CN115981162A - 一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法 - Google Patents

一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法 Download PDF

Info

Publication number
CN115981162A
CN115981162A CN202310078553.8A CN202310078553A CN115981162A CN 115981162 A CN115981162 A CN 115981162A CN 202310078553 A CN202310078553 A CN 202310078553A CN 115981162 A CN115981162 A CN 115981162A
Authority
CN
China
Prior art keywords
sliding mode
disturbance observer
novel
equation
mechanical arm
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.)
Pending
Application number
CN202310078553.8A
Other languages
English (en)
Inventor
王树波
孙传斌
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.)
Qingdao University
Original Assignee
Qingdao University
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 Qingdao University filed Critical Qingdao University
Priority to CN202310078553.8A priority Critical patent/CN115981162A/zh
Publication of CN115981162A publication Critical patent/CN115981162A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Feedback Control In General (AREA)

Abstract

本发明属于机器人系统轨迹跟踪技术领域，具体涉及一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法，包括以下步骤：建立n关节机器人的动力学模型，初始化系统状态、采样时间和系统参数；通过滤波操作和不变流形来估计系统中存在的扰动，设计了仅具有一个可调节参数的扰动观测器；提出了一种新型滑模面，可以在加速系统收敛的同时有效的抑制系统抖振；而后基于所提出的扰动观测器和滑模面，设计了一种复合滑模控制方法，可以使机器人系统获得更好的动态性能。该方法只需要简单的参数调节即可实现系统快速收敛，并有效地抑制了抖振现象，显著提高了机器人系统的轨迹跟踪控制精度。

Description

一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法
技术领域：
本发明属于机器人系统轨迹跟踪技术领域，具体涉及一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法。
背景技术：
机器人系统已广泛应用于汽车制造、医疗康复和救援以及其他领域。但是由于机器人系统是一个复杂的多输入多输出非线性系统，系统中的不确定参数、非线性摩擦和外部的干扰等问题可能会对系统的控制性能产生影响。传统的比例积分微分控制器由于实现难度低，最先被应用于机器人系统的轨迹跟踪控制。然而，线性反馈机制不能良好的解决未知干扰对系统带来的影响，因此开发了许多先进的控制方法，例如自适应控制、模糊控制、自抗扰控制、模型预测控制和滑模控制等。
在上述方法中，滑模控制方案由于其强鲁棒性而被公认为是优质的控制方法。然而，传统的滑模控制方法存在抖振和收敛时间不确定的问题。为了加速系统的收敛，终端滑模控制方案被提出，但是滑模面中存在的指数项致使其在定义域中存在奇点；而后中国专利CN109951121A提出了一种非奇异终端滑模控制方法，克服了终端滑模中的奇异性问题，但是当系统收敛到平衡点附近时，它的收敛速度会变慢；中国专利CN115562006A公开了一种非奇异快速终端滑模控制方案，通过将误差转换可以实现快速收敛的同时也能够抑制系统产生抖振现象。
上述提出的方法虽然可以提高系统的性能，但一些未知系统动态的影响仍然是不可避免的。为了解决这个问题，已经有多种观测器被提出，例如扰动观测器和非线性扰动观测器。中国专利CN115047891A中设计的扩展状态观测器可以针对系统的集中不确定性获得更好的跟踪结果。然而，所有这些方法都需要计算系统输出的加速度信号，这在实际应用中通常是无法直接被获取的。
发明内容：
本发明的目的是为了克服现有技术的缺点，提出一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法，通过将扰动观测器和新型滑模面结合，能够在保证系统快速收敛的同时有效地抑制系统的抖振。
为了实现上述目的，本发明提供一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法，包括以下步骤：
S1、建立n关节机械臂的动力学模型，初始化系统状态、采样时间和系统参数，过程如下：
S1.1设期望的n关节串联机械臂末端位姿信息为P，P∈R4×4，由机械臂逆运动学将末端位姿信息P解算为各关节的期望关节角qd，qd∈Rn即qd＝[q1d,q2d,…,qdn]T，Rn表示n维矩阵；
S1.2建立n关节串联机械臂的动力学模型：
公式(1)中，q、和分别表示位移、速度和加速度矢量，τl∈Rn是输入力矩，M(q)＝M0(q)+ΔM(q)∈Rn×n是对称惯性矩阵，M0(q)＞0是惯性矩阵的标称截面，为已知确定部分，ΔM(q)是不确定部分，表示科氏力矩向量，G(q)∈Rn表示重力扭矩，d表示未知的外部干扰；根据M0(q)矩阵的非奇异性，公式(1)改写为
定义x1(t)＝q(t)，公式(2)被描述为
其中，x1＝[x11,x12,...,x1n]T，x2＝[x21,x22,...,x2n]T，Δ包含了模型中的不确定项和外部扰动项；
S2、设计新型扰动观测器
S2.1重构系统
为了方便设计，重新建模以构造系统动态估计器
其中，和是中间变量；
将公式(1)改写为
其中，是关于时间t的导数，将嵌入中的三个未知项ΔM(q)、G(q)作为内部不确定性，与扰动d一起进行估计；
定义估计的集总动力学为
S2.2构建扰动观测器
通过公式(5)和公式(6)可以重新整理为
其中为观测器的适应性力矩，因为M0(q)是已知的惯性矩阵的标称截面，故是必定存在的可求项，是已知项；
基于公式(7)设计扰动观测器，使用和τ来重构集总动力学ε；定义公式(7)中的变量τ的过滤变量为和τf如下：
k＞0，是一个标量滤波器参数，公式(8)中的低通滤波器旨在导出一个恒等式，在不使用加速度的前提下用于构造扰动观测器，以下公式中
考虑公式(7)、(8)中定义的滤波变量，定义Z＝(F-Ff)/k-τf-ε＝0在任意正数k下都成立，且恒成立；
ε及其导数是有界的，即对于任意常数恒成立；通过设立一个Lyapunov函数V＝ZTZ/2,并对项运用杨氏不等式aTb≤aTa/2k+kbTb/2可得
即证明了VZ(t)和Z(t)有界，其中Z(t)将指数收敛到显然其极限是由常数k和ε的上界决定的，即对任意的
这说明Z＝0是恒成立的；
上述证明Z＝0表明了变量(F,Ff,τ)和集总动力学ε之间的关系，因此，对ε可以构造观测器为
在公式(8)和公式(11)中用于构造估计器的变量不使用加速度信号；因此，估计器中仅使用测量的关节位移q和速度在以下开发中，为了寻求简单的符号，除非必要，否则不会使用函数中的坐标
由式(7)、(8)和(11)推出，是恒成立的，其中εf由式得出，是ε通过低通滤波器之后的值；估计误差可由下式表示：
在公式(7)两端引用公式(8)中的滤波操作，根据公式(8)中的第一个等式，可以得到下式：
由式(11)和(13)得出是成立的；根据定义得出估计误差为由此可得估计误差的导数为
选择Lyapunov函数为且通过式(14)和杨氏不等式计算其时间的导数为
对于具有未知动态估计器的系统，对集总不确定性ε的估计误差是有界的(即当k→0或时，成立；
引入扰动观测器(11)后的状态方程(2)改写为
S3、针对上述公式(16)，设计一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法；将系统跟踪误差定义为
其中e1＝[e11,e12,…,e1n]T，e2＝[e21,e22,…,e2n]T，则误差系统的导数可表示为
基于n关节串联机械臂动力学模型，提出一种新型的滑模面，设计基于扰动观测器的滑模控制器，完成机械臂轨迹跟踪；具体步骤如下：
S3.1设计新型滑模面
为了克服经典终端滑模面的奇异性和不能全局快速收敛的缺点，设计一种新的非奇异终端滑模面如下：
s＝αln(ks|e1|+1)sgn(e1)+e2                          (19)
其导数为
在式(19)和(20)中，α,ks∈R+，是自定义参数；
S3.2设计控制律
结合公式(19)中的滑模面，提出的基于扰动观测器的有限时间滑模控制方案如下：
其中k0＞0，k1＞0，为自定义参数，s是公式(19)中提出的滑模面；
S4、选择李雅普诺夫函数，证明系统稳定性
将式(21)中设计的控制力矩代入式(20)中可得
化简后可得
设Lyapunov函数为则将式(14)(15)和(23)代入中 ，得
其中且证明整个闭环系统是半全局渐进稳定的，当t→∞时，滑动变量s和观测误差会指数收敛于一个紧集。
本发明与现有技术相比，针对n关节串联机械臂系统，设计出一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法；通过滤波操作和不变流形来估计系统中存在的扰动，设计的扰动观测器仅具有一个可调节参数；提出的新型滑模面能够在加速系统收敛的同时有效的抑制系统抖振；本发明提出的基于扰动观测器和滑模面的复合控制器能够有效地减少系统的收敛时间，并有效的抑制了抖振现象，同时保证系统的鲁棒性的同时提高了系统的控制精度。
附图说明：
图1为本发明涉及的基于改进型趋近律的机械臂滑模控制轨迹跟踪方法的控制流程示意图。
图2为本发明涉及的二关节机械臂各关节的复合信号下的位置跟踪效果示意图。
图3为本发明涉及的二关节机械臂各关节的复合信号下的位置跟踪误差效果示意图。
图4为本发明涉及的机械臂各关节的控制输入效果示意图。
图5为本发明涉及的扰动观测器观测效果示意图。
图6为本发明涉及的扰动观测器观测误差效果示意图。
具体实施方公式：
下面通过具体实施例并结合附图对本发明做进一步说明。
实施例1：
本实施例涉及的基于扰动观测器的机器人系统滑模控制轨迹跟踪方法，包括以下步骤：
S1、建立n关节机械臂的动力学模型，n∈R+，初始化系统状态、采样时间和系统参数，过程如下：
S1.1设期望的n关节串联机械臂末端位姿信息为P，P∈R4×4，由机械臂逆运动学将末端位姿信息P解算为各关节的期望关节角qd，qd∈Rn即qd＝[q1d,q2d,…,qdn]T，Rn表示n维矩阵；
S1.2建立n关节串联机械臂的动力学模型：
公式(1)中，q、和分别表示位移、速度和加速度矢量，τl∈Rn是输入力矩，M(q)＝M0(q)+ΔM(q)∈Rn×n是对称惯性矩阵，M0(q)＞0是惯性矩阵的标称截面，为已知确定部分，ΔM(q)是不确定部分，表示科氏力矩向量，G(q)∈Rn表示重力扭矩，d表示未知的外部干扰；根据M0(q)矩阵的非奇异性，公式(1)改写为
定义x1(t)＝q(t)，公式(2)被描述为
其中，x1＝[x11,x12,...,x1n]T，x2＝[x21,x22,...,x2n]T，Δ包含了模型中的不确定项和外部扰动项；
S2、设计新型扰动观测器
S2.1重构系统
为了方便设计，重新建模以构造系统动态估计器
其中，和是中间变量。
将公式(1)改写为
其中，是关于时间t的导数，将嵌入中的三个未知项ΔM(q)、G(q)作为内部不确定性，与扰动d一起进行估计；
定义估计的集总动力学为
S2.2构建扰动观测器
通过公式(5)和公式(6)可以重新整理为
其中为观测器的适应性力矩，因为M0(q)是已知的惯性矩阵的标称截面，故是必定存在的可求项，是已知项；
基于公式(7)设计扰动观测器，使用和τ来重构集总动力学ε；定义公式(7)中的变量τ的过滤变量为和τf如下：
k＞0，是一个标量滤波器参数，公式(8)中的低通滤波器旨在导出一个恒等式，在不使用加速度的前提下用于构造扰动观测器，以下公式中
考虑公式(7)、(8)中定义的滤波变量，定义Z＝(F-Ff)/k-τf-ε＝0在任意正数k下都成立，且恒成立；
ε及其导数是有界的，即对于任意常数恒成立；通过设立一个Lyapunov函数VZ＝ZTZ/2,并对项运用杨氏不等式aTb≤aTa//2k+kbTb/2可得
即证明了VZ(t)和Z(t)有界，其中Z(t)将指数收敛到显然其极限是由常数k和ε的上界决定的，即对任意的这说明Z＝0是恒成立的。
上述证明Z＝0表明了变量(F,Ff,τ)和集总动力学ε之间的关系，因此，对ε可以构造观测器为
在公式(8)和公式(11)中用于构造估计器的变量不使用加速度信号。因此，估计器中仅使用测量的关节位移q和速度在以下开发中，为了寻求简单的符号，除非必要，否则不会使用函数中的坐标
由式(7)、(8)和(11)推出，是恒成立的，其中εf由式得出，是ε通过低通滤波器之后的值；估计误差可由下式表示：
在公式(7)两端引用公式(8)中的滤波操作，根据公式(8)中的第一个等式，可以得到下式：
由式(11)和(13)得出是成立的；根据定义得出估计误差为由此可得估计误差的导数为
选择Lyapunov函数为且通过式(14)和杨氏不等式计算其时间的导数为
对于具有未知动态估计器的系统，对集总不确定性ε的估计误差是有界的(即当k→0或时，成立；
引入扰动观测器(11)后的状态方程(2)改写为
S3、针对上述公式(16)，设计一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法；将系统跟踪误差定义为
其中e1＝[e11,e12,…,e1n]T，e2＝[e21,e22,…,e2n]T，则误差系统的导数可表示为
基于n关节串联机械臂动力学模型，提出一种新型的滑模面，设计基于扰动观测器的滑模控制器，完成机械臂轨迹跟踪；具体步骤如下：
S3.1设计新型滑模面
为了克服经典终端滑模面的奇异性和不能全局快速收敛的缺点，设计一种新的非奇异终端滑模面如下：
s＝αln(ks|e1|+1)sgn(e1)+e2                          (19)
其导数为
在式(19)和(20)中，α,ks∈R+，为自定义参数。
S3.2设计控制律
结合公式(19)中的滑模面，提出的基于扰动观测器的有限时间滑模控制方案如下：
其中k0＞0，k1＞0，为自定义参数，s是公式(19)中提出的滑模面；
S4、选择李雅普诺夫函数，证明系统稳定性
将式(21)中设计的控制力矩代入式(20)中可得
化简后可得
设Lyapunov函数为则将式(14)(15)和(23)代入中，得
其中且证明整个闭环系统是半全局渐进稳定的，当t→∞时，滑动变量s和观测误差会指数收敛于一个紧集。实施例2：
为了验证实施例1所述方法的可行性，本实施例给出了上述控制方法在二关节机械臂的控制仿真实验，具体参数设置如下：
建立二关节机械臂的动力学模型为
通过对SCARA机器人进行建模，得到模型(1)中M(q)、和G(q)矩阵为
其中的常参数为α＝m1/4+m2+m3+m4，β＝m3/4+m4，γ＝m3/2+m4，定义变量为c2＝cos(q2)，s2＝sin(q2)，设ΔM(q)＝-0.2M0(q)，根据设计扰动观测器可知， 另设外部扰动为
d＝[0.1sin(t),0.1sin(t)]
机械臂的初始状态和期望信号设置为
二关节机械臂系统物理参数如表1所示。
表1二关节机械臂各参数数据
参数描述 符号 值 单位
第一连杆长度 <![CDATA[l<sub>1</sub>]]> 0.25 m
第二连杆长度 <![CDATA[l<sub>2</sub>]]> 0.25 m
第一连杆质量 <![CDATA[m<sub>1</sub>]]> 3.9 kg
关节质量 <![CDATA[m<sub>2</sub>]]> 5 kg
第二连杆质量 <![CDATA[m<sub>3</sub>]]> 2.7 kg
控制器质量 <![CDATA[m<sub>4</sub>]]> 1.5 kg
在公式(21)所设计的控制力矩中参数选取为α＝[189.5 189.5]T，ks＝[8 8]T，k0＝[10 10]T，k1＝[0.01 0.01]T。
将上述参数代入本发明的控制律和仿真模型中，得到仿真结果为：机械臂关节1和2的位置跟踪响应曲线和位置跟踪误差响应曲线如图2和图3所示；机械臂关节1和2的控制输入响应曲线如图4所示；观测器观测结果及误差如图5和图6所示。
通过图2和图3能够看出，系统上升时间短，响应速度快且跟踪误差小，有良好的控制性能。
通过图4可以看出，系统具有良好的跟踪性能，收敛速度快，且抖振较小。
从图5和图6可以看出，所设计的扰动观测器有很好的观测性能，能对扰动实现有效的观测。
综上所述，基于扰动观测器的滑模控制策略能够有效的提高系统的收敛速度，能有效的抑制系统中的抖振现象，同时具有良好的抗干扰性。

Claims (4)

1.一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法，其特征在于，包括以下步骤：
S1、建立n关节机械臂的动力学模型，初始化系统状态、采样时间和系统参数；
S2、设计新型扰动观测器观测系统的干扰力矩和模型参数不确定；
S3、基于n关节串联机械臂动力学模型，提出一种新型的滑模面，将观测器观测结果前馈补偿到控制力矩中，设计基于扰动观测器的滑模控制器，完成机械臂轨迹跟踪。
2.根据权利要求1所述的基于新型扰动观测器的机械臂滑模控制轨迹跟踪方法，其特征在于，步骤S1具体过程如下：
S1.1设期望的n关节串联机械臂末端位姿信息为P，P∈R4×4，由机械臂逆运动学将末端位姿信息P解算为各关节的期望关节角qd，qd∈Rn即qd＝[q1d,q2d,…,qdn]T，Rn表示n维矩阵；
S1.2建立n关节串联机械臂的动力学模型：
Figure FDA0004066852130000011
公式(1)中，q、
Figure FDA0004066852130000012
和
Figure FDA0004066852130000013
分别表示位移、速度和加速度矢量，τl∈Rn是输入力矩，M(q)＝M0(q)+ΔM(q)∈Rn×n是对称惯性矩阵，M0(q)＞0是惯性矩阵的标称截面，为已知确定部分，ΔM(q)是不确定部分，
Figure FDA0004066852130000014
表示科氏力矩向量，G(q)∈Rn表示重力扭矩，d表示未知的外部干扰；根据M0(q)矩阵的非奇异性，公式(1)改写为
Figure FDA0004066852130000015
定义x1(t)＝q(t)，
Figure FDA0004066852130000016
公式(2)被描述为
Figure FDA0004066852130000017
其中，x1＝[x11,x12,,x1n]T，x2＝[x21,x22,,x2n]T，
Figure FDA0004066852130000018
Δ包含了模型中的不确定项和外部扰动项。
3.根据权利要求2所述的基于新型扰动观测器的机械臂滑模控制轨迹跟踪方法，其特征在于，步骤S2具体过程如下：
S2.1重构系统
为了方便设计，重新建模以构造系统动态估计器
Figure FDA0004066852130000021
其中，
Figure FDA0004066852130000022
和
Figure FDA0004066852130000023
是中间变量；
将公式(1)改写为
Figure FDA0004066852130000024
其中，
Figure FDA0004066852130000025
是
Figure FDA0004066852130000026
关于时间t的导数，将嵌入
Figure FDA0004066852130000027
中的三个未知项ΔM(q)、
Figure FDA0004066852130000028
G(q)作为内部不确定性，与扰动d一起进行估计；
定义估计的集总动力学为
Figure FDA0004066852130000029
S2.2构建扰动观测器
通过公式(5)和公式(6)可以重新整理为
Figure FDA00040668521300000210
其中
Figure FDA00040668521300000211
为观测器的适应性力矩，因为M0(q)是已知的惯性矩阵的标称截面，故
Figure FDA00040668521300000212
是必定存在的可求项，
Figure FDA00040668521300000213
是已知项；
基于公式(7)设计扰动观测器，使用
Figure FDA00040668521300000214
和τ来重构集总动力学ε；定义公式(7)中的变量
Figure FDA00040668521300000215
τ的过滤变量为
Figure FDA00040668521300000216
和τf如下：
Figure FDA00040668521300000217
k＞0，是一个标量滤波器参数，公式(8)中的低通滤波器旨在导出一个恒等式，在不使用加速度的前提下用于构造扰动观测器，以下公式中
Figure FDA00040668521300000218
Figure FDA00040668521300000219
考虑公式(7)、(8)中定义的滤波变量，定义Z＝(F-Ff)k-τf-ε＝0在任意正数k下都成立，且
Figure FDA00040668521300000220
恒成立；
Figure FDA0004066852130000031
ε及其导数是有界的，即对于任意常数
Figure FDA0004066852130000032
恒成立；通过设立一个Lyapunov函数V＝ZTZ2,并对
Figure FDA0004066852130000033
项运用杨氏不等式aTb≤aTa2k+kbTb2可得
Figure FDA0004066852130000034
即
Figure FDA0004066852130000035
证明了VZ(t)和Z(t)有界，其中Z(t)将指数收敛到
Figure FDA0004066852130000036
显然其极限是由常数k和ε的上界决定的，即对任意的
Figure FDA0004066852130000037
这说明Z＝0是恒成立的；
上述证明Z＝0表明了变量(F,Ff,τ)和集总动力学ε之间的关系，因此，对ε可以构造观测器为
Figure FDA0004066852130000038
在公式(8)和公式(11)中用于构造估计器的变量不使用加速度信号；因此，估计器中仅使用测量的关节位移q和速度
Figure FDA0004066852130000039
在以下开发中，为了寻求简单的符号，除非必要，否则不会使用函数中的坐标
Figure FDA00040668521300000310
由式(7)、(8)和(11)推出，
Figure FDA00040668521300000311
是恒成立的，其中εf由式
Figure FDA00040668521300000312
得出，是ε通过低通滤波器之后的值；估计误差
Figure FDA00040668521300000313
可由下式表示：
Figure FDA00040668521300000314
在公式(7)两端引用公式(8)中的滤波操作，根据公式(8)中的第一个等式，可以得到下式：
Figure FDA00040668521300000315
由式(11)和(13)得出
Figure FDA0004066852130000041
是成立的；根据定义得出估计误差为
Figure FDA0004066852130000042
由此可得估计误差
Figure FDA0004066852130000043
的导数
Figure FDA0004066852130000044
为
Figure FDA0004066852130000045
选择Lyapunov函数为
Figure FDA0004066852130000046
且通过式(14)和杨氏不等式计算其时间的导数为
Figure FDA0004066852130000047
对于具有未知动态估计器的系统，对集总不确定性ε的估计误差
Figure FDA0004066852130000048
是有界的，即
Figure FDA0004066852130000049
当k→0或→0时，
Figure FDA00040668521300000410
成立；
引入扰动观测器(11)后的状态方程(2)改写为
Figure FDA00040668521300000411
4.根据权利要求3所述的基于新型扰动观测器的机械臂滑模控制轨迹跟踪方法，其特征在于，步骤S3具体过程如下：
针对上述公式(16)，设计一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法；将系统跟踪误差定义为
Figure FDA00040668521300000412
其中e1＝[e11,e12,,e1n]T，e2＝[e21,e22,,e2n]T，则误差系统的导数可表示为
Figure FDA00040668521300000413
基于n关节串联机械臂动力学模型，提出一种新型的滑模面，设计基于扰动观测器的滑模控制器，完成机械臂轨迹跟踪；具体步骤如下：
S3.1设计新型滑模面
为了克服经典终端滑模面的奇异性和不能全局快速收敛的缺点，设计一种新的非奇异终端滑模面如下：
s＝αln(kse1+1)sgn(e1)+e2                          (19)
其导数为
Figure FDA0004066852130000051
在式(19)和(20)中，α,ks∈R+，是自定义参数；
S3.2设计控制律
结合公式(19)中的滑模面，提出的基于扰动观测器的有限时间滑模控制方案如下：
Figure FDA0004066852130000052
其中
Figure FDA0004066852130000053
k0＞0，k1＞0，为自定义参数，s是公式(19)中提出的滑模面。
CN202310078553.8A 2023-01-20 2023-01-20 一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法 Pending CN115981162A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310078553.8A CN115981162A (zh) 2023-01-20 2023-01-20 一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310078553.8A CN115981162A (zh) 2023-01-20 2023-01-20 一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法

Publications (1)

Publication Number Publication Date
CN115981162A true CN115981162A (zh) 2023-04-18

Family

ID=85972413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310078553.8A Pending CN115981162A (zh) 2023-01-20 2023-01-20 一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法

Country Status (1)

Country Link
CN (1) CN115981162A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116277034A (zh) * 2023-05-15 2023-06-23 北京壹点灵动科技有限公司 应对负载变化的机器人控制方法、装置及电子设备
CN117301064A (zh) * 2023-10-27 2023-12-29 中国矿业大学 一种基于固定时间收敛的双臂机器人安全协同控制方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116277034A (zh) * 2023-05-15 2023-06-23 北京壹点灵动科技有限公司 应对负载变化的机器人控制方法、装置及电子设备
CN116277034B (zh) * 2023-05-15 2023-09-12 北京壹点灵动科技有限公司 应对负载变化的机器人控制方法、装置及电子设备
CN117301064A (zh) * 2023-10-27 2023-12-29 中国矿业大学 一种基于固定时间收敛的双臂机器人安全协同控制方法
CN117301064B (zh) * 2023-10-27 2024-04-12 中国矿业大学 一种基于固定时间收敛的双臂机器人安全协同控制方法

Similar Documents

Publication Publication Date Title
Zhao et al. Neuroadaptive robotic control under time-varying asymmetric motion constraints: A feasibility-condition-free approach
CN115981162A (zh) 一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法
CN103728882B (zh) 微陀螺仪的自适应反演非奇异终端滑模控制方法
CN107831655B (zh) 微陀螺仪的分数阶自适应反演模糊滑模控制方法
Li et al. Output feedback control of hypersonic vehicles based on neural network and high gain observer
CN113183154B (zh) 一种柔性关节机械臂的自适应反演控制方法
CN111596545A (zh) 一种多输入多输出机械系统自适应容错预设性能控制方法
CN110543184B (zh) 一种刚性飞行器的固定时间神经网络控制方法
CN108388114A (zh) 一种基于输出重定义的柔性机械臂复合控制方法
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
CN111752262B (zh) 一种执行器故障观测器与容错控制器集成设计方法
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
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
Vo et al. An output feedback tracking control based on neural sliding mode and high order sliding mode observer
CN114167734B (zh) 一种强耦合非线性系统高精度控制方法及控制系统
CN112269317A (zh) 一种基于扩展卡尔曼滤波器的双边遥操作控制方法
CN110488854B (zh) 一种基于神经网络估计的刚性飞行器固定时间姿态跟踪控制方法
CN114114928A (zh) 一种压电微定位平台的固定时间自适应事件触发控制方法
Li et al. Adaptive finite-time fault-tolerant control for the full-state-constrained robotic manipulator with novel given performance
Li et al. Backstepping-based fuzzy adaptive stabilization of reaction-diffusion equation with state constraints
Dong et al. Terminal sliding mode attitude tracking control for unmanned vehicle with predefined-time stability
CN114147713B (zh) 基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法
Zhang et al. On‐line RNN compensated second order nonsingular terminal sliding mode control for hypersonic vehicle
CN109324503B (zh) 基于鲁棒积分的多层神经网络电机系统控制方法
CN114003002B (zh) 一种六自由度液压机械手有限时间跟踪控制方法

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