹运行的同时，实现运行过程中超调最小、能耗最低。
为达到上述目的，本发明是通过以下技术方案实现的：
一种基于Scara机械臂的神经网络优化控制方法，该方法首先应用多层神经网络逼近Scara机械臂系统的性能指标函数和自适应律更新隐含层神经网络权值；其次根据多层神经网络设计机械臂反馈控制；再根据稳态控制和机械臂反馈控制设计神经网络化控制器；最后根据控制器求解输入力矩，调节电机电压，
具体步骤如下：
步骤一、建立Scara机械臂的数学模型，
对被Scara机械臂模型进行分析，并按照欧拉-拉格朗日公式，根据机械臂的结构和物理定律，建立Scara机械臂的数学模型。建立该模型是为了基于该模型设计神经网络优化控制器。所述数学模型如下：
Figure BDA0002739526460000021
其中，
Figure BDA0002739526460000029
表示机械臂关节的角位置，n表示机械臂自由度数量，
Figure BDA0002739526460000022
表示机械臂关节的角速度，
Figure BDA0002739526460000023
机械臂关节的角加速度，M(q)表示机械臂的可逆惯性矩阵，
Figure BDA0002739526460000024
表示向心力向量或者科氏力，G(q)为与重力有关的向量，
Figure BDA00027395264600000210
为需要设计的输入力矩，注意每个自由度需要一个输入控制。
步骤二、设计稳态控制器，
基于机械臂系统和参考运动轨迹
Figure BDA00027395264600000211
设计稳态控制，稳态控制的目的是使机械臂关节总体按预定轨迹运行，但是未对跟踪性能进行优化。步骤三将对跟踪性能进行优化。
给定机械臂关节转角的参考运动轨迹qd，为了是机械臂关节总体按给定轨迹运行，设计稳态控制器为
Figure BDA0002739526460000025
步骤三、根据给定于跟踪误差的性能指标，应用神经网络逼近最优性能指标，设计神经优化控制器，实现跟踪的快速性、稳定性和低能耗性，
定义跟踪误差
Figure BDA0002739526460000026
给定关于机械臂关节位置和速度跟踪误差的性能指标为
Figure BDA0002739526460000027
其中
Figure BDA0002739526460000028
为效用函数，ue为近似反馈控制，主要功能是实现累积误差最小和能耗最低。Q和R分别是维数与跟组误差e和近似反馈控制ue相匹配的正定对称矩阵。最优的性能指标函数可以表示为
Figure BDA0002739526460000031
机械臂系统(1)的误差动态方程可以表示成一般的系统方程形式为
Figure BDA0002739526460000032
针对机械臂系统(5)设计近似反馈控制ue最小化性能指标函数(3)。则哈密尔顿-雅克比-贝尔曼方程可以构建为
Figure BDA0002739526460000033
其中
Figure BDA0002739526460000034
一般来说
Figure BDA0002739526460000035
难以求解，本发明用三层神经网络逼近为：
Figure BDA0002739526460000036
Figure BDA0002739526460000037
其中，
Figure BDA0002739526460000038
为神经网络权重收敛后的值,φ(Z)＝tanh(Z)为隐层激活函数，ε(e)为逼近误差。
Figure BDA0002739526460000039
是随机给定的[-1,1]之间隐层和输入层之间的神经网络权值，k表为隐层神经元个数，κ(e)为神经网络输入。
本发明定义
Figure BDA00027395264600000310
是W的近似值，
Figure BDA00027395264600000311
为
Figure BDA00027395264600000312
的近似值，则可得
Figure BDA00027395264600000313
Figure BDA00027395264600000314
则可得近似的哈密尔顿-雅克比-贝尔曼方程
Figure BDA00027395264600000315
式中eh表示冗余误差。为了设计近似神经网络权值的自适应律，给定下列目标函数：
Figure BDA00027395264600000316
则近似神经网络权值
Figure BDA00027395264600000317
的自适应律设计为：
Figure BDA00027395264600000318
式中η＞0是学习增益，
Figure BDA00027395264600000319
令
Figure BDA0002739526460000041
可得近似神经网络优化反馈控制ue：
Figure BDA0002739526460000042
最后，可由稳态控制(2)和近似神经网络优化反馈控制(12)，设计近似神经网络优化控制器u(t)为：
u(t)＝ud+ue (13)
有益效果
本发明所述的机械臂神经网络优化控制方法有如下有益效果：
1、本发明一种基于Scara机械臂的神经网络优化控制方法可实现机械臂各关节角位置和速度超调较小、抖震较低的跟踪效果；
2、本发明一种基于Scara机械臂的神经网络优化控制方法能够实现机械臂整体跟踪过程中能耗较低，时间较短。
本发明针对Scara机械臂系统，设计稳态控制实现机械臂的总体跟踪效果；应用基于强化学习的多层神经网络逼近关于跟踪误差的性能指标，设计神经网络近似反馈控制；根据稳态控制和近似反馈控制设计神经网络优化控制器，实现机械臂关节超调较小、抖震较低、能耗较小的跟踪效果。
附图说明
图1为本发明一种基于Scara机械臂的神经网络优化控制方法的机械臂神经网络优化控制系统结构图。
图2为本发明一种基于Scara机械臂的神经网络优化控制方法的Scara机械臂实体模型。
图3为本发明一种基于Scara机械臂的神经网络优化控制方法的隐含层神经网络权值W的收敛效果图。
图4为本发明一种基于Scara机械臂的神经网络优化控制方法的关节一位置和速度跟踪效果图。
图5为本发明一种基于Scara机械臂的神经网络优化控制方法的关节二位置和速度跟踪效果图。
图6为本发明一种基于Scara机械臂的神经网络优化控制方法的关节一和二的跟踪误差图。
图7为本发明一种基于Scara机械臂的神经网络优化控制方法的神经网络优化控制策略。
图8为本发明一种基于Scara机械臂的神经网络优化控制方法的神经网络近似反馈控制策略。
标号说明
1-工控机；2-控制器；3-Scara机器人；4-控制卡；5-伺服电机。
具体实施方式
机械臂在现代工业中具有广泛的应用，比如汽车制造企业中的焊接机器人、装配机器人，工业流水线中的抓取机器人等都应用机械臂进行实现。但是这些机械臂大都使用传统的PID控制方法，机械臂运行过程中会出现超调、抖震等现象，而且未考虑运行过程中的能耗问题。本发明拟设计一种智能化的神经网络优化控制方法，实现机械臂超调较小、抖震较低、能耗最小的运行效果。
一种基于Scara机械臂的神经网络优化控制方法，该方法首先应用多层神经网络逼近Scara机械臂系统的性能指标函数和自适应律更新隐含层神经网络权值；其次根据多层神经网络设计机械臂反馈控制；再根据稳态控制和机械臂反馈控制设计神经网络化控制器；最后根据控制器求解输入力矩，调节电机电压，
具体步骤如下：
步骤一、对被Scara机械臂模型进行分析，并按照欧拉-拉格朗日公式，根据机械臂的结构和物理定律，建立Scara机械臂的数学模型。建立该模型是为了基于该模型设计神经网络优化控制器。所述数学模型如下：
Figure BDA0002739526460000061
其中，
Figure BDA0002739526460000062
表示机械臂关节的角位置，n表示机械臂自由度数量，
Figure BDA0002739526460000063
表示机械臂关节的角速度，
Figure BDA0002739526460000064
机械臂关节的角加速度，M(q)表示机械臂的可逆惯性矩阵，
Figure BDA0002739526460000065
表示向心力向量或者科氏力，G(q)为与重力有关的向量，
Figure BDA0002739526460000066
为需要设计的输入力矩，注意每个自由度需要一个输入控制。
步骤二、基于机械臂系统和参考运动轨迹
Figure BDA0002739526460000067
设计稳态控制，稳态控制的目的是使机械臂关节总体按预定轨迹运行，但是未对跟踪性能进行优化。步骤三将对跟踪性能进行优化。
给定机械臂关节转角的参考运动轨迹qd，为了是机械臂关节总体按给定轨迹运行，设计稳态控制器为
Figure BDA0002739526460000068
步骤三、给定关于跟踪误差的性能指标，应用神经网络逼近最优性能指标，设计神经网络优化控制器，实现跟踪的快速性、稳定性和低能耗性。
定义跟踪误差
Figure BDA0002739526460000069
给定关于机械臂关节位置和速度跟踪误差的性能指标为
Figure BDA00027395264600000610
其中
Figure BDA00027395264600000611
为效用函数，ue为近似反馈控制，主要功能是实现累积误差最小和能耗最低。Q和R分别是维数与跟组误差e和近似反馈控制ue相匹配的正定对称矩阵。最优的性能指标函数可以表示为
Figure BDA00027395264600000612
机械臂系统(14)的误差动态方程可以表示成一般的系统方程形式为
Figure BDA00027395264600000613
针对机械臂系统(18)设计近似反馈控制ue最小化性能指标函数(3)。则哈密尔顿-雅克比-贝尔曼方程可以构建为
Figure BDA00027395264600000614
其中
Figure BDA0002739526460000071
一般来说
Figure BDA0002739526460000072
难以求解，本发明用三层神经网络逼近为：
Figure BDA0002739526460000073
Figure BDA0002739526460000074
其中，
Figure BDA0002739526460000075
为神经网络权重收敛后的值,φ(Z)＝tanh(Z)为隐层激活函数，ε(e)为逼近误差。
Figure BDA0002739526460000076
是随机给定的[-1,1]之间隐层和输入层之间的神经网络权值，k表为隐层神经元个数，κ(e)为神经网络输入。
本发明定义
Figure BDA0002739526460000077
是W的近似值，
Figure BDA0002739526460000078
为
Figure BDA0002739526460000079
的近似值，则可得
Figure BDA00027395264600000710
Figure BDA00027395264600000711
则可得近似的哈密尔顿-雅克比-贝尔曼方程
Figure BDA00027395264600000712
式中eh表示冗余误差。为了设计近似神经网络权值的自适应律，给定下列目标函数：
Figure BDA00027395264600000713
则近似神经网络权值
Figure BDA00027395264600000714
的自适应律设计为：
Figure BDA00027395264600000715
式中η＞0是学习增益，
Figure BDA00027395264600000716
令
Figure BDA00027395264600000717
可得近似神经网络优化反馈控制ue：
Figure BDA00027395264600000718
最后，可由稳态控制(15)和近似神经网络优化反馈控制(25)，设计近似神经网络优化控制器u(t)为：
u(t)＝ud+ue (26)
本发明针对Scara机械臂系统，设计稳态控制实现机械臂的总体跟踪效果；应用基于强化学习的多层神经网络逼近关于跟踪误差的性能指标，设计神经网络近似反馈控制；根据稳态控制和近似反馈控制设计神经网络优化控制器，实现机械臂关节超调较小、抖震较低、能耗较小的跟踪效果。
Scara机械臂仿真验证
应用上述神经网络优化控制方法对Scara机械臂模型进行控制验证。机械臂测试平台如图2所示，由工控机、控制卡、驱动器以及伺服机构四部分组成。采用三菱MR-J4系列伺服驱动器，设置伺服驱动器为“转矩模式”，由伺服驱动器MR-J4自主设计的控制器输出的转矩模拟量实现对SCARA机械臂的运动跟踪控制。
机械臂模型(14)中，q＝[q1,q2]T表示机械臂关节1和关节2的角位置，根据设备数据，计算可得惯性力矩
Figure BDA0002739526460000081
Figure BDA0002739526460000082
向心力矩
Figure BDA0002739526460000083
Figure BDA0002739526460000084
如图2所示，机械臂没有纵向运动，所以G(q)＝0。u＝[u1,u2]T为机械臂两关节的输入力矩。关节一的位置和速度参考信号设置为q1d＝sin(t)、
Figure BDA0002739526460000085
关节二的位置和速度参考信号设置为q1d＝2sin(t)、
Figure BDA0002739526460000086
对机械臂模型进行仿真验证，神经网络优化控制器设计为u＝ud+ue，其中
Figure BDA0002739526460000087
应用基于强化学习的三层神经网络逼近最优的性能指标，设置第一层神经网络权值值Wh为[-1,1]之间的常数，第二层神经网络权重初始值
Figure BDA0002739526460000088
学习增益η＝50，关节一和关节二位置和速度的初始值设置为[1,-1,1,-1]T。隐含层神经网络权值收敛效果如图3所示，关节一的位置和速度跟踪效果如图4所示，关节二的位置和速度跟踪效果如图5所示。图6为关节一和二的跟踪误差。图7为神经网络优化控制，图8为神经网络近似最优反馈控制。
本发明针对Scara机械臂系统，给定参考运动轨迹，设计稳态控制。给定关于位置和速度跟踪误差的性能指标，应用基于强化学习的三层神经网络学习最优的性能指标函数，得到神经网络近似反馈控制。根据稳态控制和近似反馈控制，设计机械臂的神经网络优化控制器，有效的降低运行过程中的超调和能耗。通过验证可知，本发明具有良好的控制性能和较强的实用价值。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，或没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

Claims (2)

1.一种基于Scara机械臂的神经网络优化控制方法，其特征在于：
首先应用多层神经网络逼近Scara机械臂系统的性能指标函数和自适应律更新隐含层神经网络权值；其次根据多层神经网络设计机械臂反馈控制；再根据稳态控制和机械臂反馈控制设计神经网络化控制器；最后根据控制器求解输入力矩，调节电机电压。
2.如权利要求1所述的基于Scara机械臂的神经网络优化控制方法，其特征在于，所述方法具体步骤如下：
步骤一、建立Scara机械臂的数学模型，
对Scara机械臂进行分析，并根据机械臂的结构和物理定律利用欧拉-拉格朗日公式，可知Scara机械臂的数学模型：
Figure FDA0002739526450000011
其中，
Figure FDA00027395264500000110
表示机械臂关节的角位置，
Figure FDA0002739526450000012
表示机械臂关节的角速度，
Figure FDA0002739526450000013
机械臂关节的角加速度，n表示机械臂自由度数量，M(q)表示机械臂的可逆惯性矩阵，
Figure FDA0002739526450000014
表示向心力向量或者科氏力，G(q)为重力向量，
Figure FDA00027395264500000111
为输入力矩；
步骤二、设计稳态控制器，
基于机械臂系统和参考运动轨迹
Figure FDA00027395264500000112
设计稳态控制，给定机械臂关节转角的参考运动轨迹qd，则稳态控制器为：
Figure FDA0002739526450000015
步骤三、根据给定于跟踪误差的性能指标，应用神经网络逼近最优性能指标，设计神经优化控制器，
定义跟踪误差
Figure FDA0002739526450000016
给定关于机械臂关节位置和速度跟踪误差的性能指标为
V(e)＝∫t ∞r(e(τ),ue(τ))dτ (3)
其中
Figure FDA0002739526450000017
为效用函数，ue为近似反馈控制，Q和R分别是维数与跟踪误差e和近似反馈控制ue相匹配的正定对称矩阵，则性能指标函数可以表示为
Figure FDA0002739526450000018
机械臂系统(1)的误差动态方程为
Figure FDA0002739526450000019
针对机械臂系统(5)设计近似反馈控制ue最小化性能指标函数(3)，则哈密尔顿-雅克比-贝尔曼方程可以构建为
Figure FDA0002739526450000021
其中
Figure FDA0002739526450000022
用三层神经网络逼近
Figure FDA0002739526450000023
Figure FDA0002739526450000024
其中，
Figure FDA00027395264500000216
为神经网络权重收敛后的值,φ(Z)＝tanh(Z)为隐层激活函数，ε(e)为逼近误差，
Figure FDA00027395264500000217
是随机给定的[-1,1]之间隐层和输入层之间的神经网络权值，k表为隐层神经元个数，κ(e)为神经网络输入，
本发明定义
Figure FDA0002739526450000025
是W的近似值，
Figure FDA0002739526450000026
为
Figure FDA0002739526450000027
的近似值，则可得
Figure FDA0002739526450000028
Figure FDA0002739526450000029
则可得近似的哈密尔顿-雅克比-贝尔曼方程
Figure FDA00027395264500000210
式中eh表示冗余误差，给定下列目标函数：
Figure FDA00027395264500000211
则近似神经网络权值
Figure FDA00027395264500000212
的自适应律设计为：
Figure FDA00027395264500000213
式中η＞0是学习增益，
Figure FDA00027395264500000214
令
Figure FDA00027395264500000215
可得近似神经网络优化反馈控制ue：
Figure FDA0002739526450000031
最后，根据稳态控制(2)和近似神经网络优化反馈控制(12)，近似神经网络优化控制器u(t)可以设计为：
u(t)＝ud+ue (13)。
CN202011145279.4A 2020-10-23 2020-10-23 一种基于Scara机械臂的神经网络优化控制方法 Active CN114488783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011145279.4A CN114488783B (zh) 2020-10-23 2020-10-23 一种基于Scara机械臂的神经网络优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011145279.4A CN114488783B (zh) 2020-10-23 2020-10-23 一种基于Scara机械臂的神经网络优化控制方法

Publications (2)

Publication Number Publication Date
CN114488783A true CN114488783A (zh) 2022-05-13
CN114488783B CN114488783B (zh) 2023-12-22

Family

ID=81470141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011145279.4A Active CN114488783B (zh) 2020-10-23 2020-10-23 一种基于Scara机械臂的神经网络优化控制方法

Country Status (1)

Country Link
CN (1) CN114488783B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070022068A1 (en) * 2005-07-01 2007-01-25 Ralph Linsker Neural networks for prediction and control
EP2270679A1 (fr) * 2009-07-01 2011-01-05 Centre National D'etudes Spatiales Procédé de contrôle optimal d'un système modélisable par des équations de Hamilton Jacobi Bellman
US20140188273A1 (en) * 2012-12-31 2014-07-03 King Fahd University Of Petroleum And Minerals Control method for mobile parallel manipulators
CN104834221A (zh) * 2015-05-25 2015-08-12 中国科学院自动化研究所 一种基于可变误差的非线性系统自适应最优控制方法
CN108789417A (zh) * 2018-07-30 2018-11-13 长春工业大学 基于自适应动态规划的可重构机械臂保代价分散控制方法
CN108942924A (zh) * 2018-06-25 2018-12-07 南京理工大学 基于多层神经网络的模型不确定性机械臂运动控制方法
CN109581868A (zh) * 2018-09-21 2019-04-05 长春工业大学 基于评判辨识结构的可重构机器人分散神经最优控制方法
CN109946975A (zh) * 2019-04-12 2019-06-28 北京理工大学 一种未知伺服系统的强化学习最优跟踪控制方法
CN110170992A (zh) * 2019-04-02 2019-08-27 长春工业大学 一种基于动态规划的模块化机械臂多故障容错控制方法
CN111625019A (zh) * 2020-05-18 2020-09-04 天津大学 基于强化学习的四旋翼无人机悬挂空运系统轨迹规划方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070022068A1 (en) * 2005-07-01 2007-01-25 Ralph Linsker Neural networks for prediction and control
EP2270679A1 (fr) * 2009-07-01 2011-01-05 Centre National D'etudes Spatiales Procédé de contrôle optimal d'un système modélisable par des équations de Hamilton Jacobi Bellman
US20140188273A1 (en) * 2012-12-31 2014-07-03 King Fahd University Of Petroleum And Minerals Control method for mobile parallel manipulators
CN104834221A (zh) * 2015-05-25 2015-08-12 中国科学院自动化研究所 一种基于可变误差的非线性系统自适应最优控制方法
CN108942924A (zh) * 2018-06-25 2018-12-07 南京理工大学 基于多层神经网络的模型不确定性机械臂运动控制方法
CN108789417A (zh) * 2018-07-30 2018-11-13 长春工业大学 基于自适应动态规划的可重构机械臂保代价分散控制方法
CN109581868A (zh) * 2018-09-21 2019-04-05 长春工业大学 基于评判辨识结构的可重构机器人分散神经最优控制方法
CN110170992A (zh) * 2019-04-02 2019-08-27 长春工业大学 一种基于动态规划的模块化机械臂多故障容错控制方法
CN109946975A (zh) * 2019-04-12 2019-06-28 北京理工大学 一种未知伺服系统的强化学习最优跟踪控制方法
CN111625019A (zh) * 2020-05-18 2020-09-04 天津大学 基于强化学习的四旋翼无人机悬挂空运系统轨迹规划方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
侯大为: "自适应最优跟踪控制及在 SCARA 机器人系统应用", 《硕士电子期刊信息科技辑》, pages 49 - 76 *
侯大为: "自适应最优跟踪控制及在SCARA机器人系统应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
吕永峰: "基于近似动态规划的连续非线系统最优控制及应用", 《硕士电子期刊信息科技辑》, pages 41 - 58 *
毛润;高宏力;宋兴国;: "基于模糊补偿的RBF神经网络机械手控制", 西南交通大学学报, no. 03 *
董博: "面向动态约束的可重构模块机器人力矩估计与分散控制方法研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN114488783B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN109946975B (zh) 一种未知伺服系统的强化学习最优跟踪控制方法
CN110065070B (zh) 一种基于动力学模型的机器人自适应阻抗控制系统
CN112904728B (zh) 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法
WO2020207219A1 (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
CN113681543B (zh) 一种基于模型预测的机械臂零力控制方法
CN110561440B (zh) 一种冗余度机械臂加速度层多目标规划方法
CN108638068B (zh) 一种携带冗余度机械臂的飞行机器人控制系统设计方法
CN112338912B (zh) 一种柔性单链机械臂的有限时间稳定控制方法及系统
CN101369132B (zh) 基于神经网络辨识器的永磁球形电动机力学解耦控制方法
CN114510063B (zh) 一种无人履带车辆及其轨迹跟踪控制方法和系统
CN114169230A (zh) 一种机器人动力学参数的辨识方法
CN111428317A (zh) 一种基于5g和循环神经网络的关节摩擦力矩补偿方法
CN111176122A (zh) 一种基于双bp神经网络q学习技术的水下机器人参数自适应反步控制方法
CN113703319A (zh) 基于强化学习的关节模组不等式约束最优鲁棒控制方法
CN113093538A (zh) 一种模块化机器人系统的非零和博弈神经-最优控制方法
CN115990888A (zh) 一种具有死区和时变约束功能的机械臂控制方法
CN115139301A (zh) 基于拓扑结构自适应神经网络的机械臂运动规划方法
CN115431271A (zh) 一种飞行机械臂末端抗干扰指向控制方法
CN113467501B (zh) 作业飞行机器人动态滑翔抓取与力位混合控制方法
CN113050653B (zh) 一种处理状态不等式约束的线控转向系统建模控制方法
Glushchenko et al. On development of neural network controller with online training to control two-wheeled balancing robot
CN116460860B (zh) 一种基于模型的机器人离线强化学习控制方法
CN114488783A (zh) 一种基于Scara机械臂的神经网络优化控制方法
CN114940164B (zh) 一种面向泊车场景的无人驾驶车辆行驶轨迹优化方法及系统
CN115826597A (zh) 基于自适应神经网络的旋翼飞行器抗扰控制方法及设备

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