基于自适应神经网络的机器人模型预测控制方法技术

本发明专利技术属于智能机器人控制、时变非线性系统控制领域，具体涉及一种基于自适应神经网络的机器人模型预测控制方法、系统、装置，旨在解决存在模型不确定性以及输入约束的情况下，机械臂的最优跟踪控制问题。本系统方法包括：计算跟踪误差；通过动作网络获取预测控制率，并更新动作‑评价网络的权重值；判断i是否大于设定的预测时长，若是，则判断动作‑执行网络权重变化是否满足阈值或迭代次数大于最大迭代次数，若是，则通过动作网络计算机械臂t

【技术实现步骤摘要】
基于自适应神经网络的机器人模型预测控制方法
本专利技术属于智能机器人控制、时变非线性系统控制领域，具体涉及一种基于自适应神经网络的机器人模型预测控制方法、系统、装置。
技术介绍
模型预测控制是一种有效的最优控制策略。机器人的模型预测控制是机器人应用领域的一个复杂问题，一方面由于机器人结构的高耦合性和复杂性，导致实际机器人系统动态存在大量的不确定性，如严格的非线性、未知的环境、未知的系统参数等；另一方面由于机器人的系统特性，对模型预测控制求解的实时性提出较高要求。针对系统动态存在不确定性的问题，传统解决方法主要包括：(1)对于已知或部分已知的系统动态，将其表达为带有扰动的标称系统，利用标称系统动态构造预测模型，通过鲁棒模型预测控制、Tube-模型预测控制、最大-最小模型预测控制或者扰动观测器等方法补偿扰动。然而此类方法需要明确已知的标称系统动态，对系统动态完全未知的机器人系统来说难度较大；(2)利用神经网络、模糊网络等方法构造预测模型。然而多数此类模型都需要进行离线训练或者预训练，不适合在线解决机器人系统不确定性带来的控制难题；(3)结合本文档来自技高网...

【技术保护点】
1.一种基于自适应神经网络的机器人模型预测控制方法，其特征在于，该方法包括：/n步骤S10，获取机械臂t

【技术特征摘要】
1.一种基于自适应神经网络的机器人模型预测控制方法，其特征在于，该方法包括：
步骤S10，获取机械臂tk时刻的实际位置、实际速度以及期望位置、期望速度，计算跟踪误差；并初始化i为0、nR为1；其中，i、nR为自然数；
步骤S20，对预构建的动作-评价网络中的动作网络，基于tk+i时刻的跟踪误差，结合其tk+i-1时刻的权重值，通过其获取tk+i-tk+i+1时刻的控制率，作为预测控制率，并更新动作-评价网络的权重值；
步骤S30，判断i是否大于设定的预测时长，若是，则执行步骤S40，否则基于所述预测控制率，结合tk+i时刻的跟踪误差，通过预构建的预测模型获取tk+i+1时刻的跟踪误差，并令i＝i+1，跳转步骤S20；
步骤S40，判断动作网络、评价网络权重变化的和是否小于等于设定阈值或者nR大于设定的最大迭代次数，若是，则执行步骤S50，否则令nR＝nR+1，i＝0，跳转步骤S20；所述权重变化为更新后的权重值与更新前的权重值的差；
步骤S50，基于更新的权重值，结合tk时刻的位置误差，通过所述动作网络计算机械臂tk-tk+1时刻的实际控制率，作用于机械臂；
步骤S60，令k＝k+1，循环执行步骤S10-步骤S50，直至机械臂到达设定的目标位置；
所述预测模型、所述动作-评价网络基于径向基神经网络构建。


2.根据权利要求1所述的基于自适应神经网络的机器人模型预测控制方法，其特征在于，所述预测模型为基于机械臂的跟踪误差的动态特性构建的模型，该模型其获取跟踪误差的方法为：






其中，表示tk时刻的一阶跟踪误差、二阶跟踪误差，表示tk+1时刻的一阶跟踪误差动态、二阶跟踪误差动态，表示预测模型的激活函数，qd表示期望轨迹，L表示正整数，表示预测模型的权重值，表示tk时刻的跟踪误差的估计偏差，τ表示预测控制率，z+表示增广误差，表示tk时刻的左侧逼近，K1表示预设的虚拟变量参数。


3.根据权利要求2所述的基于自适应神经网络的机器人模型预测控制方法，其特征在于，所述动作网络其获取控制率的方法为：









其中，表示当前时刻的控制率，t表示时间段，表示哈密尔顿函数，表示跟踪误差，表示哈密尔顿函数中控制率的参数项，表示动作网络的权重值，表示动作网络的激活函数，λ表示输入约束上限值，R表示损失函数参数，表示预测模型参数，(·)T表示转置。


4.根据权利要求3所述的基于自适应神经网络的机器人模型预测控制方法，其特征在于，所述动作网络其权重值更新方法为：



其中，表示动作网络的更新变化率，αa＞0表示动作网络预设的学习率，Ξ2(·)定义为一种运算，分别对...

【专利技术属性】
技术研发人员：康二龙，高洁，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