DE4311290A1 - Modellbasierte neuronale Bahnführung eines Industrieroboters - Google Patents
Modellbasierte neuronale Bahnführung eines IndustrierobotersInfo
- Publication number
- DE4311290A1 DE4311290A1 DE19934311290 DE4311290A DE4311290A1 DE 4311290 A1 DE4311290 A1 DE 4311290A1 DE 19934311290 DE19934311290 DE 19934311290 DE 4311290 A DE4311290 A DE 4311290A DE 4311290 A1 DE4311290 A1 DE 4311290A1
- Authority
- DE
- Germany
- Prior art keywords
- robot
- neural network
- industrial robot
- regulation according
- drive torques
- 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- Withdrawn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
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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33011—Link between hidden and input layer is sigmoid, and between output is linear
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33033—Identification neural controller copies weight to system neural controller
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/39—Robotics, robotics to robotics hand
- G05B2219/39261—Calculate driving torque from dynamic model, computed torque method variant
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/39—Robotics, robotics to robotics hand
- G05B2219/39268—Layer perceptron, drive torque from state variables
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/42—Servomotor, servo controller kind till VSS
- G05B2219/42153—Inverse dynamics model idm, computed torque method
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
- Numerical Control (AREA)
Description
Das Problem der Bahnführung eines Roboters besteht in der Bestimmung der
Antriebsmomente der Gelenkmotoren, die den Greifarm entlang einer vorge
schriebenen Bahn führen. Die Dynamik eines dreiachsigen Roboters wird durch
ein System von Differentialgleichungen in den Gelenkwinkeln R = (Ri, R2, R3)
beschrieben:
= R ((R, (1)
Der Vektor im beschreibt die von den Motoren aufzubringenden Drehmo
mente (Steuergrößen), um den Greifarm ausgehend von seiner momentanen
Position und Geschwindigkeit (Zustandsgrößen) der Beschleunigung (Zu
standsänderung) zu unterziehen. Wegen der unvermeidbaren Bahnabweichun
gen ist eine Vorabberechnung des Momentenverlaufes aus den Daten der Soll
bahn (Rsoll, soll) nicht möglich; die Abweichungen müssen unter Bezug
nahme des Istzustandes (Rist, ausgeregelt werden.
Die dynamischen Gleichungen sind nichtlinear und verkoppelt; einfache rege
lungstechnische Methoden erscheinen daher zunächst nicht anwendbar. Das un
ter den Namen Modellbasiertes Regelungskonzept bekannte Verfahren (siehe (2))
führt mit Hilfe des Inversen Modells die nichtlineare Strecke in ein entkoppeltes,
lineares System über: Die von einem linearen Regler berechnete Korrekturbe
schleunigung u wird durch das Inverse Modell INV bei gegebenem Istzustand
des Armes in die Momente umgerechnet, die die gewünschte Korrekturbeschleu
nigung u bewirken:
m = INV ((R, , u) (2)
Das Inverse Modell stellt also die Umkehrung der Dynamik R (siehe (1)) des
Roboters dar; die Hintereinanderschaltung von INV und R ergibt für den Regler
die lineare Strecke
= u (3)
Der Regelkreis zur Modellbasierten Bahnführung ist in Abb. 1 dargestellt. Die
Reglerauslegung kann sich an der Strecke (3) orientieren und ist von dem spe
ziellen Robotermodell unabhängig.
Für einen gegebenen Industrieroboter liegt in der Praxis zunächst kein Inver
ses Modell vor, da es nicht nur zwischen verschiedenen Robotertypen, sondern
auch innerhalb einer Produktionsserie variiert. Aufgrund von Verschleißerschei
nungen und Wartungsarbeiten unterliegt es einer zeitlichen Veränderung. Die
Trägheitseffekte unterschiedlicher Nutzlasten gehen ebenfalls in das Inverse Mo
dell ein. Die in der Robotik üblicherweise hohen Abtastraten der digitalen Re
gelung (500 Hz) machen eine extrem recheneffiziente Auswertung des Inversen
Modells notwendig.
Das zentrale technische Problem der modellbasierten Bahnführung besteht in der
kostengünstigen Aufstellung eines hinreichend genauen, effektiv berechenbaren,
flexiblen Inversen Modells eines vorgelegten Industrieroboters.
Inverse Modelle werden gegenwärtig analytisch formuliert. Dazu müssen die
mathematischen Bewegungsgleichungen aufgestellt und die darin enthaltenen
physikalischen Parameter für den speziellen Roboter eingemessen werden. Die
ses Vorgehen weist in der Praxis folgende Probleme auf:
- 1. Die formelmäßige Angabe der inversen Dynamik im Starrkör performalismus stellt zwar theoretisch keine großen Anforderungen, ist aber für mehrachsige Roboter mit erheblichem analytischen Aufwand ver bunden. Sogenannte Sekundäreffekte wie Reibungs- und Corioliskräfte sind auch theoretisch schwierig zu formulieren (siehe (2)). Sie einfach zu vernachlässigen kann jedoch die gesamte Modellbildung in Frage stellen, da etwa der Anteil der Antriebsmomente zur Überwindung der Reibung bis zu 25% betragen kann. Auf der anderen Seite führt die Hinzunahme von Sekundäreffekten zu höchst komplexen Gleichungen, deren numeri sche Auswertung in Echtzeit die Rechenresourcen im industriellen Einsatz schnell überschreitet.
- 2. Die Bestimmung der physikalischen Systemdaten muß am vorge legten Roboter selbst erfolgen. Die vollständige Erfassung aller notwendi gen Meßwerte erfordert einen erheblichen Arbeitsaufwand, da der Roboter dazu i.a. in seine Glieder zerlegt werden muß (siehe (4)). On-line Para meteranpassung am betriebsfähigen Roboter führen zu starken Schwan kungen der Meßwerte, abhängig von der gewählten Testbewegung (siehe (3)).
- 3. Die Nutzlast kann nur als Massenpunkt modelliert werden, da die Berücksichtigung ihrer räumlichen Trägheit die Aufstellung zusätzlicher Gleichungen erfordert.
In der Modellbasierten Neuronalen Bahnführung wird das Inverse Modell durch
ein neuronales Netz approximiert. Das Netzwerk stellt eine multivariate An
satzfunktion dar, deren Transformationsverhalten durch die Anpassung seiner
Kopplungsgewichte spezifiziert wird. Diesem Lernvorgang dient der Signalfluß
des Regelkreises als Informationsquelle.
Im einzelnen besteht die Neuronale Inverse Bahnführung aus folgenden Elemen
ten:
- 1. Die neuronale Approximation des Inversen Modells
Das Inverse Modell wird durch ein dreischichtiges Perzeptron approximiert (siehe (1)). Die Verbindungen zwischen der Eingabe- und der verborgenen Schicht sind sigmoid, zwischen der verborgenen Schicht und der Ausgabe schicht linear. Diese Struktur repräsentiert den nichtlinearen Anteil des Inversen Modells. Der lineare Anteil wird zusätzlich durch direkte, lineare Eingabe-Ausgabeverbindungen dargestellt (siehe Abb. 2). Dadurch kann das Reglersignal u auch anteilig proportional an die Gelenkmotoren über tragen werden. Das Netzwerk besitzt 9 Eingabeknoten für die 3 Winkel R, die 3 Drehzahlen und die 3 Korrekturbeschleunigungen u. Ausgegeben werden die 3 Antriebsmomente im Netzwerke dieser Art sind in der Lage, differenzierbare Abbildungen beliebig genau darzustellen, sofern genügend viele Neuronen in der verborgenen Schicht eingesetzt werden (siehe (1)). In der Praxis haben sich 30 verborgene Knoten als ausreichend erwiesen. - 2. Das Training des Netzwerks
Bei der Anpassung der Netzparameter (Training) wird auf den Backpropagation-Algorithmus zum on-line Training von mehrschichtigen Perzeptrons (siehe (1)) zurückgegriffen. Bei diesem Verfahren muß ein Fehlersignal zur Verfügung gestellt werden, das die aktuelle Ausgabe des Netzwerkes mit einer vorgeschriebenen Sollausgabe vergleicht. Da die kor rekten Momente jedoch unbekannt sind, ist dieses direkte Verfahren hier nicht anwendbar.Die Inversionseigenschaft des Inversen Modells macht jedoch an anderer Stelle ein Fehlersignal nutzbar. Bei gegebenem Istzustand (R, des Ro boters reproduziert das Inverse Modell die Antriebsmomente aus der Ist beschleunigung des Arms. Daher wird ein zweites Netzwerk (NN2) gleicher Topologie dem Roboter nachgeschaltet und darauf trainiert, die Antriebsmomente im aus der momentanen Beschleunigung des Greifarms bei gegebenem Zustand zu reproduzieren (siehe Abb. 3). Das Fehlersignal δ wird in jedem Reglertakt aus der Differenz zwischen den tatsächlichen Antriebsmomenten im und den reproduzierten Momenten ∎ berechnet: δ := - m (4)und mit dem Backpropagation-Algorithmus verarbeitet. Die Istposition und Istgeschwindigkeit werden durch die Sensorik des Greifarms bereitge stellt, die Beschleunigung über die Drehzahländerung während eines Reg lertakts. Alternativ können Beschleunigungsaufnehmer verwendet wer den.
Der Gewichtssatz des trainierten Netzwerks (NN2) wird in das Netz werk NN kopiert und steht damit der modellbasierten Bahnführung zur Verfügung. Dieser Kopiervorgang erfolgt entweder im Reglertakt (on-line Training) oder erst nach dem vollständigen Durchlauf der Bahn (off-line Training).
Um die Neuronale Bahnführung längs eines vorgeschriebenen Bewegungs programms zu trainieren, wird die Sollbahn wiederholt mit on- oder off- line Training durchlaufen (Trainingsepochen). Das Führungsverhalten verbessert sich dabei rasch mit den Epochen. Zu Beginn des Trainings werden die Kopplungsparameter so initialisiert, daß das Reglersignal di rekt auf die Antriebsmomente durchgeschaltet wird (m = u). Die erste Trainingsepoche erfolgt dann im off-line Modus, um Instabilitäten zu ver meiden.
Die Vorteile der Modellbasierten Neuronalen Bahnführung gegenüber der kon
ventionellen Bahnführung bestehen aus folgenden Punkten:
- 1. Es ist keine analytische Aufstellung der dynamischen Gleichungen mehr erforderlich. Sekundäreffekte werden im Netzwerk insoweit berücksichtigt, als sie zur Erfüllung des Lernzieles notwendig sind.
- 2. Neuronale Netze sind extrem recheneffizient, da sie massiv parallel und direkt in Hardware realisierbar sind.
- 3. Die physikalische Systemdaten werden automatisch mitgelernt; ihre zeit liche Schwankung wird berücksichtigt.
- 4. Die Kompensation von Nutzlast-abhängigen Effekten kann direkt trainiert werden.
Literatur
[1] Hertz, J. Krogh, A., Palmer, R. G.
Introduction to the Theory of Neural Computation.
Santa Fe Institute, Addison-Wesley Publishing, Redwood City, 1991.
[2] Craig, J. J.
Introduction to Robotics, Mechanics & Control.
Addison-Wesley Publishing Company, 1986.
[3] Seeger, G.
Selbsteinstellende, modellgestützte Regelung eines Industrieroboters.
Dissertation an der Fakultät für Maschinenbau und Elektrotechnik der Technischen Universität Carolo-Wilhelmina zu Braunschweig, 1991.
[4] Otter, M., Türk, S.
The DFVLR Models 1 and 2 of the Manutec r3 Robot.
DLR-Mitteilung 88-13, DLR Deutsche Forschungs- und Versuchsanstalt für Luft- und Raumfahrt, Institut für die Dynamik der Flugsysteme, Oberpfaffenhofen, 1988.
Introduction to the Theory of Neural Computation.
Santa Fe Institute, Addison-Wesley Publishing, Redwood City, 1991.
[2] Craig, J. J.
Introduction to Robotics, Mechanics & Control.
Addison-Wesley Publishing Company, 1986.
[3] Seeger, G.
Selbsteinstellende, modellgestützte Regelung eines Industrieroboters.
Dissertation an der Fakultät für Maschinenbau und Elektrotechnik der Technischen Universität Carolo-Wilhelmina zu Braunschweig, 1991.
[4] Otter, M., Türk, S.
The DFVLR Models 1 and 2 of the Manutec r3 Robot.
DLR-Mitteilung 88-13, DLR Deutsche Forschungs- und Versuchsanstalt für Luft- und Raumfahrt, Institut für die Dynamik der Flugsysteme, Oberpfaffenhofen, 1988.
Claims (9)
1. Regelung der Bahnführung eines Industrieroboters, bei der
ein mehrschichtiges, vorwärtsgerichtetes neuronales Netzwerk
(NN) die Antriebsmomente zur Steuerung des Roboters aus den
Zustandsgrößen des Regelsystems berechnet.
2. Regelung nach Anspruch 1, bei der das neuronale Netzwerk
ein dreischichtiges Perzeptron ist.
3. Regelung nach Anspruch 2, bei der die Verbindungen des
Perzeptrons, welche die Eingabe- mit der verborgenen Schicht
verbinden, sigmoid sind, und die Verbindungen zwischen der
verborgenen Schicht und der Ausgabeschicht linear sind.
4. Regelung nach einem der vorhergehenden Ansprüche, bei der
das neuronale Netzwerk Eingabeknoten für Winkel, Drehzahlen,
und Korrekturbeschleunigungen des Roboters und Ausgabeknoten
für die Antriebsmomente des Roboters besitzt.
5. Regelung nach einem der vorhergehenden Ansprüche, bei dem
ein zweites neuronales Netz vorgesehen ist, welches aus den
Zustandsgrößen und ihren zeitlichen Änderungen Schätzwerte
für die Antriebsmomente des Roboters ermittelt, und dessen
Parameterwerte
- - in der Weise angepaßt werden, daß ein Fehlersignal, welches ein Maß für die Abweichung der geschätzten Antriebsmomente von den mit Hilfe des ersten neuronalen Netzes berechneten Antriebsmomenten ist, minimiert wird, und welche
- - in das erste neuronale Netz kopiert werden.
6. Regelung nach Anspruch 5, bei der ein Backpropagation-Al
gorithmus zur Anpassung der Parameterwerte verwendet wird.
7. Regelung nach einem der Ansprüche 5 oder 6, bei der der
Kopiervorgang im Regiertakt erfolgt.
8. Regelung nach einem der Ansprüche 5 oder 6, bei der der
Kopiervorgang erst nach vollständigem Durchlauf einer
Trajektorie des Roboters erfolgt.
9. Regelung nach Anspruch 8, bei der die Parameterwerte so
initialisiert werden, daß das Reglersignal anfänglich direkt
auf die Antriebsmomente durchgeschaltet wird.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19934311290 DE4311290A1 (de) | 1992-04-06 | 1993-04-06 | Modellbasierte neuronale Bahnführung eines Industrieroboters |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4211511 | 1992-04-06 | ||
DE19934311290 DE4311290A1 (de) | 1992-04-06 | 1993-04-06 | Modellbasierte neuronale Bahnführung eines Industrieroboters |
Publications (1)
Publication Number | Publication Date |
---|---|
DE4311290A1 true DE4311290A1 (de) | 1993-10-14 |
Family
ID=25913702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19934311290 Withdrawn DE4311290A1 (de) | 1992-04-06 | 1993-04-06 | Modellbasierte neuronale Bahnführung eines Industrieroboters |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE4311290A1 (de) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19500738C1 (de) * | 1995-01-12 | 1996-04-11 | Siemens Ag | Regelanordnung und Regelverfahren für einen motorisch betriebenen Gelenkarm |
WO2002006016A1 (en) * | 2000-07-17 | 2002-01-24 | King's College London | Control system |
DE102013202378B4 (de) * | 2012-02-21 | 2015-07-02 | GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) | Prozedurales Gedächtnislernen und Robotersteuerung |
FR3054391A1 (fr) * | 2016-07-22 | 2018-01-26 | Renault S.A.S | Estimation du couple d’une machine a rotor bobine utilisant un reseau de neurones |
CN111051010A (zh) * | 2017-09-04 | 2020-04-21 | 松下知识产权经营株式会社 | 机器人控制装置 |
CN112643670A (zh) * | 2020-12-07 | 2021-04-13 | 洛阳尚奇机器人科技有限公司 | 一种基于滑模观测器的柔性关节控制方法 |
DE102021126188A1 (de) | 2021-10-08 | 2023-04-13 | Dürr Systems Ag | Überwachungsverfahren für einen Roboter und zugehörige Roboteranlage |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4111354A1 (de) * | 1991-04-09 | 1992-10-22 | Bodenseewerk Geraetetech | Einrichtung zur fuehrung des endeffektors eines roboters laengs einer sollbahn |
-
1993
- 1993-04-06 DE DE19934311290 patent/DE4311290A1/de not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4111354A1 (de) * | 1991-04-09 | 1992-10-22 | Bodenseewerk Geraetetech | Einrichtung zur fuehrung des endeffektors eines roboters laengs einer sollbahn |
Non-Patent Citations (5)
Title |
---|
B.: "Wenn Roboter arbeiten lernen: Ideen und Methoden der Neuroinformatik zur Regelung und Steuerung" in "Informationstechnik" 33(1991), H. 6, S. 300-309 * |
BERNS, K.: "Anwendungen neuronaler Netze in der Robotik" in "Robotersysteme 7(1991), H.1, S. 23-32 * |
MIESBACH * |
S. * |
SCHÜRMANN * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19500738C1 (de) * | 1995-01-12 | 1996-04-11 | Siemens Ag | Regelanordnung und Regelverfahren für einen motorisch betriebenen Gelenkarm |
WO2002006016A1 (en) * | 2000-07-17 | 2002-01-24 | King's College London | Control system |
DE102013202378B4 (de) * | 2012-02-21 | 2015-07-02 | GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) | Prozedurales Gedächtnislernen und Robotersteuerung |
FR3054391A1 (fr) * | 2016-07-22 | 2018-01-26 | Renault S.A.S | Estimation du couple d’une machine a rotor bobine utilisant un reseau de neurones |
CN111051010A (zh) * | 2017-09-04 | 2020-04-21 | 松下知识产权经营株式会社 | 机器人控制装置 |
CN111051010B (zh) * | 2017-09-04 | 2023-03-14 | 松下知识产权经营株式会社 | 机器人控制装置 |
CN112643670A (zh) * | 2020-12-07 | 2021-04-13 | 洛阳尚奇机器人科技有限公司 | 一种基于滑模观测器的柔性关节控制方法 |
CN112643670B (zh) * | 2020-12-07 | 2022-07-29 | 洛阳尚奇机器人科技有限公司 | 一种基于滑模观测器的柔性关节控制方法 |
DE102021126188A1 (de) | 2021-10-08 | 2023-04-13 | Dürr Systems Ag | Überwachungsverfahren für einen Roboter und zugehörige Roboteranlage |
WO2023057591A1 (de) | 2021-10-08 | 2023-04-13 | Dürr Systems Ag | Überwachungsverfahren für einen roboter und zugehörige roboteranlage |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | Distributed consensus-based formation control for nonholonomic wheeled mobile robots using adaptive neural network | |
CN104865829B (zh) | 多机器人系统分布式自适应神经网络连续跟踪控制方法 | |
DE3688095T2 (de) | Regeleinrichtung fuer ein nichtlineares mechanisches system mit mehreren freiheitsgraden. | |
DE69026192T2 (de) | Gleitende moderegelungsverfahren mit kompensationsfunktion mit mitkopplung | |
Zhao et al. | General type-2 fuzzy gain scheduling PID controller with application to power-line inspection robots | |
DE4111354A1 (de) | Einrichtung zur fuehrung des endeffektors eines roboters laengs einer sollbahn | |
Gao et al. | Adaptive integral backstepping control for a 3-DOF helicopter | |
DE4311290A1 (de) | Modellbasierte neuronale Bahnführung eines Industrieroboters | |
CN115990888A (zh) | 一种具有死区和时变约束功能的机械臂控制方法 | |
Howard et al. | Application of fuzzy logic for the solution of inverse kinematics and hierarchical controls of robotic manipulators | |
DE3742686A1 (de) | Vorrichtung zur modellgefuehrten steuerung eines roboters | |
Yıldırım | Adaptive robust neural controller for robots | |
Okuma et al. | A neural network compensator for uncertainties of robotic manipulators | |
RU83728U1 (ru) | Интеллектульная система управления перемещением робота-манипулятора | |
Ye et al. | Fuzzy active disturbance rejection control method for an omnidirectional mobile robot with MY3 wheel | |
Fan et al. | Adaptive neural-fuzzy control of nonholonomic mobile robots | |
Yegerlehner et al. | Experimental implementation of neural network controller for robot undergoing large payload changes | |
Chen et al. | A fuzzy compensator for uncertainty of industrial robots | |
Lakshmi | An adaptive Neuro-Fuzzy control approach for motion control of a robot arm | |
Foulloy et al. | Towards symbolic process control | |
Asl et al. | Output feedback control of an uncertain input-delayed nonlinear system with bounded control commands | |
Wu et al. | A deterministic robust control with parameter optimization for uncertain two-wheel driven mobile robot | |
Colina-Morles et al. | Inverse model neural network-based control of dynamic systems | |
Zeinali et al. | New Methodology to Design Learning Control for Robots Using Adaptive Sliding Mode Control and Multi-Model Neural Networks | |
Chen et al. | Robust control for a biaxial servo with time delay system based on adaptive tuning technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8110 | Request for examination paragraph 44 | ||
8125 | Change of the main classification |
Ipc: B25J 9/18 |
|
8130 | Withdrawal |