一种柔性驱动机器人的复合学习自适应控制方法技术

本发明专利技术公开了一种柔性驱动机器人的复合学习自适应控制方法，通过建立CAR模型并构建CAR控制器；基于奇异摄动理论，根据CAR模型建立第一降阶系统和第一边界层系统，根据CAR控制器构建内环线性控制器，根据第一边界层系统和内环线性控制器确定第二边界层系统，结合CAR控制器，将第一降阶系统进行线性参数化，得到第二降阶系统，根据复合学习自适应律构建外环复合学习自适应控制器，根据第二降阶系统、第二边界层系统、内环线性控制器和外环复合学习自适应控制器构造机器人系统控制器，无需机器人位置的高阶导数信息进行计算，并且能够稳定高效地保持柔性驱动机器人系统的跟踪性能和鲁棒性。和鲁棒性。和鲁棒性。

【技术实现步骤摘要】
一种柔性驱动机器人的复合学习自适应控制方法


[0001]本专利技术涉及智能机器人
，尤其是一种柔性驱动机器人的复合学习自适应控制方法。

技术介绍

[0002]柔性驱动机器人(compliantly actuated robot，CAR)由柔性执行器驱动以实现快速精确的位置跟踪和安全人机交互。柔性执行器是在驱动电机与负载之间主动引入柔顺性元素的机器人执行器。与刚性机器人相比，柔性驱动机器人通常具有更大的关节开环柔顺性，这允许执行器内环使用高增益反馈提升关节力矩控制带宽，实现宽频率范围内的闭环稳定性和低输出阻抗，并在高于控制带宽的频段输出关节内在低阻抗。然而，柔性执行器会给CAR引入关节弹性，增加系统在控制过程中的振动和整定时间，甚至破坏系统稳定性。因此，在控制器设计中考虑关节柔顺性的影响，对提高CAR的关节跟踪精度和瞬态行为均具有重要意义。
[0003]传统的CAR轨迹跟踪控制方法是在柔性关节机器人模型上直接设计的，例如反步法和无源性方法。这种设计方法需要关节的加速度和加加速度信息，然而机器人通常不装配加速度传感器，因此加速度和加加速度在实际中难以准确地获取，并且对测量噪声即为敏感，容易影响系统的控制性能甚至稳定性。传统的CAR控制方法依赖精确的模型信息，模型信息的不准确性会降低系统的跟踪性能和鲁棒性。虽然自适应是一种不需要精确机器人模型就能控制机器人的有效方法，但是为了保证自适应控制的指数稳定性，从而具有足够的鲁棒性并提高跟踪性能，需要持续激励这一严格条件。持续激励要求机器人的位置和速度信号一直保持具有丰富频谱信息的状态，因此在实际中是非常苛刻而难以满足的。这导致估计参数难以收敛到真实参数，进而降低系统的跟踪性能和鲁棒性。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供一种稳定、高效的柔性驱动机器人的自适应控制方法。
[0005]本专利技术的实施例提供了一种柔性驱动机器人的复合学习自适应控制方法，包括：建立CAR模型并构建CAR控制器的结构；基于奇异摄动理论，根据所述CAR模型建立第一降阶系统和第一边界层系统；根据所述CAR控制器构建内环线性控制器；根据所述第一边界层系统和所述内环线性控制器确定第二边界层系统；结合所述CAR控制器，将所述第一降阶系统进行线性参数化，得到第二降阶系统；根据复合学习自适应律构建外环复合学习自适应控制器；根据所述第二降阶系统、所述第二边界层系统、所述内环线性控制器和所述外环复合学习自适应控制器构造机器人系统控制器。
[0006]可选地，所述CAR模型的表达式为：
[0007][0008][0009]其中，q表示机器人连杆侧的关节位置；表示机器人连杆侧的速度；表示为机器人连杆侧的加速度；τ
a
表示关节连杆侧的力矩；M表示机器人连杆侧的惯性矩阵；C为连杆侧的科里奥利矩阵；G表示机器人连杆侧的重力力矩；F表示摩擦力；θ表示机器人电机侧的位置；表示机器人电机侧的速度；表示机器人电机侧的加速度；B表示机器人电机侧的惯性；D表示机器人电机侧的阻尼；K表示机器人电机侧的刚度矩阵；K
‑1表示刚度矩阵K的逆矩阵；τ表示扭簧的力矩；u表示控制律输入。
[0010]可选地，所述基于奇异摄动理论，根据所述CAR模型建立第一降阶系统和第一边界层系统，包括：根据所述CAR模型，构建奇异摄动形式的机器人系统模型；根据所述机器人系统模型中参数值的变化，得到第一降阶系统；根据代数算法调整所述机器人系统模型表达式，得到第一边界层系统。
[0011]可选地，结合所述CAR控制器，将所述第一降阶系统进行线性化参数处理，得到第二降阶系统，包括：根据CAR控制器构建慢控制器；结合所述慢控制器，根据所述第一降阶系统的扩展惯性矩阵和控制律构建中间降阶系统；根据所述中间降阶系统的行向量表现情况构建第二降阶系统。
[0012]可选地，所述第二降阶系统的表达式为：
[0013][0014]其中，v是辅助变量，且v∈R；Ψ是回归矩阵，且有W
e
为待估计的参数向量，且N
e
为参数向量W
e
的维度；M
e
(q)为第一降阶系统对应的扩展惯性矩阵；是广义加速度；是机器人连杆侧的科里奥利矩阵；G(q)是机器人连杆侧的重力力矩；是摩擦力；是机器人连杆侧的速度；
[0015]所述第二边界层系统的表达式为：
[0016][0017]其中，z表示所述第二边界层系统的状态；z
′
表示所述第二边界层系统的状态在快时间尺度下的一阶导数；z
″
表示所述第二边界层系统的状态在快时间尺度下的二阶导数；M
‑1表示表示机器人连杆侧的惯性矩阵M的逆矩阵；q表示机器人连杆侧的关节位置；B
‑1表示表示机器人电机侧的惯性矩阵B的逆矩阵；K0和D0均为常值对角矩阵；K
p
和K
d
均表示正定的对角矩阵。
[0018]可选地，所述根据复合学习自适应律构建外环复合学习自适应控制器，包括：构建刚性机器人自适应控制器；计算机器人系统跟踪误差信息的滤波跟踪误差；计算当前时刻的预测误差；根据回归矩阵的历史数据信息，对所述回归矩阵进行扩展滤波操作；结合所述滤波跟踪误差、所述预测误差和所述扩展滤波操作构建复合学习自适应律；采用所述复合学习自适应律对所述预测误差进行更新，获得外环复合学习自适应控制器。
[0019]可选地，所述复合学习自适应律的表达式为：
[0020][0021]其中，是参数向量的估计值导数；Γ是正定对角的学习律矩阵；Ψ是广义回归矩
阵；q是机器人连杆侧的关节角度；是机器人连杆侧的关节加速度；是机器人连杆侧的关节参考速度；是机器人连杆侧的参考加速度；e2是跟踪误差；k
a
和和k
b
均为权重因子；Ψ
F
表示滤波回归矩阵；表示广义参数估计误差；t表示时间；表示区间积分长度；表示积分变量。
[0022]可选地，所述机器人系统控制器的表达式为：
[0023][0024]其中，u表示控制律输入；τ表示扭簧的力矩；τ
r
表示参考力矩；K
p
和K
d
均表示正定的对角矩阵；K
c
为正定对角增益矩阵；k
a
和k
b
均为权重因子；ε表示参数；e2表示跟踪误差；q表示机器人连杆侧的关节位置；表示机器人连杆侧的速度；表示为机器人连杆侧的加速度；表示机器人连杆侧的参考加速度；表示参数向量的估计值；表示复参数向量估计值的导数；Γ表示正定对角的学习律矩阵；Ψ表示广义回归矩阵；Ψ
F
表示滤波回归矩阵；∈表示力矩预测误差；ξ表示广义预测误差。
[0025]本专利技术实施例还提供了一种柔性驱动机器人的自适应控制系统，包括：第一模块，所述第一模块用于建立CAR模型并构建CAR控制器的结构；第二模块，所述第二模块用于基于奇异摄动理论，根据所述CAR本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种柔性驱动机器人的复合学习自适应控制方法，其特征在于，包括：建立CAR模型并构建CAR控制器的结构；基于奇异摄动理论，根据所述CAR模型建立第一降阶系统和第一边界层系统；根据所述CAR控制器构建内环线性控制器；根据所述第一边界层系统和所述内环线性控制器确定第二边界层系统；结合所述CAR控制器，将所述第一降阶系统进行线性参数化，得到第二降阶系统；根据复合学习自适应律构建外环复合学习自适应控制器；根据所述第二降阶系统、所述第二边界层系统、所述内环线性控制器和所述外环复合学习自适应控制器构造机器人系统控制器。2.根据权利要求1所述的一种柔性驱动机器人的复合学习自适应控制方法，其特征在于，所述CAR模型的表达式为：于，所述CAR模型的表达式为：其中，q表示机器人连杆侧的关节位置；表示机器人连杆侧的速度；表示为机器人连杆侧的加速度；τ
a
表示关节连杆侧的力矩；M表示机器人连杆侧的惯性矩阵；C为连杆侧的科里奥利矩阵；G表示机器人连杆侧的重力力矩；F表示摩擦力；θ表示机器人电机侧的位置；表示机器人电机侧的速度；表示机器人电机侧的加速度；N表示机器人电机侧的惯性；D表示机器人电机侧的阻尼；K表示机器人电机侧的刚度矩阵；K
‑1表示刚度矩阵K的逆矩阵；τ表示扭簧的力矩；u表示控制律输入。3.根据权利要求1所述的一种柔性驱动机器人的复合学习自适应控制方法，其特征在于，所述基于奇异摄动理论，根据所述CAR模型建立第一降阶系统和第一边界层系统，包括：根据所述CAR模型，构建奇异摄动形式的机器人系统模型；根据所述机器人系统模型中参数值的变化，得到第一降阶系统；根据代数算法调整所述机器人系统模型表达式，得到第一边界层系统。4.根据权利要求1所述的一种柔性驱动机器人的复合学习自适应控制方法，其特征在于，结合所述CAR控制器，将所述第一降阶系统进行线性化参数，得到第二降阶系统，包括：根据CAR控制器构建慢控制器；结合所述慢控制器，根据所述第一降阶系统扩展惯性矩阵和控制律构建中间降阶系统；根据所述中间降阶系统的行向量表现情况构建第二降阶系统。5.根据权利要求1所述的一种柔性驱动机器人的复合学习自适应控制方法，其特征在于，所述第二降阶系统的表达式为：其中，v是辅助变量，且v∈R；Ψ是回归矩阵，且有Ψ:W
e
为待估计的参数向量，且N
e
为参数向量W
e
的维度；M
e
(q)为第一降阶系统对应的扩展惯性矩阵；是广义加速度；是机器人连杆侧的科里奥利矩阵；G(q)是机器人连杆侧的重力力矩；是摩擦力；是机器人连杆侧的速度；
所述第二边界层系统的表达式为：其中，z表示所述第二边界层系统的状态；z
′
表示所述第二边界层系统的状态在快时间尺度下的一阶导数；z
″
表示所述第二边界层系统的状态在快时间尺度下的二阶导数；M
‑1表示表示机器人连杆侧的惯性矩阵M的逆矩阵；q表示机器人连杆侧的关节位置；B
‑1表示表示机器人电机侧的惯性矩阵B的逆矩阵；K0...

【专利技术属性】
技术研发人员：潘永平，时天，黎卫兵，
申请(专利权)人：中山大学，
类型：发明
国别省市：