基于SCN系统偏移量辨识的坐垫机器人限时学习控制方法技术方案

本发明专利技术公开了一种基于随机配置网络（Stochastic Configuration Networks，SCN）系统偏移量辨识的坐垫机器人限时学习控制方法，其特征为：基于坐垫机器人的动力学模型，将使用者引起系统的偏移量从模型中分离，建立具有系统偏移量的坐垫机器人动力学模型；基于SCN方法构建系统偏移量的网络辨识模型，以运动轨迹和速度为网络输入，通过不断随机配置隐含层节点参数，获得坐垫机器人系统的偏移量；基于迭代学习理论，设计限时学习跟踪控制器，抑制系统偏移量对坐垫机器人跟踪精度的影响，同时在有限学习时间内实现稳定的轨迹跟踪；基于MSP340系列单片机将输出PWM信号提供给电机驱动模块。动模块。动模块。

【技术实现步骤摘要】
基于SCN系统偏移量辨识的坐垫机器人限时学习控制方法

：
[0001]本专利技术涉及坐垫机器人的控制领域，尤其是限时学习控制领域。

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，会使系统发生偏移，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，解决坐垫机器人系统偏移问题对提高跟踪精度和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机器人跟踪运动具有重复性的特点，导致跟踪精度不理想。事实上随着重复学习次数的增加，系统跟踪精度逐渐提高，最终会使跟踪误差趋向于零。另外，机器人迭代学习控制也取得了一些研究成果，然而这些成果在考虑重复学习跟踪时，都没有考虑每次学习时间的受限问题。如果机器人每次学习时间过长，将会产生较大的暂态跟踪误差，容易发生碰撞。因此，加快系统学习过程，快速实现跟踪误差系统的稳定性对保障残疾者的安全性尤其重要。本专利技术提出了系统偏移量的辨识方法及限时学习控制方法，到目前为止，还没有使用SCN(Stochastic Configuration Networks，SCN)方法对坐垫机器人系统偏移量进行辨识，并对其进行限时学习控制的研究。因此，研究如何抑制系统偏移量对坐垫机器人跟踪精度的影响，并快速实现跟踪误差系统的有限时间稳定性具有重大意义。

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系统偏移量辨识的坐垫机器人限时学习控制方法技术方案：
[0006]本专利技术是通过以下技术方案来实现的：
[0007]一种基于SCN系统偏移量辨识的坐垫机器人限时学习控制方法，其特征在于：
[0008]1)基于坐垫机器人的动力学模型，将使用者引起系统的偏移量从模型中分离，建立具有系统偏移量的坐垫机器人动力学模型；
[0009]2)基于SCN方法构建系统偏移量的网络辨识模型，以运动轨迹和速度为网络输入，通过不断随机配置隐含层节点参数，获得坐垫机器人系统的偏移量；
[0010]3)基于迭代学习理论，设计限时学习跟踪控制器，抑制系统偏移量对坐垫机器人跟踪精度的影响，同时在有限学习时间内实现稳定的轨迹跟踪。
[0011]步骤如下：
[0012]步骤1)基于坐垫机器人的动力学模型，将使用者引起系统的偏移量从模型中分离，建立具有系统偏移量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
[0013][0014]其中，
[0015][0016][0017]其中，M表示坐垫机器人质量，m表示使用者质量，M0表示系数矩阵，X(t)表示坐垫机器人在x、y和旋转角三个方向的运动轨迹，u(t)为坐垫机器人三个轮子的控制输入力，r0表示坐垫机器人的重心到中心的距离，I0表示坐垫机器人的转动惯量，表示用户的转动惯量，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表示坐垫机器人的重心到每个全向轮中心的距离。
[0018]当坐垫机器人学习到第k次时，将系统模型(2)写成如下形式
[0019][0020]其中k∈Z+表示学习次数，t∈[0,T]表示学习时间。分离模型(2)中由使用者引起系统偏移量，和使用者质量信息，记M0＝M1+ΔM0+ΔM1，模型(2)可以化为如下形式
[0021][0022]其中，且ξ1(t)、ξ2(t)均有界，
[0023][0024]ΔM0表示M0分离出的由使用者引起系统偏移量，ΔM1表示M0分离出的使用者质量。
[0025]令x
1,k
(t)＝X
k
(t)，由方程(3)得到具有系统偏移量的坐垫机器人动力学模型：
[0026][0027]步骤2)基于SCN方法构建系统偏移量的网络辨识模型，以运动轨迹和速度为网络输入，通过不断随机配置隐含层节点参数，获得坐垫机器人系统的偏移量，其特征在于：以坐垫机器人运动轨迹和速度作为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(x
k
(t))。
[0028]其中，
[0029]b＝[b1,b2,
…
b
Q
]T
，
[0030]G(x
k
(t))＝[g1(ω1x
k
(t)+b1),...,g
Q
(ω
Q
x
k
(t)+b
Q
)]T
[0031]g
j
(ω
j
x
k
(t)+b
j
)为隐含层第j个节点的输出j＝(1,2,
…
,Q)，ω
d,j
为输入层第d个输入连接隐含层第j个节点的权值，d＝(1,2,
…
,6)，b
j
为隐含层第j个节点的阈值。
[0032]然后，SCN隐含层通过权重与输出层连接，得到系统偏移量的网络输出如下：
[0033][0034]其中，
[0035][0036]为第j个隐含层节点连接第个g输出的权值g＝(1,2,3)。
[0037]进一步，根据隐含层节点数为Q-1时得到的系统偏移量估计误差随机配置第Q个隐含层节点参数δ
Q
，使其满足δ
Q
>0，δ
Q
表达形式如下：
[0038][0039]其中，参数0<r<1,{μ
Q
}为非负实数序列，μ
Q
≤(1-r)，ε
Q-1
为隐含层节点数为Q-1时的估计误差。
[0040]由于
[0041][0042]其中，
[0043][0044]故
[0045][0046]当δ
Q
>0时，ε
QT
ε
Q
<(r+μ
Q
)ε
Q-1T
ε
Q-1
，随着随机配置的隐含层节点数不断增加，便可实现系统偏移量估计
[0047]步骤3)基于迭代学习理论，设计限时迭代学习跟踪控制器，抑制系统偏移量对坐垫机器人跟踪精度的影响，同时在有限学习时间内实现稳定的轨迹跟踪。其特征在于：根据坐垫器人在第k次学习的运动轨迹x
1,k
(t)和指定轨迹x
d
(t)，得到第k次学习的轨迹跟踪误差和速度跟踪误差分别为
[0048][0049]设计辅助变量z
k
(t)＝e
2,k
(t)-η(e
1,k<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SCN系统偏移量辨识的坐垫机器人限时学习控制方法，其特征在于：基于坐垫机器人的动力学模型，将使用者引起系统的偏移量从模型中分离，建立具有系统偏移量的坐垫机器人动力学模型；基于SCN方法构建系统偏移量的网络辨识模型，以运动轨迹和速度为网络输入，通过不断随机配置隐含层节点参数，获得坐垫机器人系统的偏移量；基于迭代学习理论，设计限时学习跟踪控制器，抑制系统偏移量对坐垫机器人跟踪精度的影响，同时在有限学习时间内实现稳定的轨迹跟踪。步骤如下：1)基于坐垫机器人的动力学模型，将使用者引起系统的偏移量从模型中分离，建立具有系统偏移量的坐垫机器人动力学模型；2)基于SCN方法构建系统偏移量的网络辨识模型，以运动轨迹和速度为网络输入，通过不断随机配置隐含层节点参数，获得坐垫机器人系统的偏移量；3)基于迭代学习理论，设计限时学习跟踪控制器，抑制系统偏移量对坐垫机器人跟踪精度的影响，同时在有限学习时间内实现稳定的轨迹跟踪。2.根据权利要求1所述基于SCN系统偏移量辨识的坐垫机器人限时学习控制方法，其特征在于基于坐垫机器人的动力学模型，将使用者引起系统的偏移量从模型中分离，建立具有系统偏移量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，其中，M表示坐垫机器人质量，m表示使用者质量，M0表示系数矩阵，X(t)表示坐垫机器人在x、y和旋转角三个方向的运动轨迹，u(t)为坐垫机器人三个轮子的控制输入力，r0表示坐垫机器人的重心到中心的距离
，
I0表示坐垫机器人的转动惯量，表示使用者的转动惯量，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表示坐垫机器人的重心到每个全向轮中心的距离。当坐垫机器人学习到第k次时，系统模型(2)写成如下形式其中k∈Z
+
表示学习次数，t∈[0,T]表示学习时间。分离模型(2)中由使用者引起系统的偏移量和使用者质量信息，记M0＝M1+ΔM0+ΔM1，模型(2)可以化为如下形式其中，且ξ1(t)、ξ2(t)均有界，
令x
1,k
(t)＝X
k
(t)，由方程(3)得到具有系统偏移量的坐垫机器人动力学模型：3.根据权利要求1所述基于SCN系统偏移量辨识的坐垫机器人限时学习控制方法，其特征在于基于SCN方法构建系统偏移量的网络辨识模型，以运动轨迹和速度为网络输入，通过不断随机配置隐含层节点参数，获得坐垫机器人系统的偏移量，以坐垫机器人运动轨迹和速度作为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(x
k
(t))。其中，b＝[b1,b2,
…
b
Q
]
T
，G(x
k
(t))＝[g1(ω1x
k
(t)+b1),...,g
Q
(ω
Q
x
k
(t)+b
Q
)]
T
g
j
(ω
j
x
k
(t)+b
j
)为隐含层第j个节点的输出j＝(1,2,
…
,Q)，ω
d,j
为输入层第d个输入连接隐含层第j个节点的权值，d＝(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，得到系统偏移量的网络输出如下：其中，其中，为第j个隐含层节点连接第个g输出的权值g＝(1,2,3)。进一步，根据隐含层节点数为Q-1时得到的系统偏移量误差随机配置第Q个隐含层节点参数，使其满足δ
Q
&gt;0，δ
Q
表达形式如下：
其中，参数0&lt;r&lt;1,{μ
Q
}为非负实数序列，μ
Q
≤(1-r)，随着随机配置的隐含层节点数不断增加，直至便可实现系统的偏移量辨识4.根据权利要求1所述基于SCN系统偏移量辨识的坐垫机器人限时学习控制方法，其特征在于基于迭代学习理论，设计限时迭代学习跟踪控制器，抑制系统偏移量对坐垫机器人跟踪精度的影响，同时在有限学习时间内实现稳定的轨迹跟踪。根据坐垫器人在第k次学习的运...

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