CN115598966A - 一种六自由度并联摇摆台的视觉伺服神经网络控制方法 - Google Patents

一种六自由度并联摇摆台的视觉伺服神经网络控制方法 Download PDF

Info

Publication number
CN115598966A
CN115598966A CN202211326999.XA CN202211326999A CN115598966A CN 115598966 A CN115598966 A CN 115598966A CN 202211326999 A CN202211326999 A CN 202211326999A CN 115598966 A CN115598966 A CN 115598966A
Authority
CN
China
Prior art keywords
image
degree
visual servo
neural network
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.)
Granted
Application number
CN202211326999.XA
Other languages
English (en)
Other versions
CN115598966B (zh
Inventor
朱明磊
黄聪
宋世杰
漆军
申世军
宫大为
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202211326999.XA priority Critical patent/CN115598966B/zh
Priority claimed from CN202211326999.XA external-priority patent/CN115598966B/zh
Publication of CN115598966A publication Critical patent/CN115598966A/zh
Application granted granted Critical
Publication of CN115598966B publication Critical patent/CN115598966B/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
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及大数据技术领域，具体涉及一种六自由度并联摇摆台的视觉伺服神经网络控制方法，包括六自由度并联摇摆台上设置不确定负载和相机，并为所述相机采集的待观测图像中设置图像点，得到图像特征；基于所述图像特征、机器人运动学和视觉伺服方程构建机器人视觉伺服动力学方程；基于给定图像视觉轨迹与实时反馈图像特征信息，得到外部扰动在图像空间上的投影；基于所述机器人视觉伺服动力学方程和所述外部扰动在图像空间上的投影通过神经网络对系统扰动进行估计后补偿，得到补偿结果；力矩控制器基于所述补偿结果对六自由度并联摇摆台进行控制，无需添加多个力传感器，解决了现有的控制方法的生产成本较高的问题。

Description

一种六自由度并联摇摆台的视觉伺服神经网络控制方法
技术领域
本发明涉及大数据技术领域，尤其涉及一种六自由度并联摇摆台的视觉伺服神经网络控制方法。
背景技术
飞行模拟器的结构一般为六自由度并联摇摆台。在模拟飞机飞行过程中，飞机油箱随飞机运动，由于油箱内航空燃油为液体，因此在飞行中燃油一边消耗，一边在油箱中流动，可视为一不确定负载(质量未知且时变，质心未知且时变)。在飞机研发过程中，为实现精准的波形复现和运动状态复现，需采用一六自由度并联摇摆台作为飞行模拟器并载带一不确定负载，追踪预设运动轨迹。因此对于带不确定负载的六自由度并联摇摆台的精准控制在其应用当中十分重要。
目前已知的解决方案有在摇摆台中添加多个力传感器，以实时测量负载作为反馈参与到摇摆台的控制当中，但这种方案增加了生产成本。
发明内容
本发明的目的在于提供一种六自由度并联摇摆台的视觉伺服神经网络控制方法，旨在解决现有的控制方法的生产成本较高的问题。
为实现上述目的，本发明提供了一种六自由度并联摇摆台的视觉伺服神经网络控制方法，包括以下步骤：
六自由度并联摇摆台上设置不确定负载和相机，并为所述相机采集的待观测图像中设置图像点，得到图像特征；
基于所述图像特征、机器人运动学和视觉伺服方程构建机器人视觉伺服动力学方程；
基于给定图像视觉轨迹与实时反馈图像特征信息，得到外部扰动在图像空间上的投影；
基于所述机器人视觉伺服动力学方程和所述外部扰动在图像空间上的投影通过神经网络对系统扰动进行估计后补偿，得到补偿结果；
力矩控制器基于所述补偿结果对六自由度并联摇摆台进行控制。
其中，所述六自由度并联摇摆台上设置不确定负载和相机，包括：
在六自由度并联摇摆台的末端执行器上载带不确定负载；
在所述六自由度并联摇摆台底部中心安装相机。
其中，所述基于所述图像特征、机器人运动学和视觉伺服方程构建机器人视觉伺服动力学方程，包括：
基于所述图像特征构建图像空间与机器人关节的对应关系；
对所述对应关系进行微分，得到图像特征变换加速度与驱动关节变换加速度之间的关系；
联立所述关系与机器人动力学方程，得到机器人视觉伺服动力学方程。
其中，所述神经网络为局部近似神经网络。
其中，所述基于所述机器人视觉伺服动力学方程和所述外部扰动在图像空间上的投影通过神经网络对系统扰动进行估计后补偿，得到补偿结果，包括：
通过局部近似神经网络构建实时补偿器；
基于所述机器人视觉伺服动力学方程和所述外部扰动在图像空间上的投影使用所述实时补偿器对所述系统扰动进行估计后补偿，得到补偿结果。
其中，所述图像点的数量为四个。
本发明的一种六自由度并联摇摆台的视觉伺服神经网络控制方法，通过六自由度并联摇摆台上设置不确定负载和相机，并为所述相机采集的待观测图像中设置图像点，得到图像特征；基于所述图像特征、机器人运动学和视觉伺服方程构建机器人视觉伺服动力学方程；基于给定图像视觉轨迹与实时反馈图像特征信息，得到外部扰动在图像空间上的投影；基于所述机器人视觉伺服动力学方程和所述外部扰动在图像空间上的投影通过神经网络对系统扰动进行估计后补偿，得到补偿结果；力矩控制器基于所述补偿结果对六自由度并联摇摆台进行控制，无需添加多个力传感器，解决了现有的控制方法的生产成本较高的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是六自由度并联摇摆台、不确定负载和相机的结构示意图。
图2是视觉伺服动力学模型的示意图。
图3是本发明提供的一种六自由度并联摇摆台的视觉伺服神经网络控制方法的整体控制框图。
图4是本发明提供的一种六自由度并联摇摆台的视觉伺服神经网络控制方法的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1至图4，本发明提供一种六自由度并联摇摆台的视觉伺服神经网络控制方法，包括以下步骤：
S1六自由度并联摇摆台上设置不确定负载和相机，并为所述相机采集的待观测图像中设置图像点，得到图像特征；
具体的，在六自由度并联摇摆台的末端执行器(动平台)上载带不确定负载；在所述六自由度并联摇摆台底部中心安装相机，所述相机平行与摇摆台基座放置。所述图像点的数量为四个，取四个图像点在相机中的像素坐标信息为视觉伺服中的图像特征s。
S2基于所述图像特征、机器人运动学和视觉伺服方程构建机器人视觉伺服动力学方程；
具体方式为：
S21基于所述图像特征构建图像空间与机器人关节的对应关系；
Figure BDA0003909683240000031
其中s为图像特征，Ls为图像雅克比矩阵，T为相机坐标系到机器人基坐标系的转换矩阵，J为机器人雅克比矩阵，q为机器人驱动关节坐标。
S22对所述对应关系进行微分，得到图像特征变换加速度与驱动关节变换加速度之间的关系；
Figure BDA0003909683240000041
其中Hs为视觉伺服海森矩阵。
S23联立所述关系与机器人动力学方程，得到机器人视觉伺服动力学方程。
Figure BDA0003909683240000042
其中M为惯性矩阵，C为科里奥利矩阵，G为重力向量，Γ为驱动力矩。
联立所述关系与机器人动力学方程，得到机器人视觉伺服动力学方程：
Figure BDA0003909683240000043
其中+代表矩阵的伪逆。
S3基于给定图像视觉轨迹与实时反馈图像特征信息，得到外部扰动在图像空间上的投影；
采用—PD控制器，可得到如下基于图像特征误差的机器人视觉动力学控制律
Figure BDA0003909683240000044
其中Kvs，Kps均为正值系数。
上述机器人视觉动力学方程的建立均以精确模型为基础，对于带有不确定负载的机器人模型，需要考虑负载带来的扰动，因此需要对带不确定负载的机器人视觉伺服动力学模型建模，确定不确定扰动项对M和b的影响。
Figure BDA0003909683240000045
其中
Figure BDA0003909683240000046
Figure BDA0003909683240000047
mp为摇摆台动平台质量，Ip为动平台在基坐标系下的惯性矩阵，w为摇摆台转动角速度，g为重力加速度，ml为未知负载质量，BIl为外部负载对机器人基坐标系下惯性矩阵，MS＝[ml*lx,ml*ly,ml*lz]T，lx,ly,lz为负载质心在基坐标系下的坐标位置，
Figure BDA0003909683240000051
是基于MS的反对称方阵。因此可知上述动力学模型中，A是可以精确建模部分，B为不确定负载对系统带来的扰动。因负载质量未知且时变，质心未知且时变，因此B部分整体均为未知且时变，如果不考虑这部分对系统的扰动影响，无法实现对六自由度摇摆台实现精准控制。
S4基于所述机器人视觉伺服动力学方程和所述外部扰动在图像空间上的投影通过神经网络对系统扰动进行估计后补偿，得到补偿结果；
具体的，所述神经网络为局部近似神经网络。
具体方式为：
S41通过局部近似神经网络构建实时补偿器；
S42基于所述机器人视觉伺服动力学方程和所述外部扰动在图像空间上的投影使用所述实时补偿器对所述系统扰动进行估计后补偿，得到补偿结果。
径向基神经网络(RBFNN)是一种局部近似神经网络，具有结构简单，易于实现的特点，因此可以用来实现对系统干扰的实时补偿。在视觉伺服动力学模型中，在视觉图像空间添加一个基于RBFNN的实时补偿器，可以补偿由外部不确定负载带来的扰动，帮助控制器实现对系统的精准控制。
对上述公式进行变形可得：
Figure BDA0003909683240000052
其中
Figure BDA0003909683240000053
即为不确定负载带来的系统扰动在图像特征空间的表达，使用RBFNN对其进行估计并在线实时补偿，符号Λ代表估计值。
误差方程为
Figure BDA0003909683240000054
其中
Figure BDA0003909683240000055
定义一个变量向量
Figure BDA0003909683240000056
其中
Figure BDA0003909683240000057
采用神经网络对误差F进行自适应逼近，
神经网络的逼近采用如下公式
Figure BDA0003909683240000058
其中W为神经网络权值，
Figure BDA0003909683240000059
为高斯基函数的输出。
其中神经网络权值的自适应率为
Figure BDA00039096832400000510
其中γ为一正系数，P为正定的对阵矩阵，且满足ATP＝PA。
通过神经网络对权值的在线自适应调整，可以迅速逼近系统的扰动F，从而实现图像空间内的在线补偿。
S5力矩控制器基于所述补偿结果对六自由度并联摇摆台进行控制。
具体的，在六自由度并联摇摆台的控制系统中给定预设的运动轨迹，通过相机采集的图像数据作为控制反馈，利用上述控制方法，可以实现此带不确定负载的摇摆台的精准控制。可以最终实现飞机油箱在模拟飞行运动中的波形复现，运动状态复现等任务。
本发明提供的一种六自由度并联摇摆台的视觉伺服神经网络控制方法，带不确定负载的六自由度摇摆台由于其结构复杂，控制输入输出的高度非线性关系，外部负载带来的强烈干扰都会对系统的控制精度产生影响。在不对摇摆台结构做出修改的前提下，本发明首次提出采用视觉伺服结合神经网络实时在线补偿的方法：在观测图像的图像空间内，对外部强干扰进行精准迅速的实时补偿，并结合视觉伺服计算力矩控制器，实现对不确定负载的摇摆台的精准控制。
以上所揭露的仅为本发明一种六自由度并联摇摆台的视觉伺服神经网络控制方法较佳实施例而已，当然不能以此来限定本发明之权利范围，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流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (6)

1.一种六自由度并联摇摆台的视觉伺服神经网络控制方法，其特征在于，包括以下步骤：
六自由度并联摇摆台上设置不确定负载和相机，并为所述相机采集的待观测图像中设置图像点，得到图像特征；
基于所述图像特征、机器人运动学和视觉伺服方程构建机器人视觉伺服动力学方程；
基于给定图像视觉轨迹与实时反馈图像特征信息，得到外部扰动在图像空间上的投影；
基于所述机器人视觉伺服动力学方程和所述外部扰动在图像空间上的投影通过神经网络对系统扰动进行估计后补偿，得到补偿结果；
力矩控制器基于所述补偿结果对六自由度并联摇摆台进行控制。
2.如权利要求1所述的六自由度并联摇摆台的视觉伺服神经网络控制方法，其特征在于，
所述六自由度并联摇摆台上设置不确定负载和相机，包括：
在六自由度并联摇摆台的末端执行器上载带不确定负载；
在所述六自由度并联摇摆台底部中心安装相机。
3.如权利要求2所述的六自由度并联摇摆台的视觉伺服神经网络控制方法，其特征在于，
所述基于所述图像特征、机器人运动学和视觉伺服方程构建机器人视觉伺服动力学方程，包括：
基于所述图像特征构建图像空间与机器人关节的对应关系；
对所述对应关系进行微分，得到图像特征变换加速度与驱动关节变换加速度之间的关系；
联立所述关系与机器人动力学方程，得到机器人视觉伺服动力学方程。
4.如权利要求3所述的六自由度并联摇摆台的视觉伺服神经网络控制方法，其特征在于，
所述神经网络为局部近似神经网络。
5.如权利要求4所述的六自由度并联摇摆台的视觉伺服神经网络控制方法，其特征在于，
所述基于所述机器人视觉伺服动力学方程和所述外部扰动在图像空间上的投影通过神经网络对系统扰动进行估计后补偿，得到补偿结果，包括：
通过局部近似神经网络构建实时补偿器；
基于所述机器人视觉伺服动力学方程和所述外部扰动在图像空间上的投影使用所述实时补偿器对所述系统扰动进行估计后补偿，得到补偿结果。
6.如权利要求5所述的六自由度并联摇摆台的视觉伺服神经网络控制方法，其特征在于，
所述图像点的数量为四个。
CN202211326999.XA 2022-10-26 一种六自由度并联摇摆台的视觉伺服神经网络控制方法 Active CN115598966B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211326999.XA CN115598966B (zh) 2022-10-26 一种六自由度并联摇摆台的视觉伺服神经网络控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211326999.XA CN115598966B (zh) 2022-10-26 一种六自由度并联摇摆台的视觉伺服神经网络控制方法

Publications (2)

Publication Number Publication Date
CN115598966A true CN115598966A (zh) 2023-01-13
CN115598966B CN115598966B (zh) 2024-07-12

Family

ID=

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102528821A (zh) * 2011-12-31 2012-07-04 北京工业大学 一种基于多独立云台的仿生多目视觉物理平台
CN104808490A (zh) * 2015-03-10 2015-07-29 浙江工业大学 一种面向模具保护的基于回声状态网络估计图像雅克比矩阵的无标定视觉伺服控制方法
US20160225155A1 (en) * 2015-01-29 2016-08-04 Industry-Academic Cooperation Foundation, Yonsei University System and method for image-based structural health monitoring suitable for structures having uncertain load conditions and support conditions
RU2015150517A (ru) * 2015-11-25 2017-06-02 Акционерное общество "Концерн "Гранит-Электрон" Устройство полунатурного моделирования системы управления беспилотным летательным аппаратом с радиолокационным визиром
US20170301109A1 (en) * 2016-04-15 2017-10-19 Massachusetts Institute Of Technology Systems and methods for dynamic planning and operation of autonomous systems using image observation and information theory
CN110717927A (zh) * 2019-10-10 2020-01-21 桂林电子科技大学 基于深度学习和视惯融合的室内机器人运动估计方法
CN112180729A (zh) * 2020-10-09 2021-01-05 电子科技大学中山学院 一种机械臂自适应轨迹跟踪控制方法
WO2021203242A1 (zh) * 2020-04-07 2021-10-14 东莞理工学院 基于深度学习的mimo多天线信号传输与检测技术
US20210320495A1 (en) * 2020-04-14 2021-10-14 The Catholic University Of America Systems and methods for improving load energy forecasting in the presence of distributed energy resources
CN113805481A (zh) * 2021-08-11 2021-12-17 广东工业大学 一种基于视觉反馈的四旋翼飞行器自适应神经网络定位控制方法
WO2022104249A1 (en) * 2020-11-16 2022-05-19 Qualcomm Technologies, Inc. Lingually constrained tracking of visual objects
WO2022133382A1 (en) * 2020-12-16 2022-06-23 Qualcomm Incorporated Semantic refinement of image regions
CN114723977A (zh) * 2022-04-08 2022-07-08 广东工业大学 一种用于视觉slam系统的稳定特征点识别方法
WO2022187162A1 (en) * 2021-03-01 2022-09-09 Nvidia Corporation Techniques to identify data used to train one or more neural networks

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102528821A (zh) * 2011-12-31 2012-07-04 北京工业大学 一种基于多独立云台的仿生多目视觉物理平台
US20160225155A1 (en) * 2015-01-29 2016-08-04 Industry-Academic Cooperation Foundation, Yonsei University System and method for image-based structural health monitoring suitable for structures having uncertain load conditions and support conditions
CN104808490A (zh) * 2015-03-10 2015-07-29 浙江工业大学 一种面向模具保护的基于回声状态网络估计图像雅克比矩阵的无标定视觉伺服控制方法
RU2015150517A (ru) * 2015-11-25 2017-06-02 Акционерное общество "Концерн "Гранит-Электрон" Устройство полунатурного моделирования системы управления беспилотным летательным аппаратом с радиолокационным визиром
US20170301109A1 (en) * 2016-04-15 2017-10-19 Massachusetts Institute Of Technology Systems and methods for dynamic planning and operation of autonomous systems using image observation and information theory
CN110717927A (zh) * 2019-10-10 2020-01-21 桂林电子科技大学 基于深度学习和视惯融合的室内机器人运动估计方法
WO2021203242A1 (zh) * 2020-04-07 2021-10-14 东莞理工学院 基于深度学习的mimo多天线信号传输与检测技术
US20210320495A1 (en) * 2020-04-14 2021-10-14 The Catholic University Of America Systems and methods for improving load energy forecasting in the presence of distributed energy resources
CN112180729A (zh) * 2020-10-09 2021-01-05 电子科技大学中山学院 一种机械臂自适应轨迹跟踪控制方法
WO2022104249A1 (en) * 2020-11-16 2022-05-19 Qualcomm Technologies, Inc. Lingually constrained tracking of visual objects
WO2022133382A1 (en) * 2020-12-16 2022-06-23 Qualcomm Incorporated Semantic refinement of image regions
WO2022187162A1 (en) * 2021-03-01 2022-09-09 Nvidia Corporation Techniques to identify data used to train one or more neural networks
CN113805481A (zh) * 2021-08-11 2021-12-17 广东工业大学 一种基于视觉反馈的四旋翼飞行器自适应神经网络定位控制方法
CN114723977A (zh) * 2022-04-08 2022-07-08 广东工业大学 一种用于视觉slam系统的稳定特征点识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RESHMA SAJEEV，等: "Design and Implementation of a Robot Pose Predicting Recurrent Neural Network for Visual Servoing Application", IEEE, 31 December 2021 (2021-12-31), pages 252 - 256 *
郝轶宁，等: "基于神经网络的六自由度摇摆台位置正解", 北京理工大学学报, vol. 23, no. 6, 31 December 2003 (2003-12-31), pages 736 - 739 *

Similar Documents

Publication Publication Date Title
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
CN111185907B (zh) 一种作业型飞行机器人抓取后的位姿稳定控制方法
CN110531776B (zh) 基于自抗扰控制技术的四旋翼飞行器位置控制方法和系统
CN108241292B (zh) 一种基于扩张状态观测器的水下机器人滑模控制方法
CN109062043B (zh) 考虑网络传输以及执行器饱和的航天器自抗扰控制方法
CN107505846B (zh) 一种空间机械臂系统抗干扰姿态协调验证装置及控制方法
CN110376882A (zh) 基于有限时间扩张状态观测器的预定性能控制方法
CN108267952B (zh) 一种水下机器人自适应有限时间控制方法
CN107450579A (zh) 一种搭载机械臂的四旋翼飞行器平衡作业控制方法
CN111198570B (zh) 一种基于固定时间微分器预测的抗时延高精度自抗扰姿态控制方法
CN111258216A (zh) 一种适用于四旋翼飞行器的滑模重复控制器
CN111638654A (zh) 一种故障自适应的运载火箭智能控制半实物仿真方法
CN113650020A (zh) 一种机械臂系统有限时间自适应镇定控制方法和系统
Gao et al. Adaptive integral backstepping control for a 3-DOF helicopter
Gomes et al. Active control to flexible manipulators
CN109976364B (zh) 一种六旋翼飞行器姿态解耦控制方法
CN106200383A (zh) 一种基于模型参考自适应神经网络的三轴惯性稳定平台控制方法
Zhang et al. Adaptive disturbance observer-based dual-loop integral-type fast terminal sliding mode control for micro spacecraft and its gimbal tracking device
CN112276952B (zh) 一种多机器人系统的鲁棒同时镇定方法及系统
CN107102549B (zh) 参数不确定条件下空间绳系机器人目标逼近姿轨稳定控制方法
CN115598966B (zh) 一种六自由度并联摇摆台的视觉伺服神经网络控制方法
CN115598966A (zh) 一种六自由度并联摇摆台的视觉伺服神经网络控制方法
CN110053054B (zh) 基于Android手机IMU的机械臂示教方法
CN110647161A (zh) 基于状态预测补偿的欠驱动uuv水平面轨迹跟踪控制方法
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