RU83728U1 - Интеллектульная система управления перемещением робота-манипулятора - Google Patents
Интеллектульная система управления перемещением робота-манипулятора Download PDFInfo
- Publication number
- RU83728U1 RU83728U1 RU2008151667/22U RU2008151667U RU83728U1 RU 83728 U1 RU83728 U1 RU 83728U1 RU 2008151667/22 U RU2008151667/22 U RU 2008151667/22U RU 2008151667 U RU2008151667 U RU 2008151667U RU 83728 U1 RU83728 U1 RU 83728U1
- Authority
- RU
- Russia
- Prior art keywords
- neural networks
- fuzzy
- inputs
- robot manipulator
- link
- Prior art date
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
Интеллектуальная система управления перемещением робота-манипулятора, содержащая двухслойные нейронные сети и нечеткие ПД-регуляторы, при обучении двухслойных нейронных сетей в режиме он-лайн используется метод обратного распространения ошибки, настройка входов в каждый нечеткий ПД-регулятор осуществляется двухслойной нейронной сетью, отличающаяся тем, что включает по две двухслойные нейронные сети для каждого звена двухзвенного робота-манипулятора, состоящие из двенадцати нейронов в скрытом слое и одного нейрона в выходном слое, первая пара нейронных сетей обучается в режиме он-лайн на основе инверсной динамической модели робота-манипулятора, входами в первую пару нейронных сетей являются реальные текущие значения угла и скорости перемещения соответствующего звена робота-манипулятора, а выходы из первой пары нейронных сетей - это обучающие сигналы, используемые для второй пары двухслойных нейронных сетей, в качестве входов в которую используются значения сигнала ошибки положения соответствующего звена робота-манипулятора, определяемого как разница между его запланированной и реальной траекториями, а также значения изменения сигнала ошибки положения, выходы из второй пары двухслойных нейронных сетей представляют собой сигналы, настраивающий четыре масштабных коэффициента, которые, в свою очередь, настраивают входы в два нечеткие ПД-регуляторы, каждый нечеткий ПД-регулятор разработан для соответствующего звена робота-манипулятора, имеет два входа и характеризуется структурой из одиннадцати функций принадлежности, два настроенных входа в каждый нечеткий ПД-регулятор (сигналы ошибки положе�
Description
Полезная модель относится к робототехнике и может быть использована для управления перемещением жестких роботов-манипуляторов по запланированной траектории путем передачи значений крутящих моментов как управляющих сигналов на исполнительные устройства каждого звена робота-манипулятора.
Для большинства производительных систем необходимо перемещать робот-манипулятор по запланированной траектории, чтобы обеспечить выполнение заданного технологического цикла. При этом не только траектории движения, но также законы изменения скоростей и ускорения должны соответствовать требованиям технологического процесса и возможностям робота. Точность движения по траектории зависит, главным образом, от способа формирования управляющего воздействия.
Методы, применяемые для решения проблемы управления перемещением робота-манипулятора по запланированной траектории, обычно предполагают использование его динамической модели. Процесс управления включает вычисление совокупности функций крутящего момента, при этом в качестве входного параметра используется запланированная траектория, а выходной параметр - это реальная траектория. Среди основанных на динамической модели робота классических методов управления, которые описаны в литературе, наиболее эффективным считается пропорционально-дифференциальное регулирование с прямым расчетом крутящего момента. Однако данный метод требует выполнения затратной по времени процедуры вычисления полной модели инверсной динамики робота [Jin Y. Decentralized Adaptive Fuzzy Control of Robot Manipulators // Systems, Man, and Cybernetics, Part B, IEEE Transactions. - №28 - 1998. p.p.47-57].
С недавнего времени для управлении перемещением робота-манипулятора по запланированной траектории применяются такие методы искусственного
интеллекта как нечеткая логика, нейронные сети и их комбинации. Нечеткое пропорционально-интегральное регулирование (ПИ-регулирование), ПД-регулирование и пропорционально-интегрально-дифференциальное регулирование (ПИД-регулирование) являются часто применяемыми формами динамической компенсации с точки зрения обеспечения устойчивого состояния или переходного режима системы. Основное затруднение процесса разработки систем нечеткого управления - это настройка нечетких параметров [Mohan S., Bhanot S. Comparative Study of Some Adaptive Fuzzy Algorithms for Manipulator Control // Journal of Control Science and Engineering. Volume 2007 (2007), Article ID 75653, p.p.303-311 (http://www.waset.org)].
Применение нейронных сетей для управления робототехническими системами включает определение модели прямой динамики или модели инверсной динамики с последующим включением этой информации в процесс управления роботом-манипулятором. Основным принципом здесь выступает обучение нейронной сети на основе характеристик робота, а затем использование полученных данных для выработки управляющих сигналов. Важнейшим преимуществом управления на основе использования нейронных сетей является формирование обучающегося блока управления, способного функционировать в условиях неизвестной среде [Yildirim Ş. Artificial Neural Network Applications to Control // Erciyes Üniversitesi Fen Bilimleri Enstitusu Dergisi. - №18. - 2002, p.p.1-11].
Известна система управления перемещением роботов-манипуляторов, имеющих два или более сочленений, основанная на использовании возможностей нейронных сетей [Jung S., Hsia T.C. New Neural Network Control Technique for Non-model Based Robot Manipulator Control // Systems, Man and Cybernetics, 1995. Intelligent Systems for the 21st Century, IEEE International Conference on Volume 3, 22-25 Oct. 1995, p.p.2928 - 2933]. При этом для каждого звена разрабатывается отдельная модель нейронной сети в виде многослойного персептрона (МСП), который функционирует как компенсатор, непрерывно обучаясь в режиме реального времени ошибке, получаемой на
выходе блока прямого управления. Результирующий управляющий сигнал представляет собой сумму значения этой ошибки и выходного сигнала МСП. После каждой итерации происходит обновление его весов в режиме он-лайн для минимизации ошибки обратной связи. Проведенный эксперимент с использованием рассматриваемой структуры управления перемещением робота показал, что точность следования манипулятора по запланированной траектории повышается по сравнению с использованием в структуре управления только ПД-регулятора без нейронной сети.
Признаки аналога, общие с заявляемым техническим решением, состоят в использовании для каждого звена робота-манипулятора обученной по методу обратного распространения ошибки многослойной нейронной сети для компенсации и корректировки значений сигнала крутящего момента, а также не требуется информация о параметрах динамической модели робота-манипулятора.
Причины, препятствующие достижению требуемого технического результата, заключаются в том, что МСП каждого звена робота-манипулятора обучается на основе значений выхода соответствующего ПД-регулятора в ходе каждой итерации, поэтому процесс компенсации не приводит к высокой точности следования робота-манипулятора по запланированной траектории, особенно в ситуациях ее резкого изменения, вызванного появлением в рабочей зоне неизвестного объекта.
Известна нейро-нечеткая система управления перемещением гибкого робота-манипулятора, включающая эталонную модель, ПД-регулятор, нечеткий ПД-регулятор, который используется вместо многослойной нейронной сети в процессе компенсации, когда настройка его входа осуществляется с помощью МСП, обученного по методу обратного распространения ошибки на основе значений разности между выходом системы и выходным сигналом эталонной модели в режиме он-лайн [Subudhi В., Morris A.S. Fuzzy and neuro-fuzzy approaches to control a flexible single-link manipulator // Proceedings of the Institution of Mechanical Engineers, Vol 217, Part I, Journal of Systems and Control
Engineering, 2003 p.p.387-399]. Результаты компьютерного моделирования нейро-нечеткой системы выявили относительно точный уровень настройки нечеткого ПД-регулятора нейронной сетью. Так же отсутствует необходимость в наличии информации о параметрах динамической модели робота. (Прототип)
Признаки прототипа, общие с заявляемым техническим решением, следующие: использование нечеткого ПД-регулятора и принципа настройки его входов с помощью многослойной нейронной сети, которая обучена по методу обратного распространения ошибки; отсутствие необходимости наличия информации о параметрах динамической модели робота-манипулятора.
Причины, препятствующие достижению требуемого технического результата, заключаются в том, что для стабилизации переходного процесса требуется около 2,5 с. Так же возникают значительные затруднения при выборе идеальных характеристик для эталонной модели. Эти факторы непосредственно влияют на точность перемещения робота-манипулятора по запланированной траектории.
Задачей полезной модели является основанное на применении интеллектуальных методов управление перемещением жесткого робота-манипулятора, которое обеспечивает повышение точности отработки роботом-манипулятором запланированной траектории за счет того, что полезная модель включает по две двухслойные нейронные сети для каждого звена робота-манипулятора, включающие двенадцать нейронов в скрытом слое и один нейрон в выходном слое: десятый и двенадцатый блоки - для первого звена; одиннадцатый и тринадцатый блоки - для второго звена. Входами в МСП десятого и одиннадцатого блока, которые обучаются в режиме он-лайн на основе инверсной динамической модели робота-манипулятора по методу обратного распространения ошибки, являются реальные текущие значения углов перемещения и значения скорости перемещения первого и второго звеньев соответственно. Десятый и одиннадцатый блоки имеют по одному выходному параметру, представляющему собой обучающий сигнал для МСП
соответственно двенадцатого и тринадцатого блоков, которые имеют два входа, в качестве которых выступают характеризующие перемещение соответственно первого и второго звеньев робота-манипулятора значения разницы между запланированной и реальной траекториями, а также изменения этой разницы, которые вычисляются в первом блоке для первого звена и во втором блоке для второго звена робота-манипулятора. Двенадцатый и тринадцатый блоки имеют по одному выходу, который используется для настройки четырех масштабных коэффициентов - двух для первого звена и двух для второго звена. Эти масштабные коэффициенты настраивают входы в нечеткие ПД-регуляторы, сначала поступающие в блоки насыщения, а затем непосредственно в нечеткие ПД-регуляторы. Для первого звена седьмой блок нечеткого ПД-регулятора имеет два настроенных входа, которые предварительно подаются в третий и четвертый блоки насыщения, для второго звена восьмой блок нечеткого ПД-регулятора так же характеризуется двумя настроенными входами, которые поступают к нему, проходя через пятый и шестой блоки насыщения.
Седьмой и восьмой блоки имеют идентичную структуру, включающую одиннадцать функций принадлежности: для каждого входного параметра - две симметричные трапециевидные («отрицательное очень большое», «положительное очень большое») и девять - симметричные треугольные («отрицательное большое», «отрицательное среднее», «отрицательное малое», «отрицательное очень малое», «ноль», «положительное очень малое», «положительное малое», «положительное среднее», «положительное большое»), когда для разницы между запланированной и реальной траекториями значения функций принадлежности лежат в пределах от - 1 рад до 1 рад, а для изменения разницы между запланированной и реальной траекториями значения функций принадлежности лежат в пределах от - 1 рад/с до 1 рад/с; для выходного параметра - одиннадцать треугольных функций принадлежности («отрицательное очень большое», «положительное очень большое», «отрицательное большое», «отрицательное среднее», «отрицательное малое», «отрицательное очень малое», «ноль», «положительное
очень малое», «положительное малое», «положительное среднее», «положительное большое»), значения которых лежат в пределах от -1 В до 1 В. Седьмой и восьмой блоки, соответствующие первому и второму звеньям робота-манипулятора, имеют по одному выходу, значение которого умножается на соответствующий коэффициент и преобразуется в управляющий сигнал крутящего момента для соответствующего звена, который затем суммируется со значением сигнала возмущения для получения значения окончательного управляющего сигнала крутящего момента, который поступает на исполнительное устройство каждого звена робота-манипулятора (девятый блок). Входами в интеллектуальную систему управления перемещением робота-манипулятора являются значения разницы между запланированной и реальной траекториями каждого звена, тогда как выходами из этой системы - реальные текущие значения углов и скорости перемещения каждого звена робота-манипулятора.
Таким образом, интеллектуальная система управления перемещением робота-манипулятора состоит из двух нечетких ПД-регуляторов и четырех многослойных нейронных сетей, первая пара которых используется для обучения параметрам инверсной динамической модели робота, а вторая пара - для настройки входов в нечеткие ПД-регуляторы. При этом в отличие от разработанных ранее систем управления роботами, выходы двух многослойных нейронных сетей, обучающихся инверсной динамической модели, добавляются в качестве сигналов компенсации к управляющим сигналам. Особенностью рассматриваемой системы управления является то, что выходы первой пары МСП используются для обучения второй их пары, участвующей в настройке входов в нечеткие ПД-регуляторы.
Полезная модель поясняется чертежами, где на фиг.1 представлена структура интеллектуальной системы управления перемещением робота-манипулятора, на фиг.2 - структура МСП и на фиг.3 - трехмерный график зависимости между входами и выходом нечеткого ПД-регулятора.
Интеллектуальная система управления перемещением робота-манипулятора, изображенная на фиг.1, содержит: блок 1 - блок вычисления изменения разницы между запланированной и текущей траекторией первого звена; блок 2 - блок вычисления изменения разницы между запланированной и текущей траекторией второго звена; блок 3 - блок насыщения настроенного значения разницы между запланированной и текущей траекторией первого звена; блок 4 - блок насыщения настроенного значения изменения разницы между запланированной и текущей траекторией первого звена; блок 5 - блок насыщения настроенного значения разницы между запланированной и текущей траекторией второго звена; блок 6 - блок насыщения настроенного значения изменения разницы между запланированной и текущей траекторией второго звена; блок 7 - нечеткий ПД-регулятор для первого звена; блок 8 - нечеткий ПД-регулятор для второго звена; 9 - динамическая модель робота-манипулятора; блок 10 - МСП-1; блок 11 - МСП-2; блок 12 - МСП-3; блок 13 -МСП-4.
Структура МСП, показанная на фиг.2, включает: bj - значение смещения j-го нейрона скрытого слоя, j=1...2; wji - вес между j-м нейроном скрытого слоя и i-м нейроном входа; wki - вес между нейроном выходного слоя j-м нейроном скрытого слоя; bk - значение смещения нейрона выходного слоя; neti - выходы в нейронную сеть; Ok - ход нейронной сети.
Входами в интеллектуальную систему управления перемещением робота-манипулятора являются значения разницы между запланированными значениями углов перемещения каждого звена в момент времени nТ (Т- время дискретизации; n - порядковый номер программной итерации), которые соответствуют запланированной траектории, в случае двухзвенного робота-манипулятора - это θ1d(nT), θ2d(nT), и текущими значениями углов перемещения каждого звена в момент времени nТ, которые соответствуют реальной траектории - θ1(nT), θ2(nT):
e1(nT)=θ1d(nT)-θ1(nT);
e2(nT)=θ2d(nT)-θ2(nT);
где е1(nТ) и е2(nT) - разность между запланированной и реальной траекториями первого и второго звеньев робота-манипулятора.
е1(nT), поступая в первый блок и е2(nТ) - во второй блок, преобразуются в значения изменения разницы между запланированной и текущей траекториями первого и второго звеньев робота-манипулятора (Δе1(nT) и Δe2(nT)):
На каждой программной итерации значения е1(nT) и Δe1(nT) поступают в МСП-3 двенадцатого блока, а значения е2(nT) и Δe2(nT) - в МСП-4 тринадцатого блока. МСП-3 и МСП-4 обучаются по методу обратного распространения ошибки на основе нормализованных выходных сигналов МСП-1 десятого блока (у1(nТ)) и МСП-2 одиннадцатого блока (у2(nТ)), для обучения которых используются значения отклонения между выходными сигналами этих блоков и окончательными управляющими сигналами крутящих моментов соответственно для первого и второго звеньев робота-манипулятора (τ1(nT),τ2(nT)). МСП-1 и МСП-2 обучаются по методу обратного распространения ошибки, при этом на каждой программной итерации в качестве входов в эти блоки выступают реальные текущие значения угла и скорости перемещения каждого из звеньев робота-манипулятора: θ1(nT) и 1(nT) - для первого звена, θ2(nT) и 2(nT) - для второго звена.
Двенадцатый и тринадцатый блоки необходимы для настройки в режиме он-лайн четырех масштабных коэффициентов, в свою очередь, настраивающих на каждой программной итерации входы в блоки насыщения: ke1, kΔe1 настраивают значения е1(nТ) и Δе1(nT), поступающие соответственно в третий и четвертый блоки насыщения; ke2, kΔe2 настраивают значения е2(nТ) и Δе2(nT), поступающие соответственно в пятый и шестой блоки насыщения.
Выходы третьего и четвертого блоков насыщения поступают в нечеткий ПД-регулятор седьмого блока, выходы пятого и шестого блоков насыщения - в
нечеткий ПД-регулятор восьмого блока. Входы в нечеткие блоки вычисляются в рамках приведения к четкости следующим образом:
где bk - центр ФП правила (k); - обозначает площадь ФП. Пример нечетких базовых правил функционирования седьмого и восьмого блоков:
- если е1(nТ)=ООБ и Δe1(nТ)=ООБ, тогда uF1(nT)=ООБ;
- если е1(nТ)=ПОБ и Δe1(nТ)=ОММ, тогда uF1(nT)=ПБ;
- если е1(nТ)=Н и Δe1(nТ)=ПМ, тогда uF1(nT)=ПМ;
- если е1(nТ)=ОС и Δe1(nТ)=ПОБ, тогда uF1(nT)=ПМ;
- если е2(nТ)=ООБ и Δe2(nТ)=ООБ, тогда uF2(nT)=ООБ;
- если е2(nТ)=ПОБ и Δe2(nТ)=ОММ, тогда uF2(nT)=ПБ;
- если е2(nТ)=Н и Δe2(nТ)=ПМ, тогда uF2(nT)=ПМ;
- если е2(nТ)=ОС и Δe2(nТ)=ПОБ, тогда uF2(nT)=ПМ,
где ООБ - отрицательное очень большое; ПОБ - положительное очень большое; ОММ - отрицательное очень малое; ПБ - положительное большое; ПМ - положительное малое; ОС - отрицательное среднее, uF1(nТ) и UF2(nТ) -выходные сигналы седьмого и восьмого блоков.
uF1(nТ) и UF2(nТ) умножаются на соответствующие масштабные коэффициенты (ko1 и ko2) формируя выходные сигналы крутящих моментов, управляющие перемещением каждого из звеньев робота-манипулятора (τF1(nТ) и τF2(nT)):
Значения τF1(nT) и τF2(nT) суммируются со значениями сигналов возмущения (τv1(nT) и τv2(nT)). Окончательные управляющие сигналы крутящих моментов (τ1(nT) и τ2(nT)) можно представить в следующем виде:
Полученные значения τ1(nT) и τ2(nT) передаются на исполнительные устройства звеньев робота-манипулятора девятого блока, в результате перемещение звеньев робота-манипулятора характеризуется реальными текущими значениями углов и скорости θ1(nT) и 1(nT) - для первого звена, θ2(nT) и 2(nT) - для второго звена.
Результаты компьютерного моделирования интеллектуальной системы управления перемещением робота-манипулятора показали, что стабилизация переходного процесса занимает около 0,5 с, а также воздействие на эту систему сигналов возмущений с заданными значениями в 10% от максимальной величины крутящих моментов не приводит к увеличению значения отклонения реальной траектории от запланированной, и следовательно, не влияет на точность перемещения двухзвенного робота-манипулятора по запланированной траектории. Это происходит потому, что возмущения оказывают влияние на выходные параметры первой пары МСП, которое минимизируется их второй парой, настраивающей масштабные коэффициенты - входные параметры в нечеткие ПД-регуляторы. В итоге возмущения не оказывают значительного влияния на выходную траекторию.
Claims (1)
- Интеллектуальная система управления перемещением робота-манипулятора, содержащая двухслойные нейронные сети и нечеткие ПД-регуляторы, при обучении двухслойных нейронных сетей в режиме он-лайн используется метод обратного распространения ошибки, настройка входов в каждый нечеткий ПД-регулятор осуществляется двухслойной нейронной сетью, отличающаяся тем, что включает по две двухслойные нейронные сети для каждого звена двухзвенного робота-манипулятора, состоящие из двенадцати нейронов в скрытом слое и одного нейрона в выходном слое, первая пара нейронных сетей обучается в режиме он-лайн на основе инверсной динамической модели робота-манипулятора, входами в первую пару нейронных сетей являются реальные текущие значения угла и скорости перемещения соответствующего звена робота-манипулятора, а выходы из первой пары нейронных сетей - это обучающие сигналы, используемые для второй пары двухслойных нейронных сетей, в качестве входов в которую используются значения сигнала ошибки положения соответствующего звена робота-манипулятора, определяемого как разница между его запланированной и реальной траекториями, а также значения изменения сигнала ошибки положения, выходы из второй пары двухслойных нейронных сетей представляют собой сигналы, настраивающий четыре масштабных коэффициента, которые, в свою очередь, настраивают входы в два нечеткие ПД-регуляторы, каждый нечеткий ПД-регулятор разработан для соответствующего звена робота-манипулятора, имеет два входа и характеризуется структурой из одиннадцати функций принадлежности, два настроенных входа в каждый нечеткий ПД-регулятор (сигналы ошибки положения соответствующего звена и их изменения) сначала поступают в соответствующие блоки насыщения, один выход из каждого нечеткого ПД-регулятора умножается на соответствующий коэффициент для получения управляющего сигнала крутящего момента, сумма которого со значением сигнала возмущения является окончательным управляющим сигналом крутящего момента, который поступает на исполнительное устройство соответствующего звена робота-манипулятора, реальные текущие значения угла и скорости перемещения которых являются выходами интеллектуальной системы управления перемещением робота-манипулятора.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2008151667/22U RU83728U1 (ru) | 2008-12-25 | 2008-12-25 | Интеллектульная система управления перемещением робота-манипулятора |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2008151667/22U RU83728U1 (ru) | 2008-12-25 | 2008-12-25 | Интеллектульная система управления перемещением робота-манипулятора |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU83728U1 true RU83728U1 (ru) | 2009-06-20 |
Family
ID=41026193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2008151667/22U RU83728U1 (ru) | 2008-12-25 | 2008-12-25 | Интеллектульная система управления перемещением робота-манипулятора |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU83728U1 (ru) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2549161C2 (ru) * | 2010-07-30 | 2015-04-20 | Брётье Аутомацьён ГмбХ | Способ автономного программирования манипулятора с цифровым управлением |
| RU2653938C2 (ru) * | 2016-03-17 | 2018-05-15 | Общество с ограниченной ответственностью "Электротехнический завод ЭЛЗА" | Способ автоматической настройки ПИД-регулятора для управления дизельным двигателем в составе электроагрегатов и электростанций |
| RU203740U1 (ru) * | 2020-11-25 | 2021-04-19 | федеральное государственное бюджетное образовательное учреждение высшего образования "МИРЭА-Российский технологический университет" | Пятиканальный нечеткий регулятор |
-
2008
- 2008-12-25 RU RU2008151667/22U patent/RU83728U1/ru not_active IP Right Cessation
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2549161C2 (ru) * | 2010-07-30 | 2015-04-20 | Брётье Аутомацьён ГмбХ | Способ автономного программирования манипулятора с цифровым управлением |
| RU2653938C2 (ru) * | 2016-03-17 | 2018-05-15 | Общество с ограниченной ответственностью "Электротехнический завод ЭЛЗА" | Способ автоматической настройки ПИД-регулятора для управления дизельным двигателем в составе электроагрегатов и электростанций |
| RU203740U1 (ru) * | 2020-11-25 | 2021-04-19 | федеральное государственное бюджетное образовательное учреждение высшего образования "МИРЭА-Российский технологический университет" | Пятиканальный нечеткий регулятор |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abiyev et al. | Fuzzy control of omnidirectional robot | |
| Bazregar et al. | Parallel Soft Computing Control Optimization Algorithm for Uncertainty Dynamic Systems | |
| Salehi et al. | Intelligent robust feed-forward fuzzy feedback linearization estimation of PID control with application to continuum robot | |
| Hu et al. | A reinforcement learning neural network for robotic manipulator control | |
| Piltan et al. | A Design High Impact Lyapunov Fuzzy PD-Plus-Gravity Controller with Application to Rigid Manipulator | |
| Piltan et al. | Design Artificial Intelligent Parallel Feedback Linearization of PID Control with Application to Continuum Robot | |
| RU83728U1 (ru) | Интеллектульная система управления перемещением робота-манипулятора | |
| Brahmi et al. | Adaptive backstepping control of mobile manipulator robot based on virtual decomposition approach | |
| Ngo et al. | Enhancement of the Tracking Performance for Robot Manipulator by Using the Feed-forward Scheme and Reasonable Switching Mechanism | |
| Khoukhi et al. | A hierarchical neuro-fuzzy system to near optimal-time trajectory planning of redundant manipulators | |
| Guo et al. | The robot arm control based on rbf with incremental pid and sliding mode robustness | |
| Cursi et al. | Augmenting loss functions of feedforward neural networks with differential relationships for robot kinematic modelling | |
| Yang et al. | Adaptive neural network control of manipulators with uncertain kinematics and dynamics | |
| Shamseldin | Real-time inverse dynamic deep neural network tracking control for Delta robot based on a COVID-19 optimization | |
| Mbede et al. | Fuzzy and recurrent neural network motion control among dynamic obstacles for robot manipulators | |
| Glushchenko et al. | Adaptive neural network based control of balancing robot in real time mode | |
| Gan et al. | A speed jumping-free tracking controller with trajectory planner for unmanned underwater vehicle | |
| Kouhkord et al. | Design of a genetic based optimized fuzzy logic controller for enhanced trajectory tracking accuracy of a 3P robot | |
| Shiev et al. | Trajectory control of manipulators using type-2 fuzzy neural friction and disturbance compensator | |
| Kumar et al. | Neuro‐fuzzy control applied to multiple cooperating robots | |
| Khajeh et al. | Design new intelligent PID like fuzzy backstepping controller | |
| RU83729U1 (ru) | Система планирования перемещения робота-манипулятора в неизвестной динамической среде | |
| Ganin et al. | Hierarchical adaptive control system of a manipulator based on the synthesis of a neural network of fuzzy inference and an iterative refinement algorithm | |
| Qin et al. | Robotic Arm Trajectory Tracking Control Based on An RBF Neural Network Adaptive Control Algorithm | |
| Ventura–Hinostroza et al. | Real–time model reference adaptive fuzzy control of a 3dof robot arm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM1K | Utility model has become invalid (non-payment of fees) |
Effective date: 20091226 |
|
| NF1K | Reinstatement of utility model |
Effective date: 20120320 |
|
| MM1K | Utility model has become invalid (non-payment of fees) |
Effective date: 20131226 |