【技术实现步骤摘要】
基于生物启发式神经网络的机器人自适应阻抗控制方法
本专利技术属于机器人控制和非线性系统领域，具体涉及了一种基于生物启发式神经网络的机器人自适应阻抗控制方法。
技术介绍
阻抗控制是用于解决机器人和环境之间的安全交互问题。机器人的阻抗控制的机器人应用领域的一个复杂问题。由于机器人结构的复杂性，导致实际的机器人系统往往存在大量的不确定性，如严格的非线性、未知的环境、未知系统参数等等。针对不确定性存在的系统阻抗控制问题，传统方法主要分为两种：反馈控制，如PID控制；预测控制，如模型控制等。PID控制器(比例-积分-微分控制器)是一个在工业控制应用中常见的反馈回路部件，由比例单元P、积分单元I和微分单元D组成。PID控制的基础是比例控制；通过积分控制消除稳态误差，但可能增加超调；通过微分控制加快大惯性系统响应速度以及减弱超调趋势。PID控制可根据测量误差反馈，设计比例、积分微分控制增益，来降低不确定性对于控制性能的影响。然而PID不具备在线学习和调节的能力，这使得系统控制的实时性降低。而模型预测控制主要针对的是线性系统，通过过程模型考...
【技术保护点】
1.一种基于生物启发式神经网络的机器人自适应阻抗控制方法，其特征在于，该方法包括：/n步骤S10，获取机器人机械臂控制系统的初始控制力矩、期望阻抗、运动轨迹；构建机器人含阻抗的n自由度机械臂系统的动态方程以及期望阻抗模型；/n步骤S20，基于控制力矩与期望阻抗的差以及期望阻抗，分别通过所述n自由度机械臂系统的动态方程以及期望阻抗模型，获取t时刻机器人机械臂控制系统的真实状态以及期望状态；/n步骤S30，基于所述t时刻机器人机械臂控制系统的真实状态以及期望状态，通过自适应阻抗控制器，获取t+1时刻机器人机械臂控制系统的控制力矩；/n步骤S40，基于所述t+1时刻机器人机械臂控...
【技术特征摘要】
1.一种基于生物启发式神经网络的机器人自适应阻抗控制方法，其特征在于，该方法包括：
步骤S10，获取机器人机械臂控制系统的初始控制力矩、期望阻抗、运动轨迹；构建机器人含阻抗的n自由度机械臂系统的动态方程以及期望阻抗模型；
步骤S20，基于控制力矩与期望阻抗的差以及期望阻抗，分别通过所述n自由度机械臂系统的动态方程以及期望阻抗模型，获取t时刻机器人机械臂控制系统的真实状态以及期望状态；
步骤S30，基于所述t时刻机器人机械臂控制系统的真实状态以及期望状态，通过自适应阻抗控制器，获取t+1时刻机器人机械臂控制系统的控制力矩；
步骤S40，基于所述t+1时刻机器人机械臂控制系统的控制力矩，控制机器人机械臂运动，并令t＝t+1后跳转步骤S20，直至机器人机械臂完成运动轨迹。
2.根据权利要求1所述的基于生物启发式神经网络的机器人自适应阻抗控制方法，其特征在于，笛卡尔空间下的n自由度机械臂系统的动态方程为：
其中，x∈Rn为机械臂末端的位置坐标；和分别为对应的末端速度和加速度；Γ∈Rn为控制力矩；D(q)∈Rn×n为对称且正定的惯性矩阵；G(q)∈Rn分别为笛卡尔空间的科氏力矩阵以及重力矩阵；Γe∈Rn为期望阻抗，即机器人与环境之间的期望的相互作用力。
3.根据权利要求2所述的基于生物启发式神经网络的机器人自适应阻抗控制方法，其特征在于，所述期望阻抗模型为：
其中，xc为预先定义的命令轨迹，xd为完成期望交互动作的目标轨迹，Dd、Cd、Gd分别为期望的惯性参数矩阵、科氏力矩阵、重力矩阵。
4.根据权利要求1所述的基于生物启发式神经网络的机器人自适应阻抗控制方法，其特征在于，所述自适应阻抗控制器为：
其中，为动力学信息的估计值，rs(u)表示通过生物启发式网络完成输入到系统参数的映射函数，u为输入量；为期望的自适应控制权值，ζe(u)∈Rn，为网络估计误差；z1＝xd-x，为机械臂在笛卡尔空间的跟踪误差，xd为期望状态，x为当前系统状态；为z1＝xd-x的二阶导数；是为了确保系统稳定性引入的虚拟变量，K1代表常数比例矩阵；Kp和Kr分别是具有对角结构的正的恒定增益矩阵，分别用于调控反馈误差z2和饱和误差sgn(z2)对跟踪性能的影响。
5.根据权利要求4所述的基于生物启发式神经网络的机器人自适应阻抗控制方法，其特征在于，所述系统信息估算网络基于生物启发式网络构建，并通过时滞神经元进行反馈，包括输入层、中间层、循环层和时滞层。
6.根据权利要求5所述的基于生物启发式神经网络的机器人自适应阻抗控制方法，其特征在于，所述时滞神经元，其膜电位的动态变化方程为：
其中，和分别表示第i个神经元的状态和响应值；δ(k)为随机时变的时滞项，其值满足[0,k)的...
【专利技术属性】
技术研发人员：高洁，康二龙，乔红，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。