一种基于事件触发的机器人运动约束跟踪控制方法技术

本发明专利技术属于机器人系统控制技术领域，具体为一种基于事件触发的机器人运动约束跟踪控制方法。通过引入转换方程将原有的运动约束跟踪控制问题，转化为一种新的无约束跟踪误差系统的最优控制问题。并在此基础上，构建基于事件触发机制的智能学习器，建立事件触发时刻和系统状态信息之间的内在关系，实现最优控制器的在线求解。既保障机器人系统在安全约束空间范围内进行运动跟踪控制，又有效降低机器人系统的通信负载和计算资源损耗。在求解过程中，通过在权重参数更新规则中引入稳定项，松弛了对初始稳定控制器的要求，提高该方法在实际系统应用中的可行性。统应用中的可行性。统应用中的可行性。

【技术实现步骤摘要】
一种基于事件触发的机器人运动约束跟踪控制方法


[0001]本专利技术属于机器人系统控制
，具体为一种基于事件触发的机器人运动约束跟踪控制方法。

技术介绍

[0002]随着感知、交互、控制以及人工智能技术的快速发展，机器人系统已被广泛应用于日常生产生活中。机器人技术从单一任务到更加复杂任务场景、从数字化到智能化的进程中仍面临诸多技术问题亟待解决。由于典型机器人系统具有强耦合、强非线性等特性，一个基本问题是为其设计合适的控制器，使机器人按照特定的或者人类指令执行复杂任务。自然，机器人的运动控制问题近年来引起了广泛关注。运动控制作为机器人技术中的一个重要问题，是机器人系统在实际应用中完成多种复杂任务的重要基础。
[0003]现有的机器人控制方法大多依赖于时间触发机制，但这种方法在实际应用中并不理想，主要体现在该方法的机器人系统总是周期性的连续采集系统状态，来更新其控制信号，导致大量的信息传输和计算成本的增加。此外，在一些机器人的典型应用中，由于某些应用场景的特殊要求或受机器人自身机械结构限制，机器人的关节运动空间往往受到一定的约束。也就是说，现有的机器人运动控制方法并没有同时考虑关节运动范围受限问题，与系统性能优化问题。
[0004]因此，在考虑机器人关节运动范围受限的情况下，如何设计一种兼顾系统性能优化的机器人运动跟随控制成为亟待解决的问题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于事件触发的机器人运动约束跟踪控制方法。通过引入转换方程对机器人运动状态进行变换，来处理机器人运动约束问题，即将原有的运动约束跟踪控制问题，转化为一种新的无约束跟踪误差系统的最优控制问题。并在此基础上，构建基于事件触发机制的智能学习器，实现最优控制器的在线求解。在求解过程中，通过在权重参数更新规则中引入稳定项，松弛了对初始稳定控制器的要求，提高该方法在实际系统应用中的可行性。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于事件触发的机器人运动约束跟踪控制方法，包括以下步骤：
[0008]步骤1、基于机器人系统的动力学模型和跟踪误差状态，建立带有约束的跟踪误差系统；
[0009]步骤2、通过引入转换方程，对带有约束的跟踪误差系统中的控制问题进行等价转化，得到无约束的辅助跟踪误差系统；
[0010]步骤3、基于无约束的辅助跟踪误差系统，设置用于评估其性能的代价函数；利用Hamilton函数和Bellman最优性原理，对代价函数进行求解，得到针对辅助跟踪误差系统的最优控制问题模型；
[0011]步骤4、通过引入事件触发机制，利用神经网络技术构建事件触发智能学习控制器；通过事件触发智能学习控制器与设计的事件触发条件，完成机器人运动约束的跟踪控制。
[0012]进一步的，所述步骤4的实现方法为：
[0013]4.1、在步骤3得到的最优控制问题模型中引入事件触发机制，得到事件触发最优控制器；
[0014]4.2、构建神经网络，并将神经网络作为智能控制器，神经网络包括评价网络和执行网络；通过设计评价网络和执行网络权重参数更新规则，并在智能控制器中对执行网络学习的事件触发最优控制器进行设置，得到事件触发智能学习控制器；
[0015]4.3、通过事件触发智能学习控制器与设计事件触发条件，完成机器人运动约束的跟踪控制。
[0016]进一步的，所述步骤1的实现方法为：
[0017]1.1、机器人系统的动力学模型为:
[0018][0019]式(1)中，q表示机器人系统的关节运动状态，u表示系统的控制输入；M(q)、和G(q)分别表示惯性矩阵、向心力矩阵和重力向量；q
d
和分别表示关节运动角度和角速度；
[0020]定义运动跟踪误差为e
q
＝q
‑
q
d
和设状态变量期望状态得到跟踪误差状态为
[0021]1.2、根据跟踪误差状态和机器人系统的动力学模型公式(1)，建立跟踪误差动力学公式(2)：
[0022][0023]式(2)中，c(e)＝[0 (M
‑1)
T
]T
；
[0024]定义机器人关节运动约束范围为：
[0025][0026]式(3)中，n表示机器人自由度，和表示机器人运动状态的上下界；
[0027]根据式(3)，得到跟踪误差的约束范围：其中和为跟踪状态的上下界，从而获得带有约束的跟踪误差系统。
[0028]进一步的，所述步骤2的实现方法为；
[0029]2.1、引入Barrier转换方程，并求出该方程的逆函数：
[0030]引入的方程为：
[0031][0032]式(4)中，ξ
i
为转化后的误差状态，是一种可逆的光滑函数，a＞1是一个正常数；方程(4)的逆函数形式为：
[0033][0034]根据跟踪误差动力学公式(2)和方程(4)，即可构建出无约束跟踪误差系统，无约束跟踪误差系统的表达式如式(6)所示：
[0035][0036]式(6)中，其中，
[0037]进一步的，所述步骤3的实现过程为：
[0038]3.1、基于无约束的辅助跟踪误差系统，设置用于评估其性能的代价函数如式(7)所示；
[0039][0040]式(7)中，Q(ξ,u)＝ξ
T
Aξ+u
T
Bu为效用函数，A和B为给定的正定矩阵，表示积分函数的变量；
[0041]3.2、利用Hamilton函数和Bellman最优性原理，对代价函数进行求解，得到针对辅助跟踪误差系统的最优控制问题模型，具体操作如下：
[0042]定义Hamilton函数为：
[0043][0044]式(8)中，表示代价函数关于状态ξ的偏导数；
[0045]根据Bellman最优性原理，即可得到最优控制问题模型，最优控制问题模型的表示式为：
[0046][0047]进一步的，所述步骤4.1得到事件触发的最优控制器实现方法为：
[0048]定义一个单调递增的事件触发时刻集合事件触发时刻的系统状态记为设置一个评估采样时刻状态和当前状态误差的连续函数，基于连续函数得到相应的事件触发最优控制器；该连续函数其形式表达如下：
[0049][0050]相应的事件触发最优控制器为：
[0051][0052]进一步的，所述步骤4.2的实现方法为：
[0053]利用评价网络实现对代价函数的近似表达，代价函数近似为：
[0054][0055]式(12)中，W
c
表示评价网络权重，φ(ξ)为激励函数，ε(ξ)表示评价网络近似误差；
[0056]采用如下真实的近似表达：
[0057][0058]其中，和分别表示代价函数和评价网络的估计值，由权重估计值定义获得；
[0059]将式(12)代入式(8)，得到评价本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于事件触发的机器人运动约束跟踪控制方法，其特征在于，包括以下步骤：步骤1、基于机器人系统的动力学模型和跟踪误差状态，建立带有约束的跟踪误差系统；步骤2、通过引入转换方程，对带有约束的跟踪误差系统中的控制问题进行等价转化，得到无约束的辅助跟踪误差系统；步骤3、基于无约束的辅助跟踪误差系统，设置用于评估其性能的代价函数；利用Hamilton函数和Bellman最优性原理，对代价函数进行求解，得到针对辅助跟踪误差系统的最优控制问题模型；步骤4、通过引入事件触发机制，利用神经网络技术构建事件触发智能学习控制器；通过事件触发智能学习控制器与设计的事件触发条件，完成机器人运动约束的跟踪控制。2.如权利要求1所述的一种基于事件触发的机器人运动约束跟踪控制方法，其特征在于，所述步骤4的实现方法为：4.1、在步骤3得到的最优控制问题模型中引入事件触发机制，得到事件触发最优控制器；4.2、构建神经网络，并将神经网络作为智能控制器，神经网络包括评价网络和执行网络；通过设计评价网络和执行网络权重参数更新规则，并在智能控制器中对执行网络学习的事件触发最优控制器进行设置，得到事件触发智能学习控制器；4.3、通过事件触发智能学习控制器与设计事件触发条件，完成机器人运动约束的跟踪控制。3.如权利要求1所述的一种基于事件触发的机器人运动约束跟踪控制方法，其特征在于，所述步骤1的实现方法为：1.1、机器人系统的动力学模型为:式(1)中，q表示机器人系统的关节运动状态，u表示系统的控制输入；M(q)、和G(q)分别表示惯性矩阵、向心力矩阵和重力向量；q
d
和分别表示关节运动角度和角速度；定义运动跟踪误差为e
q
＝q
‑
q
d
和设状态变量期望状态得到跟踪误差状态为1.2、根据跟踪误差状态和机器人系统的动力学模型公式(1)，建立跟踪误差动力学公式(2)：式(2)中，c(e)＝[0 (M
‑1)
T
]
T
；定义机器人关节运动约束范围为：式(3)中，n表示机器人自由度，和表示机器人运动状态的上下界；根据式(3)，得到跟踪误差的约束范围：其中和为跟踪状态的上下界，
从而获得带有约束的跟踪误差系统。4.如权利要求3所述的一种基于事件触发的机器人运动约束跟踪控制方法，其特征在于，所述步骤2的实现方法为：2.1、引入Barrier转换方程，并求出该方程的逆函数：引入的方程为：式(4)中，ξ
i
为转化后的误差状态，是一种可逆的光滑函数，a＞1是一个正常数；方程(4)的逆函数形式为：根据跟踪误差动力学公式(2)和方程(4)，即可构建出无约束跟踪误差系统，无约...

【专利技术属性】
技术研发人员：彭知南，程洪，黄瑞，邹朝彬，宋广奎，施柯丞，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：