CN115609592A - 一种机械臂自适应跟踪控制方法 - Google Patents
一种机械臂自适应跟踪控制方法 Download PDFInfo
- Publication number
- CN115609592A CN115609592A CN202211466576.8A CN202211466576A CN115609592A CN 115609592 A CN115609592 A CN 115609592A CN 202211466576 A CN202211466576 A CN 202211466576A CN 115609592 A CN115609592 A CN 115609592A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- joint
- preset
- follows
- adaptive
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000003044 adaptive effect Effects 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 125000004432 carbon atom Chemical group C* 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229920002126 Acrylic acid copolymer Polymers 0.000 description 1
- 238000010669 acid-base reaction Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000000047 product Substances 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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- 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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本申请属于自动化控制技术领域,公开了一种机械臂自适应跟踪控制方法,包括步骤:利用光滑函数逼近机械臂系统的控制输入,以建立新机械臂系统;采用时滞估计方法来估计所述新机械臂系统的综合不确定性;根据预设的机械臂跟踪误差轨迹边界约束和所述综合不确定性,生成自适应控制器用以通过所述新机械臂系统对所述机械臂进行控制,使机械臂的跟踪误差在预设的收敛时间内收敛至预设的稳态跟踪精度;该方法不依赖于精确动力学模型且能够使机械臂按预设精度和收敛时间跟踪上目标轨迹。
Description
技术领域
本申请涉及自动化控制技术领域,具体而言,涉及一种机械臂自适应跟踪控制方法。
背景技术
机械臂被广泛应用于如工业生产过程、医疗服务、太空在轨操作等各个领域。随着对机械臂快速响应和高精度控制的要求越来越高,如何提高机械臂的控制性能仍然是一个需要继续研究的问题。
由于机械臂具有参数不确定性、强耦合、非线性摩擦等特殊特性,在实际工程应用中很难建立精确的机械臂系统动力学模型。因此,研究不依赖精确动力学模型的机械臂跟踪控制方法显得尤为重要。不仅如此,人们还希望对于机械臂的跟踪误差能够预先设定其收敛精度和收敛时间,与一般的预设性能不同的是,希望对于给定的预设性能,初值不再受限。同时,由于物理条件的约束,机械臂的控制输入天然存在约束,如何在输入受限的情况下以及不基于模型信息实现机械臂按预设精度和收敛时间跟踪上目标轨迹,是一个亟待解决的技术问题。
发明内容
本申请的目的在于提供一种机械臂自适应跟踪控制方法,不依赖于精确动力学模型且能够使机械臂按预设精度和收敛时间跟踪上目标轨迹。
本申请提供了一种机械臂自适应跟踪控制方法,用于对带有外部扰动和控制输入受约束的机械臂进行控制,包括步骤:
A1.利用光滑函数逼近机械臂系统的控制输入,以建立新机械臂系统;
A2.采用时滞估计方法来估计所述新机械臂系统的综合不确定性;
A3.根据预设的机械臂跟踪误差轨迹边界约束和所述综合不确定性,生成自适应控制器用以通过所述新机械臂系统对所述机械臂进行控制,使机械臂的跟踪误差在预设的收敛时间内收敛至预设的稳态跟踪精度。
该机械臂自适应跟踪控制方法通过生成具有可预设收敛时间的无模型自适应控制器以对机械臂进行控制,使得跟踪误差在预设的界内按预设时间收敛到预设的精度内,且该方法不依赖于机械臂系统动力学模型的精确性,避免为实际系统建立精确模型的困难。
具体的,所述机械臂系统为:
所述机械臂系统的控制输入受到的约束为:
优选地,所述光滑函数为:
其中,为所述光滑函数,为调节参数向量,且,为第个关节的光滑函数值,为第个关节的调节参数,为第1个至第个关节的光滑函数值,为第1个至第个关节的调节参数,为第个关节的参考上界值,为第个关节的参考下界值,为转置符号。
通过引入该光滑函数来逼近机械臂系统的控制输入,可使最终由自适应控制器决定的控制力矩变得更平滑。
优选地,所述新机械臂系统为:
优选地,所述综合不确定性为:
步骤A2包括:
根据以下公式计算所述新机械臂系统的所述综合不确定性的估计值:
通过以上时滞估计方法来估计所述新机械臂系统的综合不确定性,相比于其它的智能算法,需要调节的参数少,结构简单,计算量小,更容易应用于实际系统。
优选地,所述机械臂跟踪误差轨迹边界约束为:
其中,为第个关节的跟踪误差,为第个关节的预设的大于零的约束下界系数,为第个关节的预设的大于零的约束上界系数,为第个关节的跟踪误差约束参数,为第个关节的预设的收敛时间,为第个关节的预设的稳态跟踪精度,为预设正整数,且满足。
优选地,步骤A3包括:
A301.根据所述机械臂跟踪误差轨迹边界约束,生成多个中间变量;
A302.根据所述中间变量和所述综合不确定性生成自适应控制器;
A303.把所述自适应控制器代入所述新机械臂系统以对所述机械臂进行控制。
优选地,步骤A301包括:
B1.根据所述机械臂跟踪误差轨迹边界约束生成以下第一中间变量:
B2.根据所述第一中间变量生成以下第二中间变量:
B3.根据所述第二中间变量生成以下第三中间变量:
B4.生成第四中间变量和第五中间变量,以使所述第四中间变量和所述第五中间变量满足以下条件:
具体地,所述第四中间变量和所述第五中间变量为:
优选地,步骤A302包括:
根据所述中间变量和所述综合不确定性生成以下自适应控制器:
其中,为第六中间变量向量,且,;为虚拟控制量,为的一阶导数,为的一阶导数,为跟踪误差向量,且,为大于零的第三预设参数,为的逆矩阵,为第四中间变量对角矩阵,且;为第三中间变量向量,且;为第五中间变量向量,且;为大于零的第四预设参数;
其中,引入辅助变量是为了处理控制输入受限的问题,引入自适应变量是为了补偿时滞估计方法的估计误差。
有益效果:
本申请提供的机械臂自适应跟踪控制方法,通过生成具有可预设收敛时间的无模型自适应控制器以对机械臂进行控制,使得跟踪误差在预设的界内按预设时间收敛到预设的精度内,且该方法不依赖于机械臂系统动力学模型的精确性,避免为实际系统建立精确模型的困难。
附图说明
图1为本申请实施例提供的机械臂自适应跟踪控制方法的流程图。
图2为实施例一中的在不同关节初始位置下的第一个关节的跟踪误差的轨迹。
图3为图2中A1部分的放大图。
图4为图2中A2部分的放大图。
图5为实施例一中的在不同关节初始位置下的第二个关节的跟踪误差的轨迹。
图6为图5中A3部分的放大图。
图7为图5中A4部分的放大图。
图8为实施例一中的在不同关节初始位置下的第一个关节的控制输入的轨迹。
图9为实施例一中的在不同关节初始位置下的第二个关节的控制输入的轨迹。
具体实施方式
下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的一种机械臂自适应跟踪控制方法,用于对带有外部扰动和控制输入受约束的机械臂(多轴机械臂)进行控制,包括步骤:
A1.利用光滑函数逼近机械臂系统的控制输入,以建立新机械臂系统;
A2.采用时滞估计方法来估计新机械臂系统的综合不确定性;
A3.根据预设的机械臂跟踪误差轨迹边界约束和综合不确定性,生成自适应控制器用以通过新机械臂系统对机械臂进行控制,使机械臂的跟踪误差在预设的收敛时间内收敛至预设的稳态跟踪精度。
该机械臂自适应跟踪控制方法通过生成具有可预设收敛时间的无模型自适应控制器以对机械臂进行控制,使得跟踪误差在预设的界内按预设时间收敛到预设的精度内,且该方法不依赖于机械臂系统动力学模型的精确性,避免为实际系统建立精确模型的困难。
具体的,机械臂系统为:
机械臂系统的控制输入受到的约束为:
此处,、、均为多维向量,分别包括机械臂各关节的位置、速度和加速度;对应地,、均为方阵(若机械臂的关节数量为,则、均为阶方阵,其具体值由机械臂结构决定);为多维向量,包括各关节的重力梯度力矩(其具体值由机械臂结构决定);为多维向量,包括各关节的控制输入,即;为多维向量,包括各关节的控制力矩,即;为转置符号;为多维向量,包括各关节的外部扰动。
在一些优选实施方式中,光滑函数为:
其中, 为光滑函数,为调节参数向量,且,为第个关节的光滑函数值,为第个关节的调节参数,为第1个至第个关节的光滑函数值,为第1个至第个关节的调节参数(可根据实际需要设置),为第个关节的参考上界值(可根据实际需要设置),为第个关节的参考下界值(可根据实际需要设置),为转置符号。
通过引入该光滑函数来逼近机械臂系统的控制输入,可使最终由自适应控制器决定的控制力矩变得更平滑。
进一步地,新机械臂系统为:
优选地,步骤A2中的综合不确定性为:
从而,步骤A2包括:
根据以下公式计算新机械臂系统的综合不确定性的估计值:
通过以上时滞估计方法(TDE方法)来估计新机械臂系统的综合不确定性,相比于其它的智能算法,需要调节的参数少,结构简单,计算量小,更容易应用于实际系统。
通过TDE方法来估计新机械臂系统的综合不确定性时,有:
把公式(2)代入公式(3)即可得到公式(1)。
优选地,机械臂跟踪误差轨迹边界约束为:
其中,为第个关节的跟踪误差(即关节的实际位置与目标位置之间的误差),为第个关节的预设的大于零的约束下界系数,为第个关节的预设的大于零的约束上界系数,为第个关节的跟踪误差约束参数,为第个关节的预设的收敛时间,为第个关节的预设的稳态跟踪精度,为预设正整数(可根据实际需要设置),且满足。
优选地,步骤A3包括:
A301.根据机械臂跟踪误差轨迹边界约束,生成多个中间变量;
A302.根据中间变量和综合不确定性生成自适应控制器;
A303.把自适应控制器代入新机械臂系统以对机械臂进行控制。
具体地,步骤A301包括:
B1.根据机械臂跟踪误差轨迹边界约束生成以下第一中间变量:
B2.根据第一中间变量生成以下第二中间变量:
B3.根据第二中间变量生成以下第三中间变量:
B4.生成第四中间变量和第五中间变量,以使第四中间变量和第五中间变量满足以下条件:
具体地,第四中间变量和第五中间变量为:
具体地,步骤A302包括:
根据中间变量和综合不确定性生成以下自适应控制器:
其中,为第六中间变量向量,且,;为虚拟控制量,为的一阶导数,为的一阶导数,为跟踪误差向量,且,为大于零的第三预设参数(可根据实际需要设置),为的逆矩阵,为第四中间变量对角矩阵,且;为第三中间变量向量,且;为第五中间变量向量,且;为大于零的第四预设参数(可根据实际需要设置);
其中,引入辅助变量是为了处理控制输入受限的问题,引入自适应变量是为了补偿时滞估计方法的估计误差。
基于该自适应控制器,能够有效保证机械臂的跟踪精度在预设的收敛时间内收敛至预设的稳态跟踪精度,从而不依赖于精确动力学模型且能够使机械臂按预设精度和收敛时间跟踪上目标轨迹。
实施例一
第一个关节要跟踪的目标轨迹为:
第二个关节要跟踪的目标轨迹为:
在仿真中,采用Runge-Kutta方法来离散化连续系统,并设置:为3,为200,为0.01,为6,为1,为1,的初值为[0;0],的初值为0, 两个关节的控制输入上界(即和)均为200Nm,两个关节的控制输入下界(即和)均为-200Nm,两个关节的稳态跟踪精度(和)均为0.01,两个关节的约束下界系数和约束上界系数(即、、和)均为1,两个关节的收敛时间(即和)均为2s,为2, ,为200Nm,为-200Nm, 为700,为40,为25,。
其中,分别考虑关节的初始位置为、、、,得到的第一个关节的跟踪误差的轨迹如图2所示(图中横坐标的单位为秒,纵坐标的单位为弧度),图3为图2中A1部分的放大图,图4为图2中A2部分的放大图(在图4中,四条跟踪误差轨迹线收敛至零导致重合,因此只能看到一条跟踪误差轨迹线),第二个关节的跟踪误差的轨迹如图5所示(图中横坐标的单位为秒,纵坐标的单位为弧度),图6为图5中A3部分的放大图,图7为图5中A4部分的放大图(在图7中,四条跟踪误差轨迹线收敛至零导致重合,因此只能看到一条跟踪误差轨迹线),第一个关节的控制输入的轨迹如图8所示,第二个关节的控制输入的轨迹如图9所示(图8和图9中的横坐标的单位为秒,纵坐标的单位为Nm),从图中可以看到,对于多种不同的初始位置,在预设的收敛时间2s内两个关节的跟踪误差均可收敛至预设的稳态跟踪精度0.01以内;说明上述控制方法对于任意初值均是适用的。
综上所述,本申请提供的机械臂自适应跟踪控制方法,通过生成具有可预设收敛时间的无模型自适应控制器以对机械臂进行控制,使得跟踪误差在预设的界内按预设时间收敛到预设的精度内,且该方法不依赖于机械臂系统动力学模型的精确性,避免为实际系统建立精确模型的困难。具体具有以下优点:
1.不依赖机械臂系统动力学模型的精确性,避免了实际系统中重建模型的困难;
2.采用的TDE方法来估计新机械臂系统的综合不确定性,相比于其它的智能算法,需要调节的参数少,结构简单,计算量小,更容易应用于实际系统;
3.收敛时间和稳态跟踪精度可根据需要进行预设,且跟踪误差的初值不受约束,可实现全局收敛,能使跟踪误差在规定的有限时间内收敛到预设的精度内。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种机械臂自适应跟踪控制方法,用于对带有外部扰动和控制输入受约束的机械臂进行控制,其特征在于,包括步骤:
A1.利用光滑函数逼近机械臂系统的控制输入,以建立新机械臂系统;
A2.采用时滞估计方法来估计所述新机械臂系统的综合不确定性;
A3.根据预设的机械臂跟踪误差轨迹边界约束和所述综合不确定性,生成自适应控制器用以通过所述新机械臂系统对所述机械臂进行控制,使机械臂的跟踪误差在预设的收敛时间内收敛至预设的稳态跟踪精度。
7.根据权利要求6所述的机械臂自适应跟踪控制方法,其特征在于,步骤A3包括:
A301.根据所述机械臂跟踪误差轨迹边界约束,生成多个中间变量;
A302.根据所述中间变量和所述综合不确定性生成自适应控制器;
A303.把所述自适应控制器代入所述新机械臂系统以对所述机械臂进行控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211466576.8A CN115609592B (zh) | 2022-11-22 | 2022-11-22 | 一种机械臂自适应跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211466576.8A CN115609592B (zh) | 2022-11-22 | 2022-11-22 | 一种机械臂自适应跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115609592A true CN115609592A (zh) | 2023-01-17 |
CN115609592B CN115609592B (zh) | 2023-03-07 |
Family
ID=84878372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211466576.8A Active CN115609592B (zh) | 2022-11-22 | 2022-11-22 | 一种机械臂自适应跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115609592B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120037128A (ko) * | 2010-10-11 | 2012-04-19 | 한국과학기술원 | 시간지연추정을 이용한 로봇시스템의 외력 추정방법 |
CN104950677A (zh) * | 2015-06-17 | 2015-09-30 | 浙江工业大学 | 基于反演滑模控制的机械臂系统饱和补偿控制方法 |
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 |
CN109976161A (zh) * | 2019-04-23 | 2019-07-05 | 哈尔滨工业大学 | 一种不确定非线性系统的有限时间优化跟踪控制方法 |
CN110154028A (zh) * | 2019-05-29 | 2019-08-23 | 天津大学 | 机械臂无模型自适应积分终端滑模控制方法 |
CN110181510A (zh) * | 2019-05-21 | 2019-08-30 | 南京航空航天大学 | 一种基于时延估计与模糊逻辑的机械臂轨迹跟踪控制方法 |
CN111152225A (zh) * | 2020-01-15 | 2020-05-15 | 北京科技大学 | 存在输入饱和的不确定机械臂固定时间轨迹跟踪控制方法 |
CN111496792A (zh) * | 2020-04-27 | 2020-08-07 | 北京科技大学 | 一种机械臂输入饱和固定时间轨迹跟踪控制方法及系统 |
-
2022
- 2022-11-22 CN CN202211466576.8A patent/CN115609592B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120037128A (ko) * | 2010-10-11 | 2012-04-19 | 한국과학기술원 | 시간지연추정을 이용한 로봇시스템의 외력 추정방법 |
CN104950677A (zh) * | 2015-06-17 | 2015-09-30 | 浙江工业大学 | 基于反演滑模控制的机械臂系统饱和补偿控制方法 |
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 |
CN109976161A (zh) * | 2019-04-23 | 2019-07-05 | 哈尔滨工业大学 | 一种不确定非线性系统的有限时间优化跟踪控制方法 |
CN110181510A (zh) * | 2019-05-21 | 2019-08-30 | 南京航空航天大学 | 一种基于时延估计与模糊逻辑的机械臂轨迹跟踪控制方法 |
CN110154028A (zh) * | 2019-05-29 | 2019-08-23 | 天津大学 | 机械臂无模型自适应积分终端滑模控制方法 |
CN111152225A (zh) * | 2020-01-15 | 2020-05-15 | 北京科技大学 | 存在输入饱和的不确定机械臂固定时间轨迹跟踪控制方法 |
CN111496792A (zh) * | 2020-04-27 | 2020-08-07 | 北京科技大学 | 一种机械臂输入饱和固定时间轨迹跟踪控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
徐飞: "机械臂轨迹跟踪的控制优化算法研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN115609592B (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018023201A1 (zh) | 一种自适应终端滑模控制方法 | |
Liu et al. | Barrier Lyapunov functions-based adaptive control for a class of nonlinear pure-feedback systems with full state constraints | |
CN108803326B (zh) | 具有干扰和时延的工业机械臂线性自抗扰跟踪控制方法 | |
CN105116934B (zh) | 基于自适应滑模补偿的双框架mscmg框架系统高精度控制方法 | |
Nasir et al. | Performance comparison between sliding mode control (SMC) and PD-PID controllers for a nonlinear inverted pendulum system | |
CN103728988B (zh) | 基于内模的scara机器人轨迹跟踪控制方法 | |
CN115256386B (zh) | 考虑跟踪误差约束的不确定机械臂神经自适应控制方法 | |
CN108555914B (zh) | 一种基于腱驱动灵巧手的dnn神经网络自适应控制方法 | |
CN112947077B (zh) | 一种基于切换性能函数技术的auv鲁棒轨迹跟踪控制方法 | |
CN105045103A (zh) | 一种基于LuGre摩擦模型伺服机械手摩擦补偿控制系统及方法 | |
Gujjula et al. | Adaptive and neural control of a wing section using leading-and trailing-edge surfaces | |
CN115502986B (zh) | 基于状态观测器的多关节机械臂事件驱动控制方法 | |
CN113050417A (zh) | 全状态约束机械臂的快速有限时间控制器的设计方法 | |
CN113110048A (zh) | 采用hosm观测器的非线性系统输出反馈自适应控制系统和方法 | |
CN105549607A (zh) | 一种卫星姿态控制系统故障可重构的执行器构型设计方法 | |
Hu et al. | Prescribed time tracking control without velocity measurement for dual-arm robots | |
CN117484499B (zh) | 一种机械臂鲁棒轨迹跟踪的scara机器人 | |
CN115609592A (zh) | 一种机械臂自适应跟踪控制方法 | |
CN108656111A (zh) | 一种基于均值耦合的双机械臂系统有限时间参数辨识与位置同步控制方法 | |
CN108406766B (zh) | 一种基于复合积分滑模的多机械臂系统同步控制方法 | |
CN108415247B (zh) | 一种基于标称信息的时标分离飞行器弹性体鲁棒控制方法 | |
CN116175588A (zh) | 一种机器人自适应神经滑模控制方法、设备及介质 | |
Mohammed et al. | Optimal controller design for the system of ball-on-sphere: the linear quadratic Gaussian (LQG) case | |
Han et al. | Adaptive wave neural network nonsingular terminal sliding mode control for an underwater manipulator with force estimation | |
Lee et al. | Robust back-stepping control for flexible-joint robot manipulators |
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 |