基于神经网络自适应的机器人关节跟踪控制方法技术

本发明专利技术公开了一种基于神经网络自适应的机器人关节跟踪控制方法，其包括步骤：1)建立机器人关节系统的模型，2)建立机器人关节系统在同时考虑驱动故障和执行器饱和情况下的状态空间表达和误差定义，3)设计机器人关节系统PID控制器和更新算法：PID控制器和更新算法：4)采用步骤3)所设计的机器人关节系统PID控制器和更新算法控制机器人关节的运动轨迹。本发明专利技术能够同时解决：系统中的驱动饱和和耦合效应，处理参数和非参数不确定性，系统运行时的执行故障处理和对非消失干扰进行补偿。且所得到的控制方案不仅对外部干扰具有鲁棒性，对非参数不确定性具有自适应能力，而且对不可预测的驱动故障具有容错能力。而且对不可预测的驱动故障具有容错能力。而且对不可预测的驱动故障具有容错能力。

【技术实现步骤摘要】
基于神经网络自适应的机器人关节跟踪控制方法


[0001]本专利技术涉及高度非线性的，受外界干扰和不确定性影响的机器人关节系统控制
，特别涉及刚臂机器人的关节位置跟踪控制。

技术介绍

[0002]随着社会科学技术的不断进步，智能机器人所起的作用越来越重要，其能在很多复杂情况下代替人类完成各种任务。
[0003]而人们对机器人系统性能的改进从未停止研究的脚步，机器人系统要想更加的灵巧、更加的自适应，就必须实现结构更加简单、更加专用和更加强大的控制算法。
[0004]早期对机器人关节系统控制方案发展的贡献包括完全或部分建立在带有前馈补偿和非线性反馈技术的系统模型上的。但一般来说，机器人关节系统本质上是高度非线性的，受外界干扰和不确定性影响，很难精确地得到相应的动态模型。

技术实现思路

[0005]有鉴于此，本专利技术的目的一种基于神经网络自适应的机器人关节跟踪控制方法，以解决具有衰落和驱动饱和问题的机器人关节系统的关节跟踪控制问题，实现较理想的跟踪控制。
[0006]本专利技术基于神经网络自适应的机器人关节跟踪控制方法包括以下步骤：
[0007]1)建立机器人关节系统的模型：
[0008][0009]上述模型中，q代表机器人关节的位置向量，代表机器人关节的速度向量，代表机器人关节运动的加速度向量，u
a
代表机器人关节系统的控制输入，系统参数D
q
(q)代表机器人关节系统的惯性矩阵，系统参数代表机器人关节系统的离心矩阵，系统参数G
q
(q)代表机器人关节系统的万有引力矩阵，系统参数代表机器人关节系统的不确定性和干扰因素；
[0010]2)建立机器人关节系统在同时考虑驱动故障和执行器饱和情况下的状态空间表达和误差定义：
[0011]u
a
(t)＝ρ(t)[Γ(0)+L(ξ)v+ε(v)]+ε(t)
[0012]＝ρ(t)L(ξ)v+[ρ(t)Γ(0)+ρ(t)ε(v)+ε(t)][0013]e＝x1‑
q
*
[0014][0015]上式中，u
a
(t)代表同时考虑驱动故障和执行器饱和的系统控制输入信号，Γ(0)+L(ξ)v+ε(v)代表执行器饱和情况下的控制信号，其中，v代表系统实际的控制器设计量，Γ(0)+L(ξ)v表示根据v的中值定理提出的一个平滑函数，Γ(0)是一个有界矩阵，L(ξ)是一个非负的正定矩阵，ε(v)是一个有界的近似误差，代表控制器的不确定因素；ρ(t)代表驱动器
的健康系数，ε(t)代表驱动器的扰动因素；e为e(
·
)的简写形式，e和e(
·
)代表系统动态误差，代表动态误差的二阶导，其中，x1＝q代表机器人关节的运动轨迹，代表机器人关节运动的加速度，q
*
表示给定关节跟踪轨迹；表示给定关节跟踪的加速度，
[0016]3)设计机器人关节系统PID控制器和更新算法：
[0017]PID控制器v表示为其中γ是设计者可任意设计的一个参数，k
D0
是设计者自行选择设计的一个常量。
[0018]设计神经自适应算法自动更新控制器参数，该更新率为：
[0019][0020]其中：θ0，θ1分别是需要设计者设计的正的常数；ψ(
·
)＝||S(
·
)||+1，其中S(
·
)为神经网络的基函数，S(
·
)和神经元数量由设计者任意确定；b＝max{||W
T
||,m}，是b的估计值，其中W
T
是理想的未知权重，m是模型的重建误差||η(
·
)||的上限；
[0021]4)采用步骤3)所设计的机器人关节系统PID控制器和更新算法控制机器人关节的运动轨迹。
[0022]本专利技术的有益效果：
[0023]本专利技术基于神经网络自适应的机器人关节跟踪控制方法，针对具有衰落和驱动饱和的机器人关节系统，设计了基于神经网络自适应控制的控制器和更新算法，该控制器为简单的PID形式，相对于传统的PID控制器算法复杂度大大降低，并且其能够同时解决：系统中的驱动饱和和耦合效应，处理参数和非参数不确定性，系统运行时的执行故障处理和对非消失干扰进行补偿。同时，所得到的控制方案不仅对外部干扰具有鲁棒性，对非参数不确定性具有自适应能力，而且对不可预测的驱动故障具有容错能力。
附图说明
[0024]图1是机器人关节模型图；
[0025]图2是采用实施例中控制方法进行仿真控制的机器人关节位置跟踪曲线，图中e1，e2，e3分别为机器人三个关节运动的轨迹误差。
具体实施方式
[0026]下面结合附图和实施例对本专利技术作进一步描述，以令本领域技术人员参照说明书文字能够据以实施。
[0027]本实施例中基于神经网络自适应的机器人关节跟踪控制方法包括以下步骤：
[0028]1)建立机器人关节系统的模型：
[0029][0030]上述模型中，q代表机器人关节的位置向量，代表机器人关节的速度向量，代表机器人关节运动的加速度向量，u
a
代表机器人关节系统的控制输入，系统参数D
q
(q)代表机器人关节系统的惯性矩阵，系统参数代表机器人关节系统的离心矩阵，系统参数G
q
(q)代表机器人关节系统的万有引力矩阵，系统参数代表机器人关节系统的不确定性和干扰因素。
[0031]2)建立机器人关节系统在同时考虑驱动故障和执行器饱和情况下的状态空间表达和误差定义：
[0032]u
a
(t)＝ρ(t)[Γ(0)+L(ξ)v+ε(v)]+ε(t)
[0033]＝ρ(t)L(ξ)v+[ρ(t)Γ(0)+ρ(t)ε(v)+ε(t)][0034][0035]上式中，u
a
(t)代表同时考虑驱动故障和执行器饱和的系统控制输入信号，Γ(0)+L(ξ)v+ε(v)代表执行器饱和情况下的控制信号，其中，v代表系统实际的控制器设计量，Γ(0)+L(ξ)v表示根据v的中值定理提出的一个平滑函数，Γ(0)是一个有界矩阵，L(ξ)是一个非负的正定矩阵，ε(v)是一个有界的近似误差，代表控制器的不确定因素；ρ(t)代表驱动器的健康系数，ε(t)代表驱动器的扰动因素；e为e(
·
)的简写形式，e和e(
·
)代表系统动态误差，代表动态误差的二阶导，其中，x1＝q代表机器人关节的运动轨迹，代表机器人关节运动的加速度，q
*
表示给定关节跟踪轨迹；表示给定关节跟踪的加速度，系统的集中不确定性可以通过基于径向基函数的神经网络进行系统重建，从而产生神经网络自适应控制方案。
[0036]3)设计机器人关节系统PID控制器和更新算法：
[0037]PID控制器v表示为其中γ是设计者可任意设计的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络自适应的机器人关节跟踪控制方法，包括步骤：1)建立机器人关节系统的模型：上述模型中，q代表机器人关节的位置向量，代表机器人关节的速度向量，代表机器人关节运动的加速度向量，u
a
代表机器人关节系统的控制输入，系统参数D
q
(q)代表机器人关节系统的惯性矩阵，系统参数代表机器人关节系统的离心矩阵，系统参数G
q
(q)代表机器人关节系统的万有引力矩阵，系统参数代表机器人关节系统的不确定性和干扰因素；其特征在于：还包括步骤：2)建立机器人关节系统在同时考虑驱动故障和执行器饱和情况下的状态空间表达和误差定义：u
a
(t)＝ρ(t)[Γ(0)+L(ξ)v+ε(v)]+ε(t)＝ρ(t)L(ξ)v+[ρ(t)Γ(0)+ρ(t)ε(v)+ε(t)]e＝x1‑
q
*
上式中，u
a
(t)代表同时考虑驱动故障和执行器饱和的系统控制输入信号，Γ(0)+L(ξ)v+ε(v)代表执行器饱和情况下的控制信号，其中，v代表系统实际的控制器设计量，Γ(0)+L(ξ)v表示根据v的中值定理提出的一个平滑函数，Γ(0)是一个有界矩阵，L(ξ)是一个非负的正定矩阵，ε(v)是一个有界的近似误差，代表...

【专利技术属性】
技术研发人员：宋永端，刘欢，赖俊峰，蒋自强，张杰，陈欢，黄力，张聪毅，陈颖睿，杨雅婷，任春旭，胡芳，吴将娱，
申请(专利权)人：重庆大学，
类型：发明
国别省市：