CN115502969A - 一种多自由度远程手术机器人网络控制系统 - Google Patents
一种多自由度远程手术机器人网络控制系统 Download PDFInfo
- Publication number
- CN115502969A CN115502969A CN202211036874.3A CN202211036874A CN115502969A CN 115502969 A CN115502969 A CN 115502969A CN 202211036874 A CN202211036874 A CN 202211036874A CN 115502969 A CN115502969 A CN 115502969A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- decoupling
- degree
- freedom
- robot
- 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.)
- Withdrawn
Links
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 238000013461 design Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 24
- 238000013139 quantization Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006880 cross-coupling reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002674 endoscopic surgery Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004800 psychological effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- B25J9/1679—Programme controls characterised by the tasks executed
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/30—Surgical robots
- A61B34/35—Surgical robots for telesurgery
-
- 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
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1689—Teleoperation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种多自由度远程手术机器人网络控制系统,包括V规范解耦内模控制器,多自由度机器人对象使用V规范解耦环节将其解耦为对角阵,使计算量降低,以解耦后的对角阵作为广义对象,再进行内模控制器设计,该发明能同时实现多自由度远程手术机器人网络控制系统的系统信号解耦与时延补偿控制,简化了系统控制器的设计,采用模糊自适应方法实现内模控制器滤波器参数的在线自整定,以增强系统鲁棒性与抗干扰能力,设计方法扩展性强,从系统结构上实现信号解耦与时延补偿,不需要对通信网络中各环节的时延进行测量、估计或辨识,可节省硬件成本。
Description
技术领域
本发明涉及远程手术领域,尤其是一种多自由度远程手术机器人网络控制系统。
背景技术
远程手术机器人网络控制系统主要由主手(医生操作端)系统、从手(病人手术端)系统、通信网络三部分组成。远程手术时,医生坐在控制台前,操作主手运动,控制系统追踪主手的位置、速度信号通过通信网络传递给从手,从手经过运动学逆解之后送给各个关节,保证从手实时追踪主手的位置,响应医生的操作从而完成手术操作,通常具有高精度的手术机器人为多自由度机械手,多时甚至达到7个自由度,如图1所示为达芬奇手术机器人机械手,它甚至比人手还要灵活,触及范围非常广。
当机械手自由度增加时,多个维度之间的多个输入变量与多个输出变量之间存在相互耦合影响,即一个输入量的变化通常会影响多个输出量的变化,一个输出量也不仅仅只受到一个输入量的影响。交叉耦合问题使手术机器人控制系统成为一种条件稳定的系统,这就要求多自由度机器人控制系统必须要进行解耦控制的设计,即如何通过校正使系统的各回路之间信号消除关联,实现解耦,因此,解耦是实现多自由度机器人精确控制的前提。
同时,远程通信网络带来了随机、时变、不确定的时延问题,首先本地操作端发送的位置姿态等控制指令无法实时的到达远程手术端,在时间上,远程手术端的手术机器人动作执行产生了一个滞后。从控制理论角度看,随机时延的存在会使系统出现不稳定的现象,严重时会导致远程手术机器人的误操作或失控。另外,由于随机时延的存在,手术操作者感受到的远端的反馈力、视频图像等信息就会出现延迟,影响医生对手术过程的判断,同时也造成了外科手术医生的临场感大大降低,这对医生的心理承受能力是一个考验,因此,网络时延的存在使得远程手术在手术精度、稳定性和对医生的心理作用等方面都产生了负面影响。
为此,我们提出一种多自由度远程手术机器人网络控制系统解决上述问题。
发明内容
本发明的目的在于提供一种多自由度远程手术机器人网络控制系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种多自由度远程手术机器人网络控制系统,包括V规范解耦内模控制器,多自由度机器人对象使用V规范解耦环节将其解耦为对角阵,使计算量降低,以解耦后的对角阵作为广义对象,再进行内模控制器设计,V规范解耦内模控制器的设计步骤如下:
步骤1,V规范解耦设计:
V规范解耦包括多自由度机器人对象传递函数矩阵包括G(s),解耦器传递函数矩阵N(s),其中解耦控制器与执行器共点,还包括V规范解耦环节W(s)与K(s),Gm(s)表示解耦后的广义机器人对象模型传递函数矩阵,C(s)表示内模控制器传递函数矩阵,R(s)为输入向量,Y(s)为输出向量,Ym为模型输出向量,从手端传感器节点同时采样系统输出Y(s)与模型输出Ym(s),将误差信号e通过通信网络发送到主手端控制器节点,D(s)为干扰向量;
步骤2,内模控制器设计:
(1)设计V规范解耦补偿器N(s),使广义系统G(s)N(s)为对角阵;
(2)取解耦后的广义系统对角元素为内模控制的内部模型Gm(s);
(3)将模型Gm(s)分解为最小相位部分Gm-(s)和非最小相位部分Gm+(s),然后对Gm-(s)求逆设计控制器,为了保证控制器的物理可实现性,增强系统鲁棒性,引入滤波器F(s);
步骤3,内模控制器滤波器参数的模糊自适应整定设计:
(1)糊算法原理;
(2)模糊内模控制器方法设计。
在进一步的实施例中,在V规范解耦设计中,先对G(s)实行开环解耦控制,使H(s)=G(s)N(s)为一个对角矩阵,可得H(s)=G(s)N(s)=G(s)(I-W(s)K(s))-1W(s),经过求逆作如下变换:
H(s)-1=W(s)-1(I-W(s)K(s))G(s)-1 (5)
H(s)-1G(s)=W(s)-1-K(s) (6)
因为W(s)为对角阵,K(s)为主对角元素为零的矩阵,解耦环节的N(s)的主对角元素Nii(s)和非对角元素Nij(s)分别为式(7)和式(8):
Nii(s)=W(s)=Gii -1(s)Hii(s)(i=1,2...n) (7)
Nij(s)=K(s)=-Hii -1(s)Gij(s)(i=1,2...n,j=1,2...n;i≠j) (8)
解耦补偿器设计的关键在于解耦后广义机器人对象矩阵Hii(s)的形式,通常一般根据实际的需要给出,为简化解耦环节,选取W(s)为单位矩阵,则Nii(s)=Gii -1(s)Hii(s)=1,即Hii(s)=Gii(s),即解耦后的广义多自由度机器人对象矩阵为实际多自由度机器人对象矩阵G(s)的对角元素组成的对角矩阵,为使解耦补偿环节非对角元素K(s)可实现,令Hii(s)=Gii-(s),其中为被控过程对角元素的最小相位部分,则解耦环节的非对角元素为Nij(s)=-Gij(s)(Gii-(s))-1(i=1,2...n,j=1,2…n;i≠j)。
在进一步的实施例中,所述内模控制器设计具体为:
根据步骤1的解耦控制后,广义多自由度机器人对象系统为G(s)N(s)为对角矩阵。选择解耦后的广义系统为内模控制的模型矩阵Gm(s),即:
Gm(s)=diag{H11(s),H22(s),…Hnn(s)}=diag{G11(s),G22(s),…Gnn(s)}(9)
将模型Gm(s)按最小相位稳定部分Gm-(s)和非最小相位部分Gm+(s)进行如下分解:
Gm(s)=Gm+(s)Gm-(s) (10)
Gm+(s)=GA(s)GN(s) (11)
GA(s)中包含的是Gm(s)中的对角元素时滞因子的预估项;zr是Gm(s)的右半平面极点,ksj是该极点的个数,rs是Gm(s)所包含的互异的右半平面的极点的总个数,为了确保内模控制器的可实现性,引入滤波器,通过调整滤波器结构和参数获得期望的动态品质和鲁棒性能,引入对角型滤波器F(s)=diag{f1(s),f2(s),…fn(s)},式中,ni>0,是Gm-(s)中的第i列元素分子分母多项式的相对阶次,λi是滤波器可调参数,因此,得到修正后的内模控制器如下式所示:
CIMC(s)=diag{C11(s),C22(s),…Cnn(s)} (14)
在进一步的实施例中,所述模糊算法原理:模糊逻辑控制的基本思想是用机器去模拟人对系统进行控制,它以模糊集合、模糊语言变量以及模糊逻辑推理为基础构成了一种智能控制,模糊控制系统包括模糊化、模糊知识库、模糊推理、去模糊化和输入输出量化等部分,其中R参考输入值,E和Ec分别为误差e和误差变化率ec经过输入量化后的语言变量,u为经过去模糊化处理后的实际输出的控制信号。运用模糊子集对量化后的e和ec进行描述,常用的模糊子集可用7个模糊状态表示:{负大,负中,负小,零,正小,正中,正大},用如下符号表示{NS,NM,NB,Z,PS,PM,PB}。
在进一步的实施例中,所述模糊控制系统的输入量e和ec在进行量化处理时,需要设置论域,如误差e的论域为X,可作如下量化:X={-n,-n+1,…,0,1,2,…n-1,n},n的取值根据实际需要确定,同理,ec和u可进行同样的量化处理,模糊量化后需经过进一步的模糊推理,模糊推理是要在数据库中选择合适的隶属度函数和在规则库中选择合适的模糊规则,如以下模糊判定规则:
其中if…部分指的是条件部分,而then…部分指的是结果部分,A为论域X1上的一个模糊子集,B是论域X2的一个模糊子集,模糊规则R的条数与模糊变量的模糊子集划分有关,划分越细,则模糊规则条数越多,例如对一个两输入一输出,7个模糊状态的模糊控制系统,会有49条模糊规则,但是规则条数越多,会增加控制系统的运算量,其准确性也不一定最高。
在进一步的实施例中,所述模糊内模控制器方法设计:
对于多自由度远程手术机器人网络控制系统的第i个回路,当λi越大,可允许的模型误差越大,应将λi设置为较大值,相反,当模型误差程度较小时,λi应取较小值。首先,由于多自由度远程手术机器人对象往往是随机、时变的,导致对象模型的失配程度不断改变。若仍然采用固定的滤波器参数设计方法,则系统的控制效果无法得到有力保证,另外,当负载扰动不为零时,过程实际输出受到扰动影响,过程输出与模型输出也会出现较大偏差,
为了抵抗模型失配和干扰的影响,增强系统的鲁棒性,此处,以系统输出与内部模型输出的误差ei及误差变化率eci作为模糊控制器的输入,通过模糊规则实现滤波器时间常数的在线自调整,
λi=λi0+Δλi,其中λi0是第i个回路滤波器的初始值,根据不同的多自由度机器人对象,λi0的取值不同,Δλi={ei,eci}λi是根据模糊自适应调整的滤波器参数增量,将ei和eci根据模糊集理论划分为七个模糊状态,分别表示为“负大,负中,负小,零,正小,正中,正大”,符号表示为{NS,NM,NB,Z,PS,PM,PB}。ei和eci的隶属度函数选用三角形、Z型、S型三种相结合的形式,论域根据实际多自由度机器人对象进行选择,Δλi的下界和上界基于系统的鲁棒性能分析来确定,调整Δλi的模糊规则建立的依据是:当实际输出和模型输出的偏差ei和偏差的变化率eci较大时,增大Δλi的值;当偏差ei和偏差的变化率eci较小时,减小Δλi的值。
与现有技术相比,本发明的有益效果是:
(1)提出的发明方法能同时实现多自由度远程手术机器人网络控制系统的系统信号解耦与时延补偿控制,简化了系统控制器的设计。
(2)为了进一步增强控制器鲁棒性,该发明采用模糊自适应方法实现内模控制器滤波器参数的在线自整定,以增强系统鲁棒性与抗干扰能力,设计方法扩展性强。
(3)该发明从系统结构上实现信号解耦与时延补偿,不需要对通信网络中各环节的时延进行测量、估计或辨识,可节省硬件成本。
该发明和具体的网络协议择无关,该发明不但适用于技术先进的5G网络组成的远程手术机器人控制系统,还能适用于广泛的Internet和大延迟卫星通信网组成的远程手术机器人控制系统,研究成果适用面广。
附图说明
图1为达芬奇手术机器人机械手示意图;
图2为种远程手术机器人网络控制系统拓扑结构图;
图3为一类解耦器在从手端的多自由度远程手术机器人网络控制系统结构图;
图4为一类简化的多自由度远程手术机器人网络控制系统结构图;
图5为基于V规范解耦内模控制的多自由度远程手术机器人网络控制系统结构图;
图6为模糊控制框图;
图7为滤波器参数模糊自整定结构图。
具体实施方式
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种新型控制器设计方法,其思路主要是:多自由度机器人对象使用V规范解耦环节将其解耦为对角阵,使计算量降低,以解耦后的对角阵作为广义对象,再进行内模控制器设计。该发明能实现远程手术机器人网络控制系统信号解耦及时延补偿控制。进一步:当机器人机械手对象模型失配或存在扰动时,采用模糊自适应方法实现内模控制器的滤波器参数在线自整定,增强系统鲁棒性与抗干扰能力。
多自由度远程手术机器人网络控制系统信号耦合及时延问题分析
如图2所示,以一种远程内窥镜手术机器人网络控制系统为例,其拓扑结构如图2所示,从手端传感器实时采集手术现场信息,通过网络反馈到主手端控制器,同时,医生通过显示器观测到工具末端的位置和姿态,主手端控制信号经过主控制器将数据包进行封装后经通信网络发送至从手端,从手端的接收控制器对接收到的数据包进行校验、滤波后发送到机械手运动控制器,在运动控制器中进行逆运动学计算,最终将电机的控制信号输入到各个电机的驱动器,以驱动执行手术操作。
为了便于数学证明,将图2所示的多自由度远程手术机器人网络控制系统抽象为如图3所示的结构。
图3中,机器人机械手解耦器在从手端。图3包含r个从手端机械手传感器节点,m个解耦执行器节点,一个主手端控制器节点,一个多自由度机器人对象G(s),从手端传感器到主手端控制器的网络时延分别为主手端控制器到从手端解耦执行器的网络时延分别为若传感器节点与解耦执行器节点个数相同,即r=m,则转化为多变量网络化解耦控制方系统。yj(s)表示多自由度机器人系统的第j个输出信号,ui(s)表示多自由度机器人系统的第i个控制信号,假设所有的传感器节点采用时间驱动,控制器与执行器采用事件驱动。每个传感器节点按照一定的采样周期对多自由度机器人对象采样,采样后将信号通过通信网络发送到主手端控制器节点,主手端控制器节点接收到任一回路的传感器信号则被触发,主手端控制器节点进行控制计算,再将计算后的每个回路的控制信号通过通信网络发送给不同的解耦执行器节点,从而对多自由度机器人对象实现控制。
图4中,G(s)表示多自由度机器人对象,通常G(s)的表达式如(1)所示:
其中,i,j=1,2...,n。Goij(s)表示多自由度机器人对象矩阵的稳定、正则、不含时延部分;θij表示对应元素的时滞部分。表示从手端传感器节点到主手端控制器节点的时延向量;而表示主手端控制器到从手端解耦执行器的时延向量。D(s)=[D1(s) D2(s) … Dn(s)]表示干扰向量,R(s)=[R1(s) R2(s) … Rn(s)]和Y(s)=[Y1(s) Y2(s) … Yn(s)]分别表示输入输出向量。由G(s)的表达式可知,在多自由度机器人对象的元素之间存在相互耦合作用。这使得一个维度的输入信号改变将导致多个维度输出信号发生改变,每个维度输出信号也不仅仅只受到一个维度输入信号的影响。要让系统能满足解耦条件,令G(s)是一个最小相位系统,只有当多自由度机器人对象是稳定、正则、非奇异的则能实现解耦控制,即G(s)的行列式不等于零,det[G(s)]≠0。因此,对于一个复杂的多自由度远程手术机器人网络控制系统,控制的首要任务使设计一个合适的解耦装置以减轻回路之间的信号耦合。
其次,根据简化的多自由度远程手术机器人网络控制系统图3可知,由于节点之间时通过网络通道传输信号。由于限制的网络带宽、数据碰撞或者网络拥塞不可避免的导致了网络时延、丢包、数据包乱序等问题。而网络时延和数据丢包的变化都是随机、时变、不确定的。从图3中得出系统的设定点跟踪响应传递函数矩阵和干扰响应传递函数矩阵分别如式(2)和(3)所示:
从式(2)和式(3)中可得出,跟踪响应和干扰响应传递函数矩阵的特征方程都是:
特征方程中包含网络时延的指数项:和时延影响系统稳定性。时延τsc发生在从手端传感器到主手端控制器的传输过程当中,可通过插入时间戳获得;而τca时延发生在主手端控制器到从手端解耦执行器的传输过程中,在主手端控制器节点中无论如何都不可能精确预测在其后发生的时延大小。另外,由于网络时延使多自由度机器人对象之间的耦合程度更复杂,一个通道的时延会影响到另一个通道的时延大小。因此,设计合理的控制器以降低多自由度远程手术机器人网络控制系统中的时延影响是研究的重点。
本发明基于V规范解耦内模控制设计方法从结构上考虑时延的补偿与控制,并考虑到内模控制器滤波器参数对系统的性能起到至关重要的作用,结合模糊算法调整滤波器参数,提高系统的抗干扰能力。
V规范解耦内模控制器设计方法
步骤1:V规范解耦设计
请参阅图5,基于V规范型解耦控制的多自由度远程手术机器人网络控制系统如图4所示,G(s)表示多自由度机器人对象传递函数矩阵,N(s)表示解耦器传递函数矩阵,其中解耦控制器与执行器共点,W(s)与K(s)为V规范解耦环节,Gm(s)表示解耦后的广义机器人对象模型传递函数矩阵,C(s)表示内模控制器传递函数矩阵。R(s)为输入向量,Y(s)为输出向量,Ym为模型输出向量,从手端传感器节点同时采样系统输出Y(s)与模型输出Ym(s),将误差信号e通过通信网络发送到主手端控制器节点,D(s)为干扰向量。
在图5中,先对G(s)实行开环解耦控制,使H(s)=G(s)N(s)为一个对角矩阵,由图可得H(s)=G(s)N(s)=G(s)(I-W(s)K(s))-1W(s),经过求逆作如下变换:
H(s)-1=W(s)-1(I-W(s)K(s))G(s)-1 (5)
H(s)-1G(s)=W(s)-1-K(s) (6)
因为W(s)为对角阵,K(s)为主对角元素为零的矩阵,解耦环节的N(s)的主对角元素Nii(s)和非对角元素Nij(s)分别为式(7)和式(8):
Nii(s)=W(s)=Gii -1(s)Hii(s)(i=1,2…n) (7)
Nij(s)=K(s)=-Hii -1(s)Gij(s)(i=1,2...n,j=1,2...n;i≠j) (8)
解耦补偿器设计的关键在于解耦后广义机器人对象矩阵Hii(s)的形式,通常一般根据实际的需要给出。为简化解耦环节,论文选取W(s)为单位矩阵,则Nii(s)=Gii -1(s)Hii(s)=1,即Hii(s)=Gii(s),即解耦后的广义多自由度机器人对象矩阵为实际多自由度机器人对象矩阵G(s)的对角元素组成的对角矩阵。为使解耦补偿环节非对角元素K(s)可实现,令Hii(s)=Gii-(s),其中为被控过程对角元素的最小相位部分,则解耦环节的非对角元素为Nij(s)=-Gij(s)(Gii-(s))-1(i=1,2...n,j=1,2…n;i≠j)。
步骤2:内模控制器设计
根据步骤1的解耦控制后,广义多自由度机器人对象系统为G(s)N(s)为对角矩阵。选择解耦后的广义系统为内模控制的模型矩阵Gm(s),即:
Gm(s)=diag{H11(s),H22(s),…Hnn(s)}=diag{G11(s),G22(s),…Gnn(s)} (9)
将模型Gm(s)按最小相位稳定部分Gm-(s)和非最小相位部分Gm+(s)进行如下分解:
Gm(s)=Gm+(s)Gm-(s) (10)
Gm+(s)=GA(s)GN(s) (11)
GA(s)中包含的是Gm(s)中的对角元素时滞因子的预估项;zr是Gm(s)的右半平面极点,ksj是该极点的个数,rs是Gm(s)所包含的互异的右半平面的极点的总个数。为了确保内模控制器的可实现性,引入滤波器,通过调整滤波器结构和参数获得期望的动态品质和鲁棒性能,引入对角型滤波器F(s)=diag{f1(s),f2(s),…fn(s)},式中,ni>0,是Gm-(s)中的第i列元素分子分母多项式的相对阶次,λi是滤波器可调参数。因此,得到修正后的内模控制器如下式所示:
CIMC(s)=diag{C11(s),C22(s),…Cnn(s)} (14)
总结以上基于V规范解耦的内模控制器的设计步骤如下:
(1)设计V规范解耦补偿器N(s),使广义系统G(s)N(s)为对角阵;
(2)取解耦后的广义系统对角元素为内模控制的内部模型Gm(s);
(3)将模型Gm(s)分解为最小相位部分Gm-(s)和非最小相位部分Gm+(s),然后对Gm-(s)求逆设计控制器,为了保证控制器的物理可实现性,增强系统鲁棒性,引入滤波器F(s)。
步骤3:内模控制器滤波器参数的模糊自适应整定设计
根据以上内模控制器的设计方法,注意到滤波器的参数是决定系统控制品质的主要因素。在实际的多自由度远程手术机器人网络控制系统的应用中,过程对象通常是时刻变化的,估计的模型的失配程度也随之时刻变化。其通信信道中不可避免的会存在随机信号的干扰。若内模控制器采用固定的滤波器参数,则控制效果难以得到保证。为了提高模型失配时系统的鲁棒性,本节结合模糊控制与内模控制的设计方法构成模糊自适应内模控制算法,以实现滤波器参数的在线自整定,使多自由度远程手术机器人网络控制系统具有更强的干扰抑制能力。
(1)模糊算法原理
模糊逻辑控制(Fuzzy Logic Control,FLC)的基本思想是用机器去模拟人对系统进行控制。它以模糊集合、模糊语言变量以及模糊逻辑推理为基础构成了一种智能控制。模糊控制利用专家的经验总结出一系列的控制规则来设计模糊控制器,其控制原理结构如图6所示。
从图6中可看出模糊控制系统包括模糊化、模糊知识库、模糊推理、去模糊化和输入输出量化等部分,其中R参考输入值,E和Ec分别为误差e和误差变化率ec经过输入量化后的语言变量,u为经过去模糊化处理后的实际输出的控制信号。运用模糊子集对量化后的e和ec进行描述,常用的模糊子集可用7个模糊状态表示:{负大,负中,负小,零,正小,正中,正大},用如下符号表示{NS,NM,NB,Z,PS,PM,PB}。
模糊控制系统的输入量e和ec在进行量化处理时,需要设置论域,如误差e的论域为X,可作如下量化:X={-n,-n+1,…,0,1,2,…n-1,n},n的取值根据实际需要确定,同理,ec和u可进行同样的量化处理。模糊量化后需经过进一步的模糊推理,模糊推理是要在数据库中选择合适的隶属度函数和在规则库中选择合适的模糊规则,如以下模糊判定规则:
其中if…部分指的是条件部分,而then…部分指的是结果部分,A为论域X1上的一个模糊子集,B是论域X2的一个模糊子集。模糊规则R的条数与模糊变量的模糊子集划分有关,划分越细,则模糊规则条数越多。例如对一个两输入一输出,7个模糊状态的模糊控制系统,会有49条模糊规则。但是规则条数越多,会增加控制系统的运算量,其准确性也不一定最高。
模糊控制能有效解决很多复杂而难以建立精确数学模型的对象的控制问题,本发明提出模糊内模控制的设计方法,实现内模控制滤波器参数的自适应调整。
(2)模糊内模控制器方法设计
对于多自由度远程手术机器人网络控制系统的第i个回路,当λi越大,可允许的模型误差越大,应将λi设置为较大值。相反,当模型误差程度较小时,λi应取较小值。首先,由于多自由度远程手术机器人对象往往是随机、时变的,导致对象模型的失配程度不断改变。若仍然采用固定的滤波器参数设计方法,则系统的控制效果无法得到有力保证。另外,当负载扰动不为零时,过程实际输出受到扰动影响,过程输出与模型输出也会出现较大偏差。
为了抵抗模型失配和干扰的影响,增强系统的鲁棒性,此处,以系统输出与内部模型输出的误差ei及误差变化率eci作为模糊控制器的输入,通过模糊规则实现滤波器时间常数的在线自调整,多自由度远程手术机器人网络控制系统中的第i个回路滤波器参数的模糊自适应整定如图7所示。
图7中λi=λi0+Δλi,其中λi0是第i个回路滤波器的初始值,根据不同的多自由度机器人对象,λi0的取值不同,Δλi={ei,eci}λi是根据模糊自适应调整的滤波器参数增量。将ei和eci根据模糊集理论划分为七个模糊状态,分别表示为“负大,负中,负小,零,正小,正中,正大”,符号表示为{NS,NM,NB,Z,PS,PM,PB}。ei和eci的隶属度函数选用三角形、Z型、S型三种相结合的形式,论域根据实际多自由度机器人对象进行选择。Δλi的下界和上界基于系统的鲁棒性能分析来确定。调整Δλi的模糊规则建立的依据是:当实际输出和模型输出的偏差ei和偏差的变化率eci较大时,增大Δλi的值;当偏差ei和偏差的变化率eci较小时,减小Δλi的值,最终得到增量Δλi的模糊规则表如表1所示:
表1Δλi的模糊规则表
在实际多自由度远程手术机器人网络控制系统的应用中,根据机器人对象模型参数的辨识结果和操作经验对滤波器时间常数设置一个初始值λi0,然后通过对模糊规则的运算不断在线修改λi值。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种多自由度远程手术机器人网络控制系统,其特征在于:包括V规范解耦内模控制器,多自由度机器人对象使用V规范解耦环节将其解耦为对角阵,使计算量降低,以解耦后的对角阵作为广义对象,再进行内模控制器设计,V规范解耦内模控制器的设计步骤如下:
步骤1,V规范解耦设计:
V规范解耦包括多自由度机器人对象传递函数矩阵包括G(s),解耦器传递函数矩阵N(s),其中解耦控制器与执行器共点,还包括V规范解耦环节W(s)与K(s),Gm(s)表示解耦后的广义机器人对象模型传递函数矩阵,C(s)表示内模控制器传递函数矩阵,R(s)为输入向量,Y(s)为输出向量,Ym为模型输出向量,从手端传感器节点同时采样系统输出Y(s)与模型输出Ym(s),将误差信号e通过通信网络发送到主手端控制器节点,D(s)为干扰向量;
步骤2,内模控制器设计:
(1)设计V规范解耦补偿器N(s),使广义系统G(s)N(s)为对角阵;
(2)取解耦后的广义系统对角元素为内模控制的内部模型Gm(s);
(3)将模型Gm(s)分解为最小相位部分Gm-(s)和非最小相位部分Gm+(s),然后对Gm-(s)求逆设计控制器,为了保证控制器的物理可实现性,增强系统鲁棒性,引入滤波器F(s);
步骤3,内模控制器滤波器参数的模糊自适应整定设计:
(1)模糊算法原理;
(2)模糊内模控制器方法设计。
2.根据权利要求1所述的一种多自由度远程手术机器人网络控制系统,其特征在于:在V规范解耦设计中,先对G(s)实行开环解耦控制,使H(s)=G(s)N(s)为一个对角矩阵,可得H(s)=G(s)N(s)=G(s)(I-W(s)K(s))-1W(s),经过求逆作如下变换:
H(s)-1=W(s)-1(I-W(s)K(s))G(s)-1 (5)
H(s)-1G(s)=W(s)-1-K(s) (6)
因为W(s)为对角阵,K(s)为主对角元素为零的矩阵,解耦环节的N(s)的主对角元素Nii(s)和非对角元素Nij(s)分别为式(7)和式(8):
Nii(s)=W(s)=Gii -1(s)Hii(s)(i=1,2...n) (7)
Nij(s)=K(s)=-Hii -1(s)Gij(s)(i=1,2...n,j=1,2...n;i≠j) (8)
解耦补偿器设计的关键在于解耦后广义机器人对象矩阵Hii(s)的形式,通常一般根据实际的需要给出,为简化解耦环节,选取W(s)为单位矩阵,则Nii(s)=Gii -1(s)Hii(s)=1,即Hii(s)=Gii(s),即解耦后的广义多自由度机器人对象矩阵为实际多自由度机器人对象矩阵G(s)的对角元素组成的对角矩阵,为使解耦补偿环节非对角元素K(s)可实现,令Hii(s)=Gii-(s),其中Gii-(s)为被控过程对角元素的最小相位部分,则解耦环节的非对角元素为Nij(s)=-Gij(s)(Gii-(s))-1(i=1,2...n,j=1,2...n;i≠j)。
3.根据权利要求1所述的一种多自由度远程手术机器人网络控制系统,其特征在于:所述内模控制器设计具体为:
根据步骤1的解耦控制后,广义多自由度机器人对象系统为G(s)N(s)为对角矩阵,选择解耦后的广义系统为内模控制的模型矩阵Gm(s),即:
Gm(s)=diag{H11(s),H22(s),…Hnn(s)}=diag{G11(s),G22(s),γGnn(s)} (9)
将模型Gm(s)按最小相位稳定部分Gm-(s)和非最小相位部分Gm+(s)进行如下分解:
Gm(s)=Gm+(s)Gm-(s) (10)
Gm+(s)=GA(s)GN(s) (11)
GA(s)中包含的是Gm(s)中的对角元素时滞因子的预估项;zr是Gm(s)的右半平面极点,ksj是该极点的个数,rs是Gm(s)所包含的互异的右半平面的极点的总个数,为了确保内模控制器的可实现性,引入滤波器,通过调整滤波器结构和参数获得期望的动态品质和鲁棒性能,引入对角型滤波器F(s)=diag{f1(s),f2(s),…fn(s)},式中,ni>0,是Gm-(s)中的第i列元素分子分母多项式的相对阶次,λi是滤波器可调参数,因此,得到修正后的内模控制器如下式所示:
CIMC(s)=diag{C11(s),C22(s),…Cnn(s)} (14)
4.根据权利要求1所述的一种多自由度远程手术机器人网络控制系统,其特征在于:所述模糊算法原理:模糊逻辑控制的基本思想是用机器去模拟人对系统进行控制,它以模糊集合、模糊语言变量以及模糊逻辑推理为基础构成了一种智能控制,模糊控制系统包括模糊化、模糊知识库、模糊推理、去模糊化和输入输出量化等部分,其中R参考输入值,E和Ec分别为误差e和误差变化率ec经过输入量化后的语言变量,u为经过去模糊化处理后的实际输出的控制信号,运用模糊子集对量化后的e和ec进行描述,常用的模糊子集可用7个模糊状态表示:{负大,负中,负小,零,正小,正中,正大},用如下符号表示{NS,NM,NB,Z,PS,PM,PB}。
5.根据权利要求4所述的一种多自由度远程手术机器人网络控制系统,其特征在于,所述模糊控制系统的输入量e和ec在进行量化处理时,需要设置论域,如误差e的论域为X,可作如下量化:X={-n,-n+1,…,0,1,2,…n-1,n},n的取值根据实际需要确定,同理,ec和u可进行同样的量化处理,模糊量化后需经过进一步的模糊推理,模糊推理是要在数据库中选择合适的隶属度函数和在规则库中选择合适的模糊规则,如以下模糊判定规则:
其中if…部分指的是条件部分,而then…部分指的是结果部分,A为论域X1上的一个模糊子集,B是论域X2的一个模糊子集,模糊规则R的条数与模糊变量的模糊子集划分有关,划分越细,则模糊规则条数越多。
6.根据权利要求1所述的一种多自由度远程手术机器人网络控制系统,其特征在于:所述模糊内模控制器方法设计:
对于多自由度远程手术机器人网络控制系统的第i个回路,当λi越大,可允许的模型误差越大,应将λi设置为较大值,相反,当模型误差程度较小时,λi应取较小值,首先,由于多自由度远程手术机器人对象往往是随机、时变的,导致对象模型的失配程度不断改变,若仍然采用固定的滤波器参数设计方法,则系统的控制效果无法得到有力保证,另外,当负载扰动不为零时,过程实际输出受到扰动影响,过程输出与模型输出也会出现较大偏差,
为了抵抗模型失配和干扰的影响,增强系统的鲁棒性,此处,以系统输出与内部模型输出的误差ei及误差变化率eci作为模糊控制器的输入,通过模糊规则实现滤波器时间常数的在线自调整,
λi=λi0+Δλi,其中λi0是第i个回路滤波器的初始值,根据不同的多自由度机器人对象,λi0的取值不同,Δλi={ei,eci}λi是根据模糊自适应调整的滤波器参数增量,将ei和eci根据模糊集理论划分为七个模糊状态,分别表示为“负大,负中,负小,零,正小,正中,正大”,符号表示为{NS,NM,NB,Z,PS,PM,PB}。ei和eci的隶属度函数选用三角形、Z型、S型三种相结合的形式,论域根据实际多自由度机器人对象进行选择,Δλi的下界和上界基于系统的鲁棒性能分析来确定,调整Δλi的模糊规则建立的依据是:当实际输出和模型输出的偏差ei和偏差的变化率eci较大时,增大Δλi的值;当偏差ei和偏差的变化率eci较小时,减小Δλi的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036874.3A CN115502969A (zh) | 2022-08-29 | 2022-08-29 | 一种多自由度远程手术机器人网络控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036874.3A CN115502969A (zh) | 2022-08-29 | 2022-08-29 | 一种多自由度远程手术机器人网络控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115502969A true CN115502969A (zh) | 2022-12-23 |
Family
ID=84501949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211036874.3A Withdrawn CN115502969A (zh) | 2022-08-29 | 2022-08-29 | 一种多自由度远程手术机器人网络控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115502969A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879332A (zh) * | 2023-03-01 | 2023-03-31 | 北京千种幻影科技有限公司 | 驾驶模拟器运动平台控制方法、装置、电子设备及存储介质 |
-
2022
- 2022-08-29 CN CN202211036874.3A patent/CN115502969A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879332A (zh) * | 2023-03-01 | 2023-03-31 | 北京千种幻影科技有限公司 | 驾驶模拟器运动平台控制方法、装置、电子设备及存储介质 |
CN115879332B (zh) * | 2023-03-01 | 2023-05-23 | 北京千种幻影科技有限公司 | 驾驶模拟器运动平台控制方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | Average consensus on general strongly connected digraphs | |
US7395251B2 (en) | Neural networks for prediction and control | |
CN113472242B (zh) | 基于多智能体的抗干扰自适应模糊滑模协同控制方法 | |
Su et al. | Mixed H∞ and passive event-triggered reliable control for T–S fuzzy Markov jump systems | |
Ye et al. | Distributed Nash equilibrium seeking for games in second-order systems without velocity measurement | |
Gao et al. | Event-triggering based adaptive neural tracking control for a class of pure-feedback systems with finite-time prescribed performance | |
CN115502969A (zh) | 一种多自由度远程手术机器人网络控制系统 | |
Shen et al. | Event-based reachable set synthesis for delayed nonlinear semi-Markov systems | |
Wang et al. | Adaptive neural finite-time containment control for nonlower triangular nonlinear multi-agent systems with dynamics uncertainties | |
Aouiti et al. | Finite‐time and fixed‐time sliding mode control for discontinuous nonidentical recurrent neural networks with time‐varying delays | |
Liu | Tracking control of multi-agent systems using a networked predictive PID tracking scheme | |
Fan et al. | Distributed control for output-constrained nonlinear multi-agent systems with completely unknown non-identical control directions | |
Wu et al. | Distributed resilient tracking of multiagent systems under actuator and sensor faults | |
Jiang et al. | On the achievable tracking performance of NCSs over SNR limited channels | |
Yu et al. | Distributed fuzzy consensus control of uncertain nonlinear multiagent systems with actuator and sensor failures | |
Wen et al. | A consensus protocol considering Lipschitz constant and communication topology condition of high-order nonlinear multi-agent systems | |
Chen et al. | Event-Triggered output feedback adaptive control for nonlinear switched interconnected systems with unknown control coefficients | |
Yan et al. | Finite-time tolerant containment control for IT2 T–S fuzzy network multi-agent systems with actuator faults, packet dropouts and DoS attacks | |
Wei et al. | Anti-saturation fault-tolerant control for Markov jump nonlinear systems with unknown control coefficients and unmodeled dynamics | |
Zhao et al. | Observer-based dynamic event-triggered control for nonstrict-feedback stochastic nonlinear multiagent systems | |
Yu et al. | Event-based consensus tracking for nonlinear multi-agent systems under semi-markov jump topology | |
Li et al. | Model predictive control for constrained robot manipulator visual servoing tuned by reinforcement learning | |
Zhang et al. | Optimal output regulation for heterogeneous descriptor multi-agent systems | |
Wang et al. | Event-triggered consensus control for second-order multi-agent systems with/without input time delay | |
Shen et al. | Online noise-estimation-based neighbor selection for multi-manipulator systems |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221223 |
|
WW01 | Invention patent application withdrawn after publication |