基于SCN内干扰力估计的坐垫机器人安全触发控制方法技术

本发明专利技术公开了一种基于随机配置网络（Stochastic Configuration Networks，SCN）内干扰力估计的坐垫机器人安全触发控制方法。其特征为：基于坐垫机器人的动力学模型，考虑使用者操作日常生活动作对人机系统产生的干扰，建立具有内干扰力的坐垫机器人动力学模型；基于SCN方法构建内干扰力的网络估计模型，以轨迹跟踪误差和速度跟踪误差为网络输入，通过不断随机配置隐含层节点参数，获得人机系统中内干扰力估计；设计安全触发跟踪控制器，抑制内干扰力对系统跟踪精度的影响，并将轨迹跟踪误差和速度跟踪误差限制在指定范围内，保障使用者安全。者安全。者安全。

【技术实现步骤摘要】
基于SCN内干扰力估计的坐垫机器人安全触发控制方法

：
[0001]本专利技术涉及坐垫机器人的控制领域，尤其是抑制内干扰力安全触发控制方法。

技术介绍
：
[0002]由于高龄人口和下肢残疾者无法完成日常独立生活，给家庭照顾人员和社会带来沉重负担，坐垫机器人可以代替下肢残疾者的步行功能，帮助残疾者完成日常生活动作，因此受到研究者的广泛关注。残疾者操作各种生活动作过程中，会对人机系统产生内部干扰力，严重影响坐垫机器人的跟踪运动，甚至产生较大的跟踪误差碰撞周围物体，威胁残疾者的安全。因此，解决坐垫机器人内干扰力和安全控制问题对提高跟踪精度及安全性具有重要意义。
[0003]关于坐垫机器人跟踪控制已有许多研究成果，然而这些成果都忽略了人机合作操作生活动作过程中内干扰力及安全控制问题，不仅导致跟踪精度不理想，而且过大的轨迹跟踪误差和速度跟踪误差都会威胁使用者的安全。另外，关于机器人状态约束控制也取得了一些研究成果，然而都没有考虑安全触发器设计问题，这样控制器会连续更新而无法节约通信资源，导致机器人续航能力降低。到目前为止，还没有关于SCN(Stochastic Configuration Networks，SCN)方法估计坐垫机器人系统内干扰力以及安全触发控制的研究结果。因此，研究如何抑制内干扰力对跟踪精度的影响，并解决安全触发控制问题对提高坐垫机器人性能具有重大意义。

技术实现思路
：
[0004]专利技术目的：
[0005]为了解决上述问题，本专利技术提供了一种基于SCN内干扰力估计的坐垫机器人安全触发控制方法，目的是抑制内干扰力对系统跟踪性能的影响，同时通过安全触发器保障人机系统运动的安全性。
[0006]技术方案：
[0007]本专利技术是通过以下技术方案来实现的：
[0008]一种基于SCN内干扰力估计的坐垫机器人安全触发控制方法，其特征在于：
[0009]1)基于坐垫机器人的动力学模型，考虑使用者操作日常生活动作对人机系统产生的干扰，建立具有内干扰力的坐垫机器人动力学模型；
[0010]2)基于SCN方法构建内干扰力的网络估计模型，以轨迹跟踪误差和速度跟踪误差为网络输入，通过不断随机配置隐含层节点参数，获得人机系统中内干扰力估计；
[0011]3)设计安全触发跟踪控制器，抑制内干扰力对系统跟踪精度的影响，并将轨迹跟踪误差和速度跟踪误差限制在指定范围内，保障使用者安全。
[0012]步骤如下：
[0013]步骤一)基于坐垫机器人的动力学模型，考虑使用者操作日常生活动作对人机系统产生的干扰，建立具有内干扰力的坐垫机器人动力学模型，其特征在于：系统的动力学模
型描述如下：
[0014][0015]其中
[0016][0017][0018]u(t)＝[f
1 f
2 f3]T
[0019]其中M表示坐垫机器人的质量；m表示使用者的质量；I0表示坐垫机器人的转动惯量；r0表示系统中心与重心之间的距离。u(t)表示广义输入力，f1，f2和f3分别表示各个全向轮的广义输入力。M0，B(θ)表示系数矩阵，θ表示水平轴和机器人中心与第一个轮子中心连线间的夹角，l表示机器人中心到各个轮子的距离。
[0020]考虑使用者操作日常生活动作时对机器人输入力的影响，将广义输入力分解为u(t)＝u0(t)+u
f
(t)，其中u0(t)表示待设计的控制输入力，u
f
(t)表示人机系统内干扰力，建立具有人机系统内干扰力的坐垫机器人动力学模型：
[0021][0022]步骤二)基于SCN方法构建内干扰力的网络估计模型，以轨迹跟踪误差和速度跟踪误差为网络输入，通过不断随机配置隐含层节点参数，获得人机系统中内干扰力估计。其特征在于：以机器人运动轨迹跟踪误差和速度跟踪误差作为SCN的网络输入层，并通过权重ω和阈值b与隐含层连接，利用高斯函数得隐含层输出G(e(t))。
[0023]其中
[0024][0025]b＝[b1,b2,...,b
L
]T G(e(t))＝[g1(ω1e(t)+b1),...,g
L
(ω
L
e(t)+b
L
)]T
[0026]g
j
(ω
j
e(t)+b
j
)为隐含层第j个节点的输出j＝(1,2,...,L)，ω
h,j
为输入层第h个输入连接隐含层第j个节点的权值，h＝(1,2,...,6)，b
j
为隐含层第j个节点的阈值。
[0027]然后，SCN隐含层通过权重与输出层连接，得到内干扰力估计的网络输出如下：
[0028][0029]其中
[0030][0031]为第j个隐含层节点连接第g个输出的权值g＝(1,2,3)。
[0032]进一步根据隐含层节点数为L-1时得到的内干扰力估计误差随机配置第L个隐含层节点参数，使其满足δ
L
>0，δ
L
表达形式如下：
[0033][0034]由于
[0035][0036]其中
[0037][0038]故
[0039]其中，参数0<r<1,{μ
L
}为非负实数序列，随着随机配置的隐含层节点数不断增加，直至便可实现内干扰力估计
[0040]步骤三)设计安全触发跟踪控制器，抑制内干扰力对系统跟踪精度的影响，并将轨迹跟踪误差和速度跟踪误差限制在指定范围内，保障使用者安全。其特征在于：坐垫机器人实际运动轨迹X(t)，指定运动轨迹X
d
(t)，则轨迹跟踪误差和速度跟踪误差为：
[0041][0042]其中e1(t)＝[e
11
(t) e
12
(t) e
13
(t)]T
分别表示x轴、y轴及旋转角方向的轨迹跟踪
误差，e2(t)＝[e
21
(t) e
22
(t) e
23
(t)]T
分别表示x轴、y轴及旋转角方向的速度跟踪误差。
[0043]将式(2)代入式(5)得到跟踪误差方程为：
[0044][0045]设计控制器u0(t)如下：
[0046][0047]由此得到触发控制器为：
[0048][0049]设计安全触发器如下：
[0050]当t0时刻首次触发时：
[0051]t0＝min{t>0；|e
1r
(t)|≥a
1r or|e
2r
(t)|≥a
2r
},r＝1.2.3
ꢀꢀꢀ
(9)
[0052]当t
i
(i≥1)时刻触发时：
[0053]t
i
＝min{t≥t
...

【技术保护点】

【技术特征摘要】
1.基于SCN内干扰力估计的坐垫机器人安全触发控制方法，其特征在于基于坐垫机器人的动力学模型，考虑使用者操作日常生活动作对人机系统产生的干扰，建立具有内干扰力的坐垫机器人动力学模型；基于SCN方法构建内干扰力的网络估计模型，以轨迹跟踪误差和速度跟踪误差为网络输入，通过不断随机配置隐含层节点参数，获得人机系统中内干扰力估计；设计安全触发跟踪控制器，抑制内干扰力对系统跟踪精度的影响，并将轨迹跟踪误差和速度跟踪误差限制在指定范围内，保障使用者安全。步骤如下：1)基于坐垫机器人的动力学模型，考虑使用者操作日常生活动作对人机系统产生的干扰，建立具有内干扰力的坐垫机器人动力学模型；2)基于SCN方法构建内干扰力的网络估计模型，以轨迹跟踪误差和速度跟踪误差为网络输入，通过不断随机配置隐含层节点参数，获得人机系统中内干扰力估计；3)设计安全触发跟踪控制器，抑制内干扰力对系统跟踪精度的影响，并将轨迹跟踪误差和速度跟踪误差限制在指定范围内，保障使用者安全。2.根据权利要求1所述基于SCN内干扰力估计的坐垫机器人安全触发控制方法，其特征在于基于坐垫机器人的动力学模型，考虑使用者操作日常生活动作对人机系统产生的干扰，建立具有内干扰力的坐垫机器人动力学模型，系统的动力学模型描述如下：其中其中u(t)＝[f
1 f
2 f3]
T
其中M表示坐垫机器人的质量；m表示使用者的质量；I0表示坐垫机器人的转动惯量；r0表示系统中心与重心之间的距离。u(t)表示广义输入力，f1，f2和f3分别表示各个全向轮的广义输入力。M0，B(θ)表示系数矩阵，θ表示水平轴和机器人中心与第一个轮子中心连线间的夹角，l表示机器人中心到各个轮子的距离。考虑使用者操作日常生活动作时对机器人输入力的影响，将广义输入力分解为u(t)＝u0(t)+u
f
(t)，其中u0(t)表示待设计的控制输入力，u
f
(t)表示人机系统内干扰力，建立具有人机系统内干扰力的坐垫机器人动力学模型：3.根据权利要求1所述基于SCN内干扰力估计的坐垫机器人安全触发控制方法，其特征在于基于SCN方法构建内干扰力的网络估计模型，以轨迹跟踪误差和速度跟踪误差为网络
输入，通过不断随机配置隐含层节点参数，获得人机系统中内干扰力估计；以机器人运动轨迹跟踪误差和速度跟踪误差作为SCN的网络输入层，并通过权重ω和阈值b与隐含层连接，利用高斯函数得到隐含层输出G(e(t))。其中b＝[b1,b2,...,b
L
]
T G(e(t))＝[g1(ω1e(t)+b1),...,g
L
(ω
L
e(t)+b
L
)]
T
g
j
(ω
j
e(t)+b
j
)为隐含层第j个节点的输出j＝(1,2,...,L)，ω
h,j
为输入层第h个输入连接隐含层第j个节点的权值，h＝(1,2,...,6)，b
j
为隐含层第j个节点的阈值。然后，SCN隐含层通过权重与输出层连接，得到内干扰力估计的网络输出如下：其中其中为第j个隐含层节点连接第g个输出的权值g＝(1,2,3)。进一步根据隐含层节点数为L-1时得到的内干扰力估计误差随机配置第L个隐含层节点参数，使其满足δ
L
>0，δ
L
表达形式如下：其中，参数0<r<1,{μ
L
}为非负实数序列，μ
L
≤(1-r),随着随机配置的隐含层节点数不断增加，直至便可实现内干扰力估计4.根据权利要求1所述基于SCN内干扰力估计的坐垫机器人安全触发控制方法，其特征在于设计安全触发跟踪控制器，抑制...

【专利技术属性】
技术研发人员：孙平，常黎明，王殿辉，王硕玉，李树江，连常乐，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：